Quantifying the Degree of Fatigue in People Reporting Symptoms of Post-COVID-19 Syndrome: Results from a Rasch Analysis
Notice bibliographique
Résumé
Purpose: Fatigue is a defining feature of post-COVID-19 syndrome (PCS), yet there is no accepted measure of this life-altering consequence. The aim here was to create a measure fit for the purposes of quantifying the severity of PCS fatigue and provide initial evidence for its relationships with measures of converging constructs. Method: A cross-sectional analysis of the first 414 participants in the Quebec Action for Post-COVID cohort study who self-identified with PCS was undertaken. In total, 17 items were available, including items commonly used in fatigue studies and to identify post-exertional malaise (PEM). Results: Rasch analysis identified that 10 of the 17 items fit a unidimensional linear model with a theoretical range from 0 to 21 (none to highest fatigue). The PCS Fatigue Severity Measure V1 (mean 13.8 [SD 4.7]) correlated highly with criterion measures of fatigue (r ≈│0.8│). Correlations with converging constructs of pain, physical function, and health rating exceeded │0.5│. Conclusions: PCS Fatigue Severity Measure V1 was distinguished between people working versus those on sick leave (difference: 5.1 points; effect size: 1.08). Effect sizes for people with and without irritability or meeting criteria for post-traumatic distress were approximately equal to 0.5. There is sufficient evidence that this measure is fit for purpose for quantifying fatigue in this population at one point in time. Further evidence in other samples is required to verify content and performance 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 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 | 0,013 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».