Concentrations of Serum Brain Injury Biomarkers Following SARS-CoV-2 Infection in Individuals with and without Long-COVID—Results from the Prospective Population-Based COVI-GAPP Study
Notice bibliographique
Résumé
It is unknown whether neurological symptoms are associated with brain injury after SARS-CoV-2 infections and whether brain injury and related symptoms also emerge in Long-COVID patients. Biomarkers such as serum neurofilament light chain (sNfL) and glial fibrillary acidic protein (sGFAP) can be used to elucidate neuro-axonal and astroglial injuries. We investigated whether these biomarkers are associated with COVID-19 infection status, associated symptoms and Long-COVID. From 146 individuals of the general population with a post-acute, mild-to-moderate SARS-CoV-2 infection, sNfL and sGFAP were measured before, during and after (five and ten months) the infection. Individual symptoms and Long-COVID status were assessed using questionnaires. Neurological associated symptoms were described for individuals after a mild and moderate COVID-19 infection; however, sNfL (p = 0.74) and sGFAP (p = 0.24) did not change and were not associated with headache (p = 0.51), fatigue (p = 0.93), anosmia (p = 0.77) or ageusia (p = 0.47). In Long-COVID patients, sGFAP (p = 0.038), but not sNfL (p = 0.58), significantly increased but was not associated with neurological associated symptoms. Long-COVID status, but not post-acute SARS-CoV-2 infections, may be associated with astroglial injury/activation, even if neurological associated symptoms were not correlated.
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 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».