康奈尔大学 | 研究确定了长 COVID 的四种主要亚型

这项研究于 12 月 1 日发表在《自然医学》杂志上，是同类研究中规模最大的一项检查长 COVID 的研究。代表临床医生和信息学家的研究人员使用机器学习算法在近 35,000 名美国患者的健康记录中发现症状模式，这些患者的 SARS-CoV-2 感染检测呈阳性，后来出现挥之不去的长期 COVID 型症状。

这项研究由美国国立卫生研究院研究 COVID 以促进恢复 (RECOVER) 计划资助，是为期一年的 980 万美元赠款的一部分，该赠款重点关注电子健康记录队列研究，该研究由首席研究员 Rainu Kaushal 博士牵头，他是高级副院长 Weill Cornell Medicine 临床研究和人口健康科学系主任。

“RECOVER 旨在快速阐明长期 COVID 中发生的事情，”该研究的共同资深作者 Kaushal 说。 “研究病例聚集如何对患者的预后和护理产生深远影响。”

在检测到的四种主要模式中，一种以心脏和肾脏问题为特征，并且包括在美国大流行的头几个月中相对较高比例的患者。另一种模式包括呼吸系统问题、焦虑、睡眠障碍和其他症状，包括头痛和胸痛; 具有这种模式的患者中近三分之二是女性。

“这些结果应该为正在进行的关于长 COVID 的潜在机制及其潜在治疗方法的研究提供信息。”领导这项研究的人口健康科学副教授 Fei Wang 博士说。

病毒感染有时会给患者留下各种挥之不去的、通常是非特异性的症状。对于 SARS-CoV-2，这些感染后综合症通常被称为“长 COVID”，更正式的说法是“急性 SARS-CoV-2 后感染”(PASC)。它们看起来很常见；据估计，长期感染 COVID 的美国人占美国成年人口的 40%。

“了解长期 COVID 的流行病学可以让临床医生帮助患者了解他们的症状和预后，并促进对患者的多专业治疗，”Kaushal 说。

他也是 Nanette Laitman 人口健康科学杰出教授和人口健康科学主任医师在纽约长老会/威尔康奈尔医学中心。 “电子健康记录为了解这种情况提供了一个窗口，使我们能够更好地描述长期的 COVID 症状，为其他类型的研究提供信息，包括基础发现和临床试验。”

为该研究分析的健康记录来自国家以患者为中心的临床研究网络 (PCORnet) 收集的两个大型数据集，该网络由来自全国各地的八个医疗机构联盟组成。一个数据集来自 Kaushal 领导的 INSIGHT 临床研究网络，包括来自纽约患者的数据，而另一个数据集来自 OneFlorida+ 网络，其中包括来自佛罗里达州、佐治亚州和阿拉巴马州的患者。总而言之，该分析涵盖了 2020 年 3 月至 2021 年 11 月期间 34,605 名不同患者的健康记录——直至但不包括第一波 omicron 浪潮。

最初分析纽约患者数据集时，机器学习算法检测到四种主要症状模式。第一种，约占患者的 34%，以心脏、肾脏和循环相关症状为主。该组患者与其他组患者相比，平均年龄较大（中位年龄 65 岁），更可能是男性（49%），COVID 住院率相对较高（61%），并且有相对较多的预现有条件。在 2020 年 3 月至 2020 年 6 月的美国第一波大浪潮中，这一组患者中感染 SARS-CoV-2 的比例也最高 (37%)。

第二种症状模式（占患者的 33%）与第一种症状模式相当，主要是呼吸和睡眠问题、焦虑、头痛和胸痛。具有这种模式的患者大多是女性 (63%)，中位年龄为 51 岁，COVID 住院率 (31%) 要低得多。在 2020 年 11 月至 2021 年 11 月的后续波次中，该组中近三分之二的患者检测出 SARS-CoV-2 呈阳性。该组中的既往病症主要集中在慢性阻塞性肺病和哮喘等呼吸系统问题上。

另外两种症状模式分别以肌肉骨骼和神经系统症状为主，包括关节炎（23% 的患者），以及消化和呼吸系统症状的组合（10%）。

只有在第一个症状模式中，性别比例大约为 1 比 1；在另外三个中，女性患者占绝大多数（超过 60%）。

“这种长期 COVID 风险的性别差异与之前的研究一致，但到目前为止，很少有研究甚至试图揭示其背后的机制。”Wang 说。

为了验证他们的发现，研究人员将他们的算法应用于涵盖南部三个州患者的数据集，并发现了非常相似的结果。该分析还表明，对于 SARS-CoV-2 检测呈阴性的患者，在检测后相同的 30 至 180 天时间间隔内出现的症状没有如此明显的模式，从而支持了长期 COVID 的总体有效性。

研究人员目前正在进行多方面的后续研究，包括定义长期 COVID 症状模式，以便从电子健康记录中轻松识别它们，识别不同症状模式的风险因素，以及识别现有的治疗方法可以重新用于帮助长期 COVID 患者。