MétaCan
Menu
Retour à la cohorte
Enregistrement W4408169441 · doi:10.1186/s12916-025-03952-z

Psychiatric and neuropsychiatric sequelae of COVID-19 within 2 years: a multinational cohort study

2025· article· en· W4408169441 sur OpenAlexaff
Yi Chai, Ivan Chun Hang Lam, Kenneth K. C. Man, Joseph Hayes, Eric Yuk Fai Wan, Xue Li, Celine Sze Ling Chui, Wallis C. Y. Lau, Xiaoyu Lin, Can Yin, Min Fan, Esther W. Chan, Ian Chi Kei Wong, Hao Luo

Notice bibliographique

RevueBMC Medicine · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueLong-Term Effects of COVID-19
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesHealth and Medical Research FundNational Health and Medical Research CouncilMedical Research CouncilHong Kong GovernmentInnovation and Technology CommissionNational Institute for Health and Care ResearchUniversity College London Hospitals NHS Foundation TrustEuropean CommissionAmgenFood and Health BureauPfizerGlaxoSmithKlineUniversity Grants CommitteeUK Research and InnovationBristol-Myers SquibbWellcome Trust
Mots-clésMedicinePsychiatryCohortAnxietyPopulationCohort studyDepression (economics)PediatricsInternal medicineEnvironmental health

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: The long-term psychiatric and neuropsychiatric sequelae of COVID-19 across diverse populations remain not fully understood. This cohort study aims to investigate the short-, medium-, and long-term risks of psychiatric and neuropsychiatric disorders following COVID-19 infection in five countries. METHODS: This population-based multinational network study used electronic medical records from France, Italy, Germany, and the UK and claims data from the USA. The initial target and comparator cohorts were identified using an exact matching approach based on age and sex. Individuals diagnosed with COVID-19 or those with a positive SARS-CoV-2 screening test between December 1, 2019, and December 1, 2020, were included as targets. Up to ten comparators without COVID-19 for each target were selected using the propensity score matching approach. All individuals were followed from the index date until the end of continuous enrolment or the last healthcare encounter. Cox proportional hazard regression models were fitted to estimate the risk of incident diagnosis of depression, anxiety disorders, alcohol misuse or dependence, substance misuse or dependence, bipolar disorders, psychoses, personality disorders, self-harm and suicide, sleep disorders, dementia, and neurodevelopmental disorders within the first 6 months (short-term), 6 months to 1 year (medium-term), and 1 to 2 years (long-term) post-infection. RESULTS: A total of 303,251 individuals with COVID-19 and 22,108,925 individuals without COVID-19 from five countries were originally included. Within the first 6 months, individuals with COVID-19 had a significantly higher risk of any studied disorders in all databases, with Hazard Ratios (HRs) ranging from 1.14 (95% CI, 1.07-1.22) in Germany to 1.89 (1.64-2.17) in Italy. Increased risks were consistently observed for depression, anxiety disorders, and sleep disorders across almost all countries. During the medium- and long-term periods, higher risks were observed only for depression (medium-term: 1.29, 1.18-1.41; long-term: 1.36, 1.25-1.47), anxiety disorders (medium-term: 1.29, 1.20-1.38; long-term: 1.37, 1.29-1.47), and sleep disorders (medium-term: 1.10, 1.01-1.21; long-term: 1.14, 1.05-1.24) in France, and dementia (medium-term: 1.65, 1.28-2.10) in the UK. CONCLUSIONS: Our study suggests that increased risks of psychiatric and neuropsychiatric outcomes were consistently observed only within, and not after, the 6-month observation period across all databases, except for certain conditions in specific countries.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,007
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,013
Score d'incertitude au seuil0,857

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,007
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,017
Tête enseignante GPT0,345
Écart entre enseignants0,328 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations12
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBMC MedicineMême sujetLong-Term Effects of COVID-19Travaux en français237 207