Cluster analysis to identify long COVID phenotypes using<sup>129</sup>Xe magnetic resonance imaging: a multicentre evaluation
Notice bibliographique
Résumé
Background Long COVID impacts ∼10% of people diagnosed with coronavirus disease 2019 (COVID-19), yet the pathophysiology driving ongoing symptoms is poorly understood. We hypothesised that129Xe magnetic resonance imaging (MRI) could identify unique pulmonary phenotypic subgroups of long COVID. Therefore, we evaluated ventilation and gas exchange measurements with cluster analysis to generate imaging-based phenotypes. Methods COVID-negative controls and participants who previously tested positive for COVID-19 underwent129Xe MRI ∼14 months post-acute infection across three centres. Long COVID was defined as persistent dyspnoea, chest tightness, cough, fatigue, nausea and/or loss of taste/smell at MRI; participants reporting no symptoms were considered fully recovered.129Xe MRI ventilation defect percent (VDP) and membrane-to-gas (Mem/Gas), red blood cell-to-membrane (RBC/Mem) and red blood cell-to-gas (RBC/Gas) ratios were used in k-means clustering for long COVID, and measurements were compared using ANOVA with post-hoc Bonferroni correction. Results We evaluated 135 participants across three centres: 28 COVID-negative (mean±sdage 40±16 years), 34 fully recovered (42±14 years) and 73 long COVID (49±13 years). RBC/Mem (p=0.03) and forced expiratory volume in 1 s (FEV1) (p=0.04) were different between long COVID and COVID-negative; FEV1and all other pulmonary function tests (PFTs) were within normal ranges. Four unique long COVID clusters were identified compared with recovered and COVID-negative. Cluster 1 was the youngest with normal MRI and mild gas trapping; Cluster 2 was the oldest, characterised by reduced RBC/Mem but normal PFTs; Cluster 3 had mildly increased Mem/Gas with normal PFTs; and Cluster 4 had markedly increased Mem/Gas with concomitant reduction in RBC/Mem and restrictive PFT pattern. Conclusions We identified four129Xe MRI long COVID phenotypes with distinct characteristics.129Xe MRI can dissect pathophysiological heterogeneity of long COVID to enable personalised patient care.
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 | 0,012 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».