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 distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».