Positive Effects of Cognitive-Behavioral Therapy Targeting Severe Fatigue Following COVID-19 Are Sustained Up to 1 Year After Treatment
Notice bibliographique
Résumé
To the Editor—Recently, our article entitled “Efficacy of Cognitive-Behavioral Therapy Targeting Severe Fatigue Following Coronavirus Disease 2019: Results of a Randomized Controlled Trial” [1] was published in Clinical Infectious Diseases. This study demonstrated a beneficial effect of cognitive-behavioral therapy (CBT) in reducing severe fatigue following coronavirus disease 2019 (COVID-19), as compared with care as usual. All secondary outcomes also favored CBT. Positive effects were maintained up to 6 months post-treatment [1]. In this letter, we present the 1 year follow-up outcomes of CBT for post–COVID-19 fatigue. All details on the methods used in this follow-up study are described in the published study protocol [2] and the Supplementary Appendix. In this long-term follow-up study, all 57 patients randomized to CBT were eligible. Of them, 52 participated. For ethical reasons, patients randomized to care as usual were offered CBT and could therefore no longer serve as a control. The primary outcome was fatigue severity. Secondary outcomes were physical functioning, problems with social functioning, somatic symptom severity, problems concentrating, and proportions of patients being no longer severely fatigued, no longer severely fatigued with a reliable change, and not chronically fatigued. Additionally, for each individual patient, it was calculated whether the change in fatigue severity between 6 months and 1 year post-CBT was reliable and/or clinically significant.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 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 ».