Inflammatory and vascular biomarkers in post‐COVID‐19 syndrome: A systematic review and meta‐analysis of over 20 biomarkers
Notice bibliographique
Résumé
Severe acute respiratory syndrome coronavirus 2 may inflict a post-viral condition known as post-COVID-19 syndrome (PCS) or long-COVID. Studies measuring levels of inflammatory and vascular biomarkers in blood, serum, or plasma of COVID-19 survivors with PCS versus non-PCS controls have produced mixed findings. Our review sought to meta-analyse those studies. A systematic literature search was performed across five databases until 25 June 2022, with an updated search on 1 November 2022. Data analyses were performed with Review Manager and R Studio statistical software. Twenty-four biomarkers from 23 studies were meta-analysed. Higher levels of C-reactive protein (Standardized mean difference (SMD) = 0.20; 95% CI: 0.02-0.39), D-dimer (SMD = 0.27; 95% CI: 0.09-0.46), lactate dehydrogenase (SMD = 0.30; 95% CI: 0.05-0.54), and leukocytes (SMD = 0.34; 95% CI: 0.02-0.66) were found in COVID-19 survivors with PCS than in those without PCS. After sensitivity analyses, lymphocytes (SMD = 0.30; 95% CI: 0.12-0.48) and interleukin-6 (SMD = 0.30; 95% CI: 0.12-0.49) were also significantly higher in PCS than non-PCS cases. No significant differences were noted in the remaining biomarkers investigated (e.g., ferritin, platelets, troponin, and fibrinogen). Subgroup analyses suggested the biomarker changes were mainly driven by PCS cases diagnosed via manifestation of organ abnormalities rather than symptomatic persistence, as well as PCS cases with duration of <6 than ≥6 months. In conclusion, our review pinpointed certain inflammatory and vascular biomarkers associated with PCS, which may shed light on potential new approaches to understanding, diagnosing, and treating PCS.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,019 | 0,036 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,028 | 0,003 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».