EXPLORANDO OS EFEITOS NEUROLÓGICOS PÓS COVID-19: UMA REVISÃO NARRATIVA DA LITERATURA
Bibliographic record
Abstract
Introdução: A pandemia de COVID-19, iniciada em dezembro de 2019, desencadeou desafios significativos, incluindo o reconhecimento e tratamento das suas sequelas neurológicas. Estudos indicam uma associação entre o vírus SARS-CoV-2 e sintomas neurológicos graves, como anosmia, cefaléia e alterações do estado mental. Objetivo: Este estudo propõe uma análise abrangente das sequelas neurológicas, visando melhorar o entendimento e o manejo clínico dessas complicações. Desenvolvimento: A anosmia, a perda do olfato, é um sintoma comum do COVID-19, afetando cerca de 44,1% dos pacientes. Embora geralmente temporária, sua incidência varia globalmente, sendo menor na Ásia Oriental. Na COVID-19, a anosmia pode surgir devido a obstrução mecânica ou lesões nos neurônios sensoriais. Estudos indicam que a maioria dos pacientes se recupera em 1-3 semanas, mas alguns podem enfrentar perda prolongada. Parosmia e fantosmia, distorções olfativas, afetam até 56% dos pacientes, impactando a qualidade de vida. O tratamento inclui terapia de treinamento olfativo e irrigação nasal. A COVID prolongada pode causar comprometimento cognitivo, afetando a concentração e agravando condições neurodegenerativas como Alzheimer e Parkinson. A idade avançada e as comorbidades aumentam o risco. A COVID também está associada à cefaléia, especialmente em mulheres, e à encefalopatia, levando a alterações mentais. O vírus pode aumentar a coagulação sanguínea, aumentando o risco de AVC isquêmico ou hemorrágico. O tratamento envolve terapia anticoagulante e prevenção de fatores de risco. Conclusão: A pandemia de COVID-19 apresenta desafios neurológicos, como a anosmia e o comprometimento neurocognitivo. Pacientes com doenças neurodegenerativas enfrentam riscos aumentados. Estratégias preventivas, como vacinação e controle da hipercoagulabilidade, são cruciais para mitigar o impacto neurológico da doença e alcançar melhores resultados para os pacientes.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.012 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.005 | 0.005 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.003 | 0.004 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.004 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".