Long-COVID-Symptomverläufe zeigen unterschiedliche Untergruppen – Paxlovid hilft keiner davon

Long COVID betrifft schätzungsweise 3,6–8,4 % der US-amerikanischen Erwachsenen und stellt eine bedeutende, anhaltende Herausforderung für die öffentliche Gesundheit dar. Seine charakteristischen Merkmale – Fatigue, Brain Fog, Dyspnoe und Symptome mehrerer Organsysteme – variieren erheblich zwischen den Betroffenen, was sowohl die Diagnose als auch die Entwicklung von Behandlungen erschwert. Ein zentrales Hindernis ist das Fehlen von patientenberichteten Ergebnismaßen (PRO-Instrumenten), die spezifisch für Long COVID validiert wurden; bestehende Instrumente wurden aus anderen chronischen Erkrankungen adaptiert und könnten unzureichend sensitiv gegenüber den einzigartigen Symptomschwankungen bei Long COVID sein.

Die STOP-PASC-Studie randomisierte 155 Long-COVID-Patienten im Verhältnis 2:1 zu einer 15-tägigen Behandlung mit Nirmatrelvir/Ritonavir (Paxlovid) oder Placebo/Ritonavir, mit seriellen PRO-Erhebungen über 15 Wochen. Der primäre Ansatz war die Prüfung der Hypothese, ob eine residuale Viruspersistenz Long COVID antreibt. Die Gesamtstudie zeigte keinen Behandlungseffekt. Diese explorative Analyse wendete die Latent-Class-Trajektorienmodellierung (LCTM) auf mehrere PRO-Maße an – Patient Global Impression of Severity (PGIS), Patient Global Impression of Change (PGIC), PROMIS-Domänen (körperliche Funktion, Fatigue, Dyspnoe, kognitive Funktion) sowie die Kernsymptomschwere –, um verborgene Untergruppen und ihre unterscheidenden klinischen Merkmale aufzudecken.

Die LCTM offenbarte eine bedeutsame Heterogenität. Beim PGIS ergaben sich zwei Gruppen: eine kleine, sich verbessernde Gruppe (n=17) und eine große, persistierende/schwere Gruppe (n=136). Die sich verbessernde Gruppe wies eine deutlich kürzere mittlere Zeit seit der Infektion auf (373 vs. 555 Tage, ASD=0,78) sowie eine bessere körperliche Ausgangsfunktion (Sit-to-Stand-Wiederholungen: 26,9 vs. 19,5, ASD=0,58). Die schwere Gruppe hatte einen höheren Frauenanteil (61 % vs. 47 %), häufiger kardiovaskuläre Symptome als Hauptbeschwerde und einen stärkeren Einsatz von niedrig dosiertem Naltrexon. Beim PGIC ergaben sich ebenfalls zwei Gruppen: eine sich verbessernde (n=130) und eine sich verschlechternde (n=22); die sich verschlechternde Gruppe wies höhere Anteile von mit Paxlovid behandelten Teilnehmern sowie mehr kardiovaskuläre Symptome auf. Die PROMIS-Modellierung der körperlichen Funktion ergab vier Trajektoriengruppen (verbessernd, normal/leicht, moderat, schwer), während die Modellierung der Kernsymptome für Fatigue drei Gruppen identifizierte (verbessernd, moderat, schwer). Entscheidend ist, dass keine Untergruppe einen klaren Behandlungsvorteil durch Nirmatrelvir/Ritonavir zeigte.

Diese Befunde haben wichtige Implikationen für die Long-COVID-Forschung und -Versorgung. Die Identifikation einer Untergruppe mit kürzerer Krankheitsdauer und besserer Ausgangsfunktion, die Verbesserungen zeigte, legt nahe, dass eine frühere Intervention – oder natürliche Variation des Krankheitsverlaufs – ein wesentlicher Modifikator der Ergebnisse sein könnte. Die Häufung kardiovaskulärer Symptome und der Einsatz von niedrig dosiertem Naltrexon in den schwereren, sich verschlechternden Gruppen weist auf spezifische Phänotypen hin, die möglicherweise eigenständige therapeutische Strategien erfordern. Der konsistente Nullbefund für Paxlovid in allen Untergruppen spricht weiter gegen Viruspersistenz als primären Treiber für die meisten Long-COVID-Patienten.

Mehrere Vorbehalte relativieren die Schlussfolgerungen. Es handelte sich um eine explorative Analyse an einem einzigen Zentrum mit einer kleinen Stichprobe (n=155), was die statistische Aussagekraft und Generalisierbarkeit einschränkt. Die sich verbessernde PGIS-Untergruppe war sehr klein (n=17), was die Charakterisierung unsicher macht. Kein verwendetes PRO-Instrument wurde spezifisch für Long COVID validiert, was die Sensitivität gegenüber klinisch bedeutsamen Veränderungen verringern kann. Die LCTM setzt außerdem voraus, dass fehlende Daten zufällig fehlen, was für alle Studienabbrecher möglicherweise nicht zutrifft.