Cellular and molecular biomarkers of long COVID: a scoping review
Notice bibliographique
Résumé
BACKGROUND: Long-COVID (LC) encompasses diverse symptoms lasting months after the initial SARS-CoV-2 infection. Symptoms can be debilitating and affect the quality of life of individuals with LC and their families. Although the symptoms of LC are well described, the aetiology of LC remains unclear, and consequently, patients may be underdiagnosed. Identification of LC specific biomarkers is therefore paramount for the diagnosis and clinical management of the syndrome. This scoping review describes the molecular and cellular biomarkers that have been identified to date with potential use for diagnosis or prediction of LC. METHODS: This review was conducted using the Joanna Briggs Institute (JBI) Methodology for Scoping Reviews. A search was executed in the MEDLINE and EMBASE databases, as well as in the grey literature for original studies, published until October 5th, 2022, reporting biomarkers identified in participants with LC symptoms (from all ages, ethnicities, and sex), with a previous infection of SARS-CoV-2. Non-English studies, cross-sectional studies, studies without a control group, and pre-prints were excluded. Two reviewers independently evaluated the studies, extracted population data and associated biomarkers. FINDINGS: 23 cohort studies were identified, involving 2163 LC patients [median age 51.8 years, predominantly female sex (61.10%), white (75%), and non-vaccinated (99%)]. A total of 239 candidate biomarkers were identified, consisting mainly of immune cells, immunoglobulins, cytokines, and other plasma proteins. 19 of the 239 candidate biomarkers identified were evaluated by the authors, by means of receiver operating characteristic (ROC) curves. INTERPRETATION: Diverse cellular and molecular biomarkers for LC have been proposed. Validation of candidate biomarkers in independent samples should be prioritized. Modest reported performance (particularly in larger studies) suggests LC may encompass many distinct aetiologies, which should be explored e.g., by stratifying by symptom clusters and/or sex. FUNDING: Dr. Tebbutt has received funding from the Canadian Institutes of Health Research (177747) to conduct this work. The funding source was not involved in this scoping review, or in the decision to submit this manuscript for publication.
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 | 0,008 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,005 |
| Bibliométrie | 0,016 | 0,014 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».