Trajectories of Inflammatory Markers and Post–COVID-19 Cognitive Symptoms
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: Chronic systemic inflammation has been hypothesized to be a mechanistic factor leading to post-acute cognitive dysfunction after COVID-19. However, little data exist evaluating longitudinal inflammatory markers. METHODS: We conducted a secondary analysis of data collected from the CONTAIN randomized trial of convalescent plasma in patients hospitalized for COVID-19, including patients who completed an 18-month assessment of cognitive symptoms and PROMIS Global Health questionnaires. Patients with pre-COVID-19 dementia/cognitive abnormalities were excluded. Trajectories of serum cytokine panels, D-dimer, fibrinogen, C-reactive peptide (CRP), ferritin, lactate dehydrogenase (LDH), and absolute neutrophil counts (ANCs) were evaluated over 18 months using repeated measures and Friedman nonparametric tests. The relationships between the area under the curve (AUC) for each inflammatory marker and 18-month cognitive and global health outcomes were assessed. RESULTS: < 0.05), with the exception of IL-1β, which remained stable over time. There were no significant associations between the AUC for any inflammatory marker and 18-month cognitive symptoms, any neurologic symptom, or PROMIS Global Physical or Mental health T-scores. Receipt of convalescent plasma was not associated with any outcome measure. DISCUSSION: At 18 months posthospitalization for COVID-19, cognitive abnormalities were reported in 27% of patients, and below average PROMIS Global Mental and Physical Health scores occurred in 24% and 51%, respectively. However, there were no associations with measured inflammatory markers, which decreased over time.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».