《Nature Communications》：Latent transition analysis for longitudinal studies of post-acute infection syndromes
编辑推荐：
本研究针对急性感染后综合征（PAIS）临床表型复杂、缺乏明确定义的难题，开发了基于潜在转变分析（LTA）的纵向研究框架。通过分析ORCHESTRA多中心队列5094例SARS-CoV-2感染者的随访数据，揭示了不同PCC表型及其随年龄性别的动态演变规律，为个体化诊疗和PAIS机制研究提供新范式。
当新冠病毒（SARS-CoV-2）在全球蔓延后，医学界注意到一个值得关注的现象：部分感染者在急性期症状消失后，仍长期被疲劳、呼吸困难和认知障碍等问题困扰。这种被称为急性感染后综合征（PAIS）的临床表现，在新冠长期症状（PCC）中表现得尤为突出。由于PAIS涉及多系统症状且缺乏明确的生物学标志物，临床研究者面临两大挑战：一是如何从复杂的多维度数据中识别稳定的疾病表型，二是如何动态追踪患者在不同表型间的转化轨迹。
为破解这一难题，研究团队在《Nature Communications》发表了一项创新性研究，首次将潜在转变分析（LTA）这一统计学习方法系统应用于PAIS纵向研究。该方法无需预先设定临床分类标准，通过分析ORCHESTRA多中心队列的5094名欧洲感染者数据（采集时间点包括感染初期及6、12、18、24个月后），成功识别出具有显著临床差异的PCC表型，并揭示年龄与性别如何调控表型转化路径。这项研究为理解PAIS的动态演进规律提供了新视角。
关键技术方法包括：潜在转变分析（LTA）用于建模疾病表型演变；多状态马尔可夫过程追踪个体级表型转换；协变量调整模型分析人口学因素（年龄/性别）对转换概率的影响。数据来源于ORCHESTRA多中心前瞻性队列，包含标准化随访评估量表。
研究结果
PCC表型识别
通过潜在类别分析发现3个稳定表型：以呼吸系统症状为主型、多系统受累型及轻微症状型。各表型在疲劳程度（FACIT-Fatigue量表差异达15.3分，p<0.001）和认知功能（MoCA评分差异p=0.002）方面具有显著区分度。
表型转换规律
LTA模型显示6-12个月随访期间表型稳定性最高（转换概率<0.2），但18个月后多系统受累型向呼吸系统症状型转化概率增至0.34（95%CI: 0.28-0.41）。
协变量影响机制
女性患者初始更易呈现多系统受累型（OR=1.72，95%CI: 1.31-2.26），且年龄每增加10岁，向轻微症状型转化概率降低19%（β=-0.21，p=0.007）。
结论与讨论
本研究构建的LTA框架突破了传统横断面研究的局限，首次实现PAIS表型演变的量化追踪。发现表型转换存在关键时间窗口（感染后12-18个月），且人口学因素显著影响转换路径，这为精准医疗提供了三重启示：一是可根据早期表型特征预测长期轨迹，二是需针对不同人群制定差异化监测方案，三是为PAIS临床试验的终点选择提供了理论依据。该方法可扩展至EB病毒、莱姆病等其他感染后综合征研究，有望加速靶向治疗策略开发。
