Neuroimaging Correlates of Post-COVID-19 Symptoms: A Functional MRI Approach
Notice bibliographique
Résumé
BACKGROUNDS AND PURPOSE: Post-COVID syndrome is characterized by persistent symptoms, including fatigue and cognitive impairment. These symptoms may be experienced by up to 80% of patients. We aimed to identify possible patterns of brain activation underlying post-COVID fatigue. METHODS: The study used functional MRI (Siemens MAGNETOM Prisma 3T scanner with a specially created protocol) of the brain in 30 patients with post-COVID fatigue syndrome and 20 healthy volunteers. Task functional MRI (fMRI) was performed using a cognitive paradigm (modified Stroop test). Eligible patients included adults aged 18-50 years with a >12 weeks before enrolment (less than 12 months) prior history of documented COVID-19 with symptoms of fatigue not attributable to any other cause, and with MFI-20 score > 30 and MoCA at first visit. Healthy control participants had no prior history of COVID-19 and negative tests for severe acute coronavirus respiratory syndrome with MFI-20 score < 30 and MoCA at first visit. Task fMRI data were processed using the SPM12 software package based on MATLAB R2022a. RESULTS: Cognitive task fMRI analysis showed significantly higher activation in the post-COVID group versus healthy volunteers' group. Between-group analysis showed significant activation differences. Using a threshold of T > 3 we identified eight clusters of statistically significant activation: supramarginal gyri, posterior cingulate cortex, opercular parts of precentral gyri and cerebellum posterior lobe bilaterally. CONCLUSIONS: Post-COVID fatigue syndrome associated with subjective cognitive impairment could show changes in brain functional activity in the areas connected with information processing speed and quality.
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 | 0,000 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 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 ».