Effect of Preinfection Health Status on COVID‐19 Severity and Cognitive Function
Notice bibliographique
Résumé
BACKGROUND: This observational cohort study investigates how infection health factors influence COVID-19 severity and cognitive outcomes. We collected preinfection data from hospitalized COVID-19 patients, including demographic information and baseline health conditions prior to diagnosis, and examined their associations with hospitalization duration and cognitive function assessed after infection. METHODS: Data were obtained from Hui Ya Hospital, The First Affiliated Hospital, Sun Yat-sen University, China. The study included confirmed COVID-19 patients requiring hospitalization. Among the 147 collected cases, two were excluded due to missing data, leaving a final sample of 145 patients. The Montreal Cognitive Assessment (MoCA), which evaluates global cognitive function with a total score of 0-30, was used to assess cognitive function, while hospitalization duration and routine clinical examinations were analyzed as indicators of disease severity. Additionally, the SF-12v2 score reflecting Health-Related Quality of Life was used to evaluate patients' overall health status. Statistical analyses were conducted to identify preinfection factors associated with COVID-19 outcomes. RESULTS: Preinfection baseline health status was significantly correlated with both hospitalization duration (p < 0.0001, 95% CI [-0.47, -0.16]) and MoCA scores (p = 0.0001, 95% CI [0.15, 0.46]). Patients with better preinfection health conditions experienced shorter hospital stays and demonstrated better cognitive function postinfection. CONCLUSION: Our findings indicate that preinfection baseline health conditions play a crucial role in determining both the severity of COVID-19 and postinfection cognitive function. Specifically, impairments were more pronounced in the visuospatial, naming, attention, calculation, language, and memory domains. Additionally, our results suggest a potential link between COVID-19 outcomes and patients' preexisting underlying diseases.
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 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 ».