MétaCan
Menu
Retour à la cohorte
Enregistrement W4391764466 · doi:10.1016/j.eclinm.2024.102456

Predictors of non-recovery from fatigue and cognitive deficits after COVID-19: a prospective, longitudinal, population-based study

2024· article· en· W4391764466 sur OpenAlexaboutno aff
Tim J. Hartung, Thomas Bahmer, Irina Chaplinskaya-Sobol, Jürgen Deckert, Matthias Endres, Katrin Franzpötter, Johanna Geritz, Karl Georg Hæusler, Grit Hein, Peter U. Heuschmann, Sina M. Hopff, Anna Horn, Thomas Keil, Michael Krawczak, Lilian Krist, Wolfgang Lieb, Corina Maetzler, Felipe A. Montellano, Caroline Morbach, Christian Neumann, Carolin Nürnberger, A Ruß, Lena Schmidbauer, Sein Schmidt, Stefan Schreiber, Flo Steigerwald, Stefan Störk, Thomas Zöller, Walter Maetzler, Carsten Finke

Notice bibliographique

RevueEClinicalMedicine · 2024
Typearticle
Langueen
DomaineMedicine
ThématiqueLong-Term Effects of COVID-19
Établissements canadiensnon disponible
Organismes subventionnairesBundesministerium für Bildung, Wissenschaft, Forschung und TechnologieBundesministerium für Bildung und ForschungDeutsche Forschungsgemeinschaft
Mots-clésMedicineMontreal Cognitive AssessmentConfidence intervalPopulationProspective cohort studyLogistic regressionCohortCohort studyCognitionLongitudinal studyPhysical therapyInternal medicinePsychiatryCognitive impairmentPathology

Résumé

récupéré en direct d'OpenAlex

Background: Despite the high prevalence and major disability associated with fatigue and cognitive deficits after SARS-CoV-2 infection, little is known about long-term trajectories of these sequelae. We aimed to assess long-term trajectories of these conditions and to identify risk factors for non-recovery. Methods: We analyzed longitudinal data from the population-based COVIDOM/NAPKON-POP cohort in Germany. Participants with confirmed SARS-CoV-2 infection were assessed at least 6 months (baseline) and again at least 18 months (follow-up) after infection using the Functional Assessment of Chronic Illness Therapy-Fatigue (FACIT-Fatigue) Scale (cutoff ≤ 30) and the Montreal Cognitive Assessment (MoCA, cutoff ≤ 25). Predictors of recovery from fatigue or cognitive deficits between assessments were identified through univariate and multivariable logistic regression models. The COVIDOM study is registered at the German registry for clinical studies (DRKS00023742) and at ClinicalTrials.gov (NCT04679584). Findings: Between 15 November 2020 and 9 May 2023, a total of 3038 participants were assessed at baseline (median 9 months after infection) and 83% responded to invitations for follow-up (median 26 months after infection). At baseline, 21% (95% confidence interval (CI) [20%, 23%]) had fatigue and 23% (95% CI [22%, 25%]) had cognitive deficits according to cutoff scores on the FACIT-Fatigue or MoCA. Participants with clinically relevant fatigue (at baseline) showed significant improvement in fatigue scores at follow-up (Hedges' g [95% CI] = 0.73 [0.60, 0.87]) and 46% (95% CI [41%, 50%]) had recovered from fatigue. Participants with cognitive deficits showed a significant improvement in cognitive scores (g [95% CI] = 1.12 [0.90, 1.33]) and 57% (95% CI [50%, 64%]) had recovered from cognitive deficits. Patients with fatigue exhibiting a higher depressive symptom burden and/or headache at baseline were significantly less likely to recover. Significant risk factors for cognitive non-recovery were male sex, older age and <12 years of school education. Importantly, SARS-CoV-2 reinfection had no significant impact on recovery from fatigue or cognitive deficits. Interpretation: Fatigue and cognitive deficits are common sequelae after SARS-CoV-2 infection. These syndromes improved over time and about half of the patients recovered within two years. The identified risk factors for non-recovery from fatigue and cognitive deficits could play an important role in shaping targeted strategies for treatment and prevention. Funding: Funded by the German Federal Ministry of Education and Research (BMBF; grant number 01KX2121) and German Research Foundation (DFG) Excellence Cluster "Position Medicine in Information".

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,012
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Méta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,012
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,012
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,032
Tête enseignante GPT0,376
Écart entre enseignants0,343 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations57
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEClinicalMedicineMême sujetLong-Term Effects of COVID-19Travaux en français237 207