Serological markers and long <scp>COVID</scp>—A rapid systematic review
Notice bibliographique
Résumé
BACKGROUND: Long COVID is highly heterogeneous, often debilitating, and may last for years after infection. The aetiology of long COVID remains uncertain. Examination of potential serological markers of long COVID, accounting for clinical covariates, may yield emergent pathophysiological insights. METHODS: In adherence to PRISMA guidelines, we carried out a rapid review of the literature. We searched Medline and Embase for primary observational studies that compared IgG response in individuals who experienced COVID-19 symptoms persisting ≥12 weeks post-infection with those who did not. We examined relationships between serological markers and long COVID status and investigated sources of inter-study variability, such as severity of acute illness, long COVID symptoms assessed and target antigen(s). RESULTS: Of 8018 unique records, we identified 29 as being eligible for inclusion in synthesis. Definitions of long COVID varied. In studies that reported anti-nucleocapsid (N) IgG (n = 10 studies; n = 989 participants in aggregate), full or partial anti-Spike IgG (i.e. the whole trimer, S1 or S2 subgroups, or receptor binding domain, n = 19 studies; n = 2606 participants), or neutralizing response (n = 7 studies; n = 1123 participants), we did not find strong evidence to support any difference in serological markers between groups with and without persisting symptoms. However, most studies did not account for severity or level of care required during acute illness, and other potential confounders. CONCLUSIONS: Pooling of studies would enable more robust exploration of clinical and serological predictors among diverse populations. However, substantial inter-study variations hamper comparability. Standardized reporting practices would improve the quality, consistency and comprehension of study findings.
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 | 0,032 | 0,161 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,007 | 0,002 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».