Long COVID Prevalence and Risk Factors: A Systematic Review and Meta-Analysis of Prospective Cohort Studies
Notice bibliographique
Résumé
Background: Long COVID, or post-acute sequelae of SARS-CoV-2 infection (PASC), affects millions globally, with persistent symptoms impacting quality of life. This meta-analysis synthesizes prospective cohort studies to estimate the prevalence of Long COVID symptoms and identify risk factors. Methods: We systematically searched PubMed for prospective cohort studies (2020–2025) on Long COVID, focusing on prevalence and risk factors. Studies with ≥100 participants and follow-up ≥3 months were included. Data were extracted on symptom prevalence (e.g., fatigue, dyspnoea) and risk factors (e.g., sex, hospitalization). Random-effects models were used to pool prevalence and odds ratios (OR). Risk of bias was assessed using the Newcastle–Ottawa Scale (NOS). Results: Fourteen prospective studies (n = 168,679) were included. Pooled prevalence of Long COVID was 18.0% (95% CI: 12.5–23.5%, I2 = 9.8%) among survivors followed for ≥6 months. Fatigue (41.0%, 95% CI: 33.2–49.4%) and dyspnoea (22.5%, 95% CI: 15.6–29.8%) were the most common symptoms. Female sex (OR = 1.52, 95% CI: 1.25–1.92) and prior hospitalization (OR = 2.35, 95% CI: 1.98–2.90) were significant risk factors. High heterogeneity (I2 > 90%) was noted. Conclusions: Long COVID affects over one-fifth of SARS-CoV-2 survivors, with fatigue and dyspnoea persisting in many. Female sex and severe acute infection increase risk. Standardized definitions and longer follow-up are needed.
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 | 0,021 | 0,046 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,017 | 0,039 |
| Bibliométrie | 0,008 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».