Co-ultraPEALut in Subjective Cognitive Impairment Following SARS-CoV-2 Infection: An Exploratory Retrospective Study
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
Neurological involvement following coronavirus disease 19 (COVID-19) is thought to have a neuroinflammatory etiology. Co-ultraPEALut (an anti-inflammatory molecule) and luteolin (an anti-oxidant) have shown promising results as neuroinflammation antagonists. The aim of this study was to describe cognitive impairment in patients with post-COVID-19 treated with co-ultraPEALut. The Montreal Cognitive Assessment (MoCA), the Prospective–Retrospective Memory Questionnaire (PRMQ), the Fatigue Severity Scale (FSS), and a subjective assessment were administered at baseline and after 10 months. Patients treated with co-ultraPEALut were retrospectively compared with controls. Twenty-six patients treated with co-ultraPEALut showed a significant improvement in PRMQ (T0: 51.94 ± 10.55, T1: 39.67 ± 13.02, p < 0.00001) and MoCA raw score (T0: 25.76 ± 2.3, T1: 27.2 ± 2, p 0.0260); the MoCA-adjusted score and the FSS questionnaires also showed an improvement, even though it was not statistically significant; and 80.77% of patients reported a subjective improvement. In the control subjects (n = 15), the improvement was not as pronounced (PRMQ T0: 45.77 ± 13.47, T1: 42.33 ± 16.86, p 0.2051; FSS T0: 4.95 ± 1.57, T1: 4.06 ± 1.47, p 0.1352). Patients treated with co-ultraPEALut and corticosteroids were not statistically different from those treated with co-ultraPEALut alone. Neuro-post-COVID-19 patients treated with co-ultraPEALut scored better than controls in MoCA and PRMQ questionnaires after 10 months: this may support the importance of neuroinflammation modulation for neuro-long-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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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