Persistence of post-COVID symptoms in the general population two years after SARS-CoV-2 infection: A systematic review and meta-analysis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Objective: This meta-analysis investigated the prevalence of post-COVID symptoms two-years after SARS-CoV-2 infection. Methods: Electronic literature searches on PubMed, MEDLINE, CINAHL, EMBASE, Web of Science databases, and on medRxiv/bioRxiv preprint servers were conducted up to October 1, 2023. Studies reporting data on post-COVID symptoms at two-years after infection were included. Methodological quality was assessed using the Newcastle-Ottawa Scale. Random-effects models were used for meta-analytical pooled prevalence of each symptom. Results: From 742 studies identified, twelve met inclusion criteria. The sample included 7912 COVID-19 survivors (50.7% female; age: 59.5, SD: 16.3). Post-COVID symptoms were assessed at a follow-up of 722.9 (SD: 51.5) days after. The overall methodological quality of studies was moderate (mean: 6/10, SD: 1.2 points). The most prevalent post-COVID symptoms two-years after SARS-CoV-2 infection were fatigue (28.0%, 95%CI 12.0-47.0), cognitive impairments (27.6%, 95%CI 12.6-45.8), and pain (8.4%, 95%CI 4.9-12.8). Psychological disturbances such as anxiety (13.4%, 95%CI 6.3-22.5) and depressive (18.0%, 95%CI 4.8-36.7) levels as well as sleep problems (20.9%, 95%CI 5.25-43.25) were also prevalent. Pooled data showed high heterogeneity (I 2 75%). Conclusion: This meta-analysis shows the presence of post-COVID symptoms in 30% of patients two-years after COVID-19. Fatigue, cognitive disorders, and pain were the most prevalent post-COVID symptoms. Psychological disturbances as well as sleep problems were still present two-years after COVID-19.
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.
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 | 0,004 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,006 | 0,004 |
| Bibliométrie | 0,002 | 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 | 0,001 |
| 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 découle