Use of latent class analysis and patient reported outcome measures to identify distinct long COVID phenotypes: A longitudinal cohort study
Notice bibliographique
Résumé
OBJECTIVES: We sought to 1) identify long COVID phenotypes based on patient reported outcome measures (PROMs) and 2) determine whether the phenotypes were associated with quality of life (QoL) and/or lung function. METHODS: This was a longitudinal cohort study of hospitalized and non-hospitalized patients from March 2020 to January 2022 that was conducted across 4 Post-COVID Recovery Clinics in British Columbia, Canada. Latent class analysis was used to identify long COVID phenotypes using baseline PROMs (fatigue, dyspnea, cough, anxiety, depression, and post-traumatic stress disorder). We then explored the association between the phenotypes and QoL (using the EuroQoL 5 dimensions visual analogue scale [EQ5D VAS]) and lung function (using the diffusing capacity of the lung for carbon monoxide [DLCO]). RESULTS: There were 1,344 patients enrolled in the study (mean age 51 ±15 years; 780 [58%] were females; 769 (57%) were of a non-White race). Three distinct long COVID phenotypes were identified: Class 1) fatigue and dyspnea, Class 2) anxiety and depression, and Class 3) fatigue, dyspnea, anxiety, and depression. Class 3 had a significantly lower EQ5D VAS at 3 (50±19) and 6 months (54 ± 22) compared to Classes 1 and 2 (p<0.001). The EQ5D VAS significantly improved between 3 and 6 months for Class 1 (median difference of 6.0 [95% CI, 4.0 to 8.0]) and Class 3 (median difference of 5.0 [95% CI, 0 to 8.5]). There were no differences in DLCO between the classes. CONCLUSIONS: There were 3 distinct long COVID phenotypes with different outcomes in QoL between 3 and 6 months after symptom onset. These phenotypes suggest that long COVID is a heterogeneous condition with distinct subpopulations who may have different outcomes and warrant tailored therapeutic approaches.
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 | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».