MétaCan
Menu
← Retour à la cohorte
Enregistrement W7116875450 · doi:10.1002/alz70861_108935

SARS‐CoV‐2 symptoms are negatively associated with myelin content in older individuals: Results from the Canadian Longitudinal Study on Aging COVID‐19 Brain Health Study

2025· article· en· W7116875450 sur OpenAlexaffabout
Narlon C. Boa Sorte Silva, Ryan G Stein, Yi Gu, Chun Liang Hsu, Roger Tam, Marina Salluzzi, Cheryl R. McCreary, Walid A. Alkeridy, K W Lam, A. MacKay, Shannon Kolind, Benoît Cossette, L. Griffith, David B. Hogan, Jacqueline M. McMillan, P Raina, Eric E. Smith, Teresa Liu‐Ambrose

Notice bibliographique

RevueAlzheimer s & Dementia · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueLong-Term Effects of COVID-19
Établissements canadiensMcMaster UniversityUniversity of British ColumbiaUniversité de SherbrookeUniversity of CalgaryConcordia University
Organismes subventionnairesnon disponible
Mots-clésLongitudinal studyIncidence (geometry)MyelinAgeingCohort studyEpidemiologyBrain agingAging brain

Résumé

récupéré en direct d'OpenAlex

Abstract Background Severe acute respiratory syndrome coronavirus‐2 (SARS‐CoV‐2) is the causative agent of COVID‐19 and has infected >700 million persons worldwide. Individuals infected with SARS‐CoV‐2 are at risk for cognitive decline and at higher risk of dementia compared with those diagnosed with other respiratory tract infections. Data from animal models suggest that SARS‐CoV‐2 infection triggers an overaggressive neuroinflammatory response resulting in myelin loss. Whether SARS‐CoV‐2 is associated with myelin loss in older individuals remains unknown. Methods We investigated the impact of SARS‐CoV‐2 on myelin in older individuals from the Canadian Longitudinal Study on Aging COVID‐19 Brain Health Study who underwent brain MRIs. We included SARS‐CoV‐2 confirmed cases at baseline (2021‐2022) via positive serological testing or health care provider diagnosis. Non‐infected controls had negative serological testing and reported no COVID‐19 diagnosis. Myelin data were acquired via myelin water imaging using a 3D MRI gradient and spin echo sequence for T2 measurement. Myelin content was extracted from 16 regions‐of‐interest within the cerebral white matter. 3D T1‐weighted scans were acquired for registrations and to estimate intracranial volume. T2‐ and PD‐weighted scans were acquired for segmentation of white matter lesions. We performed cross‐sectional comparisons via analysis of covariance. Exploratory analyses were conducted to assess the association of SARS‐CoV‐2‐related symptom incidence and severity with myelin content by group. All models were adjusted for age, age 2 , sex, ethnicity, white matter lesion burden, intracranial volume, and study site. Results We included 352 community‐dwelling individuals (SARS‐CoV‐cases, n= 64; controls, n=288). Their mean [SD] age was 65.26 (8.35) years, and 50.3% were female. There were no differences between SARS‐CoV‐2 cases and controls on myelin content across all regions‐of‐interest. Cases showed greater incidence ( p <0.001) and severity ( p <0.001) of symptoms compared with controls (Figure 1). Exploratory analysis revealed significant interactions between symptom incidence and severity with group after correcting for multiple comparisons (Table 1, p corrected < 0.05). Post hoc analysis showed that symptom incidence and severity were inversely associated with myelin in SARS‐CoV‐2 cases but not in controls across multiple regions‐of‐interest (Figure 2). Conclusions Myelin loss may occur in older individuals who experienced greater incidence and severity of SARS‐CoV‐2 infection symptoms.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,130
Score d'incertitude au seuil0,262

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0020,000
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,093
Tête enseignante GPT0,371
Écart entre enseignants0,278 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAlzheimer s & Dementia→Même sujetLong-Term Effects of COVID-19→Travaux en français237 207→