Individuals’ perceptions of Long Covid: a phenomenological approach to an online health community narratives
Notice bibliographique
Résumé
BACKGROUND: In 2023, it was estimated that at least 65 million individuals had Long Covid (LC). Yet the literature reveals a lack of knowledge on how individuals perceive and experience LC symptoms. This study aims to explore how individuals with Long Covid describe their symptoms across physical, cognitive, emotional, social, and behavioural dimensions, and to analyse these experiences through the lens of the Symptom Management Theory (SMT) using a phenomenological and netnographic approach to spontaneous patient narratives. METHODS: A netnographic study was conducted on 63 selected participants in France from 19 April 2020 to 31 December 2022. Narratives were first analysed phenomenologically using TROPES software. Verbatims were then coded through content analysis with NVivo12Pro and organised according to the SMT dimensions of symptom experience. RESULTS: The study revealed that the testimonies of Long Covid patients are characterized by an argumentative, personal, and chronological discourse, highlighting the intensity of persistent symptoms and their significant impact on daily life. The most frequent symptoms identified include bodily pain, respiratory issues, chronic fatigue, as well as sensory and cognitive disturbances, along with significant emotional and social challenges. CONCLUSIONS: Our study demonstrates the profound and multidimensional impact of Long Covid on patients’ daily lives, highlighting the need for a holistic, integrated approach to its management, considering affective, cognitive, behavioural, physical, and social dimensions to improve patients’ quality of life. PRACTICAL IMPLICATIONS: Understanding the lived experiences of LC patients can guide healthcare services in providing more targeted, empathetic, and effective support.
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 | 0,009 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,009 | 0,010 |
| Communication savante | 0,006 | 0,007 |
| Science ouverte | 0,002 | 0,010 |
| Intégrité de la recherche | 0,002 | 0,003 |
| 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 ».