Developing a general research framework for long COVID using causal modelling

doi:10.1038/s43856-026-01488-8

Developing a general research framework for long COVID using causal modelling

2026-03-13

0

OA

AI

G

Gladymar Pérez Chacón

Chansavath Phetsouphanh

DOI：10.1038/s43856-026-01488-8

原文链接

查看原文

摘要

En 中文

长新冠是一种与感染相关的慢性疾病，其演变过程不确定，导致病例定义存在模糊性，并引发了对其病理生理学的各种假说。尽管存在这种多样性，但因果模型可能为后急性期COVID-19机制提供统一的理解。本研究旨在检验动态贝叶斯网络能否促进对长新冠的推断。我们采用因果工程方法，开发了有向无环图，并将其定性参数化为贝叶斯网络，以理论中立的方式描绘长新冠的假说机制。基于文献和专家知识，我们创建了一个通用建模框架，总结了从轻度或重症COVID-19到呼吸症状和疲劳发展的生物通路，涵盖了四个关键时期（t1至t4）。我们使用定性参数化进行设计和验证，并针对四种情景测试该框架：A）t1时（急性感染开始时）的轻度COVID-19；B）t1时的重症急性COVID-19；C）t1时报告的症状（急性COVID-19疾病）；D）t1和t3时报告的症状（例如，急性感染后3至6个月），表明长新冠。本研究显示，在情景A中，进展为重症疾病并在急性COVID-19后1至2年内发展成持续性器官功能障碍的概率低于情景C。那些在t1和t3时报告症状的人，在急性感染期后发展成持续性器官功能障碍的概率最高。我们的发现为更好地理解长新冠综合征的进展奠定了基础。说明性模拟支持使用因果模型帮助解决长新冠研究中的诊断和预后问题。长新冠可在感染COVID-19后影响部分人群。它通常在感染后三个月内开始，并可持续至少两个月。长新冠患者可能在工作、日常任务和社会活动方面遇到困难。研究人员发现其研究困难，因为其病因并非直接可见。本研究使用图表展示专家关于长新冠可能原因及其症状与这些原因之间关系的看法。通过考察四个示例，它展示了当出现新信息时，解释如何变化。该方法帮助研究人员以“因果关系”的方式思考，这可以改善对长新冠的理解和沟通。它还可指导临床试验、公共卫生研究和实验。Pérez Chacón等人开发了一个因果建模框架，以指导长新冠的诊断和预后。该框架基于涉及专家知识、定性参数和统计模拟的建模情景，可以预测急性感染后与长新冠相关的进展至重症和持续性器官功能障碍。

Developing a general research framework for long COVID using causal modelling

摘要

AI总结

期刊

机构

引用论文