Latente transitianalyse voor longitudinale onderzoeken naar post-acute infectiesyndromen

Waarom langdurige infecties ertoe doen

Veel mensen herstellen van een infectie om maanden later nog steeds niet volledig beter te zijn. Dit artikel pakt dat raadsel aan voor de post-COVID-toestand, vaak Long COVID genoemd, en voor soortgelijke aandoeningen die na infecties aanhouden. Door duizenden patiënten twee jaar te volgen en een krachtige methode voor patroonherkenning te gebruiken, laten de onderzoekers zien hoe verschillende langetermijngezondheidspaden ontstaan, wie het grootste risico loopt op aanhoudende klachten en hoe artsen mogelijk ooit het hersteltraject van een individu kunnen voorspellen.

Patiënten volgen in de tijd

De studie richt zich op post-acute infectiesyndromen, waarbij symptomen aanhouden lang nadat de initiële ziekte voorbij is. Een belangrijk voorbeeld is Long COVID, dat mogelijk meer dan 65 miljoen mensen wereldwijd treft. Om deze aandoeningen te begrijpen, gebruikte het team gegevens uit het ORCHESTRA-project, een grote Europese studie die meer dan 5000 mensen met bevestigd COVID-19 tot 24 maanden volgde. Bij de infectie en opnieuw na 6, 12, 18 en 24 maanden rapporteerden deelnemers negen veelvoorkomende symptomen zoals vermoeidheid, ademhalingsproblemen, geur- of smaakverlies en geheugenproblemen. Ze vulden ook vragenlijsten in over kwaliteit van leven die vastlegden hoe goed ze dagelijkse activiteiten konden uitvoeren en hoe ze zich mentaal en lichamelijk voelden.

Verborgen gezondheidspatronen vinden

In plaats van patiënten in vooraf gedefinieerde groepen in te delen, gebruikten de auteurs een techniek genaamd Latente Transitianalyse, een vorm van verborgen-toestandmodellering. Deze benadering gaat ervan uit dat elke persoon bij elk bezoek in een onzichtbare "gezondheidstoestand" verkeert en dat die toestand bepaalt welke symptomen ze melden en hoe goed of slecht hun leven aanvoelt. Het model kijkt over alle patiënten en tijdstippen heen om te ontdekken welke toestanden de data het beste verklaren en hoe mensen daar in de loop van de tijd tussen bewegen. Belangrijk is dat het gemengde soorten metingen aankan (ja/nee-symptomen plus numerieke scores), ontbrekende bezoeken en veel patiëntkenmerken zoals leeftijd, geslacht en behandeling, zonder sterke aannames in te bouwen over hoe Long COVID eruit zou moeten zien.

Zeven verschillende langetermijnpaden

Het model dat het beste bij de data paste bevatte zeven gezondheidstoestanden. Twee leken alleen tijdens de acute infectie voor te komen en weerspiegelden verschillende niveaus van de acute ziekte. Vijf andere beschrijven langetermijnuitkomsten. Aan de ene kant stond een Gezonde toestand, gekenmerkt door zeer kleine kansen op symptomen en bovengemiddelde kwaliteit van leven. Aan de andere kant bevond zich een Ernstige Symptoomtoestand, waarin de meeste symptomen frequent waren en het dagelijks leven duidelijk beperkt was. Daartussen lagen drie hoofdpatronen van Long COVID: een Respiratoir-toestand met meer ademhalingsproblemen en verminderde uithoudingsvermogen; een Vermoeidheidstoestand waar vermoeidheid zeer vaak voorkwam en vaak gepaard ging met andere symptomen; en een Sensorische toestand met aanhoudend verlies van geur en smaak maar relatief behouden stemming en mentaal welzijn. In de loop van de tijd verhuisden meer mensen naar de Gezonde toestand, maar een substantieel minderheid bleef zelfs na twee jaar in één van de Long COVID-toestanden.

Wie herstelt en wie onherstelbaar ziek blijft

Door leeftijd, geslacht en andere kenmerken compact in het model op te nemen, konden de onderzoekers zien hoe deze factoren mensen naar herstel of duurzame ziekte duwden. Vrouwelijk geslacht, middelbare of hogere leeftijd, of het hebben van chronische luchtwegaandoeningen of behandeling met corticosteroïden tijdens de acute fase waren geassocieerd met een grotere kans om in vermoeidheids- of respiratoire Long COVID-toestanden te blijven en een lagere kans om volledig te herstellen. Daarentegen waren infecties uit latere pandemiegolven verbonden met betere langetermijnuitkomsten. De studie toonde ook aan dat zodra iemand een Long COVID-toestand binnentrad—vooral de respiratoire of vermoeidheidstypes—ze de neiging hadden daar bij volgende bezoeken te blijven, met relatief weinig overstappen tussen verschillende aanhoudende-symptoomtoestanden.

Gepersonaliseerde voorspellingen op basis van doorlopende data

Hetzelfde kader kan niet alleen een populatie beschrijven, maar ook voorspellingen voor individuen doen. Beginnend met de kenmerken van een patiënt en hun vroegste symptomen, voorspelt het model hun meest waarschijnlijke toekomstige toestand en symptoompatroon. Naarmate nieuwe informatie bij latere bezoeken binnenkomt, werkt het die voorspellingen bij zonder van nul af aan herbouwd te hoeven worden. In tests vingen deze voorspellingen zowel veelvoorkomende symptomen als kwaliteit-van-levenscores redelijk goed en verbeterden ze naarmate meer vervolgdata werden toegevoegd. Dit suggereert dat vergelijkbare hulpmiddelen op een dag clinici kunnen helpen bij het monitoren van risicopatiënten, het inschatten hoe lang herstel kan duren en het identificeren van degenen die het meest zouden profiteren van gerichte ondersteuning of nieuwe behandelingen.

Wat dit betekent voor patiënten en toekomstige uitbraken

In gewone bewoordingen laat de studie zien dat langetermijnproblemen na COVID-19 geen uniforme aandoening zijn, maar een set terugkerende patronen die kunnen worden gedetecteerd, gevolgd en deels voorspeld. De meeste mensen herstellen uiteindelijk, maar sommigen—vooral oudere vrouwen en mensen met eerder bestaande longziekten—lopen een hoger risico op aanhoudende vermoeidheid of ademhalingsproblemen die jaren kunnen duren. Door deze onzichtbare gezondheidstoestanden en de typische paden daartussen bloot te leggen, biedt de nieuwe methode een manier om complexe, rommelige patiëntgegevens om te zetten in heldere, bruikbare inzichten. Omdat de aanpak niet steunt op voorkennis over een ziekte, kan ze hergebruikt worden voor toekomstige uitbraken en voor andere infecties die een lange schaduw achterlaten, waardoor zorgsystemen zich beter kunnen voorbereiden, monitoren en zorgen voor degenen die niet snel herstellen.

Bronvermelding: Gusinow, R., Górska, A., Canziani, L.M. et al. Latent transition analysis for longitudinal studies of post-acute infection syndromes. Nat Commun 17, 2557 (2026). https://doi.org/10.1038/s41467-026-68650-7

Trefwoorden: long COVID, post-acute infectiesyndromen, patiënttrajecten, ziektefenotypen, longitudinale cohort