Metabolic Hyperconnectivity in Underrepresented Individuals with long‐COVID
Notice bibliographique
Résumé
Abstract Background Long‐COVID is characterized by persistent symptoms post‐infection with SARS‐CoV‐2. This condition includes neurological manifestations and has been proposed as a potential risk factor for the development of dementia. Individuals presenting with dementia due to Alzheimer's disease have dysfunctional brain metabolism, including metabolic brain network (MBN) hypoconnectivity. However, whether long‐COVID alters brain metabolic architecture remains elusive. Here, we aimed to evaluate the brain metabolic connectivity in a Brazilian cohort of individuals presenting with long‐COVID. Method [18F]FDG‐PET images were acquired from 52 community‐dwelling Brazilians above 50 year old. Standardized uptake value ratio (SUVr) parametric maps were processed to a common 8 mm FWHM and generated using the pons as the reference region (Figure 1). We extracted the mean values of regions of interest using the ICBM152 atlas. [18F]FDG‐PET MBNs were constructed using a novel multiple sampling scheme, which assembles a stable group representative MBN based on bootstrap (n = 2000). Adaptive Synthetic Sampling Approach for Imbalance (ADASYN) was used to account for group imbalance and generated the ADA‐MBNs. Graph measures, including density, global efficiency, average degree, and assortativity coefficient were computed. Data were corrected for multiple comparisons using the False Discovery Rate (FDR) method (p<0.05). Result 41 individuals with long‐COVID and 11 healthy controls (HC) were included (Table 1). We observed that long‐COVID individuals present PET hyperconnectivity in both MBN and ADA‐MBN. (Figure 2a‐b). The long‐COVID group presented increased density, global efficiency and average degree whereas assortativity coefficient were reduced in both MBN and ADA‐MBN. Conclusion Our findings showed that individuals with long‐COVID presented a brain metabolic hyperconnectivity, which is supported by increased density and average degree and may indicate a potential compensatory mechanism within the brain. In addition, the increase in global efficiency indicates that the brain of long‐COVID individuals exchanges metabolic information more efficiently, but the decreased assortativity coefficient suggests vertices with different properties connect to each other. Further longitudinal studies should follow these individuals for assessing microstructural and cognitive changes.
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 | 0,000 | 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».