Diese Studie untersuchte Daten von 3850 Patienten aus einer iranischen COVID-Kohorte (Isfahan), um vorherzusagen, wer nach einer COVID-19-Erkrankung anhaltende Erschöpfung (Post-COVID-Fatigue) entwickelt. Dabei wurden verschiedene Computermodelle des maschinellen Lernens (u.a. Entscheidungsbäume, Random Forest) trainiert und verglichen. 37 Faktoren standen in Zusammenhang mit der Erschöpfung. Das beste Modell (Random Forest) erreichte eine Trefferquote von 85% und identifizierte als wichtigste Vorhersagefaktoren: Angstlevel, Körpergewicht (BMI), Depressionswerte, erhöhte Reizbarkeit nach COVID, Gedächtnisprobleme, eine Vorgeschichte von Fettleber, Kribbeln in Händen/Füßen und übermäßiges Schwitzen nach COVID. Die Autoren schlagen vor, dass solche Faktoren helfen könnten, Risikopatienten früh zu erkennen. Wichtig: Es geht hier um Erschöpfung nach COVID allgemein (Post-COVID-Fatigue), nicht spezifisch um die Diagnose ME/CFS – die Studie prüft auch keine Behandlung, sondern nur statistische Vorhersagemodelle. Die Ergebnisse basieren auf einer einzigen Kohorte und müssten in anderen Bevölkerungsgruppen und mit strengeren ME/CFS-Kriterien überprüft werden, bevor daraus verlässliche Schl
Datenquelle: Diese Zusammenfassung wurde automatisch aus der Originalveröffentlichung erstellt und kann Fehler enthalten. Maßgeblich ist allein die Originalstudie (DOI 10.1016/j.jiph.2026.103218).