How multimorbidity and socio-economic factors affect Long Covid: Evidence from European Countries
Notice bibliographique
Résumé
Abstract Introduction An increasing number of individuals continue reporting symptoms following the acute stage of Covid-19 infection. Few studies have investigated the factors related to Long Covid. Our aim was to assess how multimorbidity, socio-economic factors (immigration, education, employment, and income), and country of residence affect the presence and number of persistent symptoms attributable to Covid-19 illness in Europe. Methods We used data from the SHARE Corona surveys collected in 2020 and 2021. The sample included 4,004 respondents aged 50 years and older who were affected by the Corona virus. The outcome was the number of persistent symptoms attributable to Covid-19 illness, including: fatigue; cough, congestion, shortness of breath; loss of taste or smell; headache; body aches, joint pain; chest or abdominal pain; diarrhoea, nausea; and confusion. We conducted a multilevel analysis for a hurdle model with negative binomial distribution. Results Overall, 73% of respondents were estimated to have at least one persistent symptom associated with Covid-19 illness and, on average, they had 2.73 symptoms. However, there were some statistically significant across country differences in the presence and number of symptoms. Respondents who were employed were more likely to report at least one symptom (OR = 1.40) and those with higher levels of education were less likely to report any symptoms (OR = 0.67). Respondents with multimorbidity had an increased risk of experiencing an additional symptom (RR = 1.12) while respondents who were employed had a decreased risk of experiencing an additional symptom (RR = 0.85). Discussion and conclusions Presence and number of persistent symptoms associated with Covid-19 illness was highly prevalent and varied significantly across European countries. Evidence from the present work underscores the need to target high-risk groups and those with multimorbidity to reduce long-term health consequences of Covid-19.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».