Cognitive Impairment in Post-COVID-19 Patients: A Prospective Neuropsychological Evaluation Study
Notice bibliographique
Résumé
Background: Cognitive impairments, often termed “brain fog,” have emerged as prevalent sequelae among individuals recovering from COVID-19. Despite increasing recognition, systematic neuropsychological evaluation data remain limited. Methods: A prospective observational study was conducted between February 2023 and December 2024 in a tertiary care neurorehabilitation center. One hundred twenty post-COVID-19 patients (mean age 44.6 ± 11.3 years; 58.3% male) presenting with cognitive complaints at least 3 months after recovery were recruited. Patients underwent evaluation using the Montreal Cognitive Assessment (MoCA), Trail Making Test A and B (TMT-A, TMT-B), and Digit Span Test. A control group of 60 age- and education-matched individuals without prior COVID-19 served as comparison. Statistical analysis included independent t-tests, chi-square tests, and multivariate logistic regression ( P < 0.05). Results: Cognitive impairment (MoCA score <26) was observed in 66.7% of post-COVID-19 participants compared to 15.0% of controls ( P < 0.001). Post-COVID patients showed significantly slower TMT-A (43.7 ± 12.9 vs 31.2 ± 9.6 sec; P < 0.001) and TMT-B times (95.8 ± 22.4 vs 76.5 ± 17.8 sec; P < 0.001). Working memory (Digit Span backward) was also impaired (mean score: 4.2 ± 0.9 vs 5.3 ± 0.8; P < 0.001). Severity of initial infection (hospitalized vs non-hospitalized) was associated with increased odds of impairment (OR: 2.87; 95% CI: 1.22–6.74; P = 0.015). Conclusion: Cognitive deficits are common in post-COVID-19 patients, particularly affecting attention, processing speed, and working memory. Structured cognitive screening and rehabilitation may be essential components of long-term COVID-19 care.
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 | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 ».