Long COVID prevalence differences across 27 European countries that participated in the 2021 Survey of Health, Ageing and Retirement in Europe
Notice bibliographique
Résumé
Abstract The COVID-19 pandemic caused a significant burden in Europe, with over 60% of infected individuals developing Long COVID symptoms. Variations in Long COVID prevalence across countries are linked to individual-level factors, but the influence of population-based country-level characteristics remains unclear. Thus, our objective was to assess how country-level characteristics related to: (i) the way European countries responded to the COVID-19 pandemic, (ii) their population-level health status, (iii) provision and access to healthcare services, (iv) human development, governance, and environmental risk factors, are associated with Long COVID. We used a sample of 4,004 middle-aged and older adults from 27 European countries who, in summer 2021, participated in Corona Survey 2 (from Survey of Health, Ageing and Retirement in Europe) and who reported COVID-19 infection one year prior to the survey. To assess the potential role of country-level characteristics, while controlling for key individual-level factors, we estimated three sequential multilevel random intercept logistic regression models. Approximately 70% of respondents who had COVID-19 also experienced Long COVID symptoms and there were significant cross-country differences in Long COVID rates, ranging from 32% to 89%. About 13% of the total variance in the risk of having Long COVID can be attributed to cross-country differences and the remaining 87% to individual-level factors. The individual-level characteristics also accounted for 6% of the observed cross-country differences in Long COVID rates (compositional effects) while the country-level characteristics further reduced this variance by over 50%. Both individual and country-level factors influence Long COVID occurrence, emphasizing the need for tailored recovery plans, healthcare planning and resource allocation at the national level to address this condition.
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 | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| 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 | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».