Associations Between Acute COVID-19 Symptom Profiles and Long COVID Prevalence: Population-Based Cross-Sectional Study
Notice bibliographique
Résumé
Background: Growing evidence suggests that severe acute COVID-19 illness increases the risk of long COVID (also known as post-COVID-19 condition). However, few studies have examined associations between acute symptoms and long COVID onset. Objective: This study aimed to examine associations between acute COVID-19 symptom profiles and long COVID prevalence using a population-based sample. Methods: We used a dual mode (phone and web-based) population-based probability survey of adults with polymerase chain reaction-confirmed SARS-CoV-2 between June 2020 and May 2022 in the Michigan Disease Surveillance System to examine (1) how acute COVID-19 symptoms cluster together using latent class analysis, (2) sociodemographic and clinical predictors of symptom clusters using multinomial logistic regression accounting for classification uncertainties, and (3) associations between symptom clusters and long COVID prevalence using modified Poisson regression. Results: In our sample (n=4169), 15.9% (n=693) had long COVID, defined as new or worsening symptoms at least 90 days post SARS-CoV-2 infection. We identified 6 acute COVID-19 symptom clusters resulting from the latent class analysis, with flu-like symptoms (24.7%) and fever (23.6%) being the most prevalent in our sample, followed by nasal congestion (16.4%), multi-symptomatic (14.5%), predominance of fatigue (10.8%), and predominance of shortness of breath (10%) clusters. Long COVID prevalence was highest in the multi-symptomatic (39.7%) and predominance of shortness of breath (22.4%) clusters, followed by the flu-like symptom (15.8%), predominance of fatigue (14.5%), fever (6.4%), and nasal congestion (5.6%) clusters. After adjustment, females (vs males) had greater odds of membership in the multi-symptomatic, flu-like symptom, and predominance of fatigue clusters, while adults who were Hispanic or another race or ethnicity (vs non-Hispanic White) had greater odds of membership in the multi-symptomatic cluster. Compared with the nasal congestion cluster, the multi-symptomatic cluster had the highest prevalence of long COVID (adjusted prevalence ratio [aPR] 6.1, 95% CI 4.3-8.7), followed by the predominance of shortness of breath (aPR 3.7, 95% CI 2.5-5.5), flu-like symptom (aPR 2.8, 95% CI 1.9-4.0), and predominance of fatigue (aPR 2.2, 95% CI 1.5-3.3) clusters. Conclusions: Researchers and clinicians should consider acute COVID-19 symptom profiles when evaluating subsequent risk of long COVID, including potential mechanistic pathways in a research context, and proactively screen high-risk patients during the provision of clinical care.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 ».