Functional neurological disorders after COVID-19 and SARS-CoV-2 vaccines: a national multicentre observational study
Notice bibliographique
Résumé
Functional neurological disorders (FNDs) are a common cause of neurology consultations.1 Dissociative seizures, motor and cognitive disorders are the main phenotypes. Diagnosis is made on positive terms: signs of inconsistency, incongruence and variability of physical signs with attention on clinical examination.1 Abnormal emotional processing and expectations are involved in the genesis and perpetuation of FND.1 \n \nFrom the onset of SARS-CoV-2 pandemic, world population has been affected by high levels of stress, uncertainty and misleading information, with a potential impact on mental health. Different studies have ascertained an increase of FND consultations (threefold in an emergency department).2 On the development of SARS-CoV-2 vaccines, several cases of FND following vaccination were published, as well as an official warning from the Functional Neurological Society.3 Post-COVID-19 symptoms (known as Long-COVID-19) have also become a frequent reason for neurology consultation.4 Somatic symptom disorder may be common in these patients, and socioeconomic implications are vast.5 \n \n \nOur experience is that a proportion of patients with FND describe an association with COVID-19 infection/vaccination. Here, we report a cohort of patients with FND for whom COVID-19 or SARS-CoV-2 vaccines were the main precipitant factors.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».