MétaCan
Menu
Retour à la cohorte
Enregistrement W4413128232 · doi:10.1186/s12982-025-00822-0

Experiences of pacing to reduce symptoms among adults living with Long COVID in Canada, Ireland, the United Kingdom and the United States

2025· article· en· W4413128232 sur OpenAlexafffundabout
Kiera McDuff, Darren A. Brown, Natalie St. Clair‐Sullivan, Soo Chan Carusone, Kristine M. Erlandson, Lisa Avery, Ciarán Bannan, Colm Bergin, Angela M. Cheung, Susie Goulding, Richard Harding, Mary Kelly, Jessica Martin, Lisa McCorkell, Sarah O’Connell, Imelda O’Donovan, Margaret O’Hara, Niamh Roche, Ruth Stokes, C S Thomson, Liam Townsend, Jaime H. Vera, Hannah Wei, Patricia Solomon, Kelly K. O’Brien

Notice bibliographique

RevueDiscover Public Health · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueLong-Term Effects of COVID-19
Établissements canadiensTD Bank GroupToronto Rehabilitation InstituteCanadian Patient Safety InstituteUniversity of TorontoUniversity Health NetworkPrincess Margaret Cancer CentrePublic Health OntarioMcMaster University
Organismes subventionnairesCanadian Institutes of Health ResearchPittsburgh Liver Research Center, University of Pittsburgh
Mots-clésCoronavirus disease 2019 (COVID-19)2019-20 coronavirus outbreakSevere acute respiratory syndrome coronavirus 2 (SARS-CoV-2)KingdomGerontologyMedicineDemographyVirologySociologyOutbreakDiseaseInternal medicine

Résumé

récupéré en direct d'OpenAlex

Long COVID is a multisystem condition that negatively impacts daily function. Pacing is a self-management strategy to mitigate symptoms. Our aim was to describe experiences of pacing from the perspectives of adults living with Long COVID. We conducted a community-engaged qualitative descriptive study involving one-on-one online interviews with adults living with Long COVID from Canada, Ireland, United Kingdom, and United States to explore experiences of disability. We asked participants about strategies they used to deal with health challenges living with Long COVID. Interviews were audio recorded and transcribed verbatim. We analyzed data using group-based content analytical techniques. Among the 40 participants living with Long COVID, the majority were women ( n = 25; 63%), white ( n = 29;73%) and heterosexual ( n = 30;75%). The median age of participants was 39 years (25th, 75th percentile: 32, 49). Most participants ( n = 37;93%) used pacing to mitigate or prevent symptoms. Participants described experiences of pacing across five main areas: (1) using pacing as a living strategy (pacing to mitigate multidimensional health challenges; applying pacing to many types of activities; process of pacing experienced as a moving target; pacing experienced as a helpful strategy, but not a cure for Long COVID); (2) learning how to pace (acquiring knowledge about pacing; developing strategies and skills to support pacing); (3) encountering challenges with pacing (learning how to pace; experiencing inequitable access to pacing; experiencing stigma and judgement; undergoing psychological and emotional adjustment from beliefs of ‘fighting’ or ‘pushing through’ to balancing rest with activity; making sacrifices; and encountering unexpected obstacles); (4) experiencing consequences of not pacing; and (5) conceptualising and describing pacing using analogies or metaphors. Pacing is a challenging and complex strategy used to mitigate symptoms of Long COVID. Healthcare providers should work collaboratively with patients to further refine and implement this strategy, when appropriate.

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)0,002
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 enseignants0,147
Score d'incertitude au seuil0,997

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,002
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 Opus0,013
Tête enseignante GPT0,294
Écart entre enseignants0,281 · 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

Citations1
Publié2025
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueDiscover Public HealthMême sujetLong-Term Effects of COVID-19Travaux en français237 207