I sintomi del Long COVID Mostrano Traiettorie Distinte in Sottogruppi Diversi—Paxlovid Non Aiuta Nessuno

Il Long COVID colpisce una stima del 3,6–8,4% degli adulti statunitensi e rappresenta una sfida significativa e persistente per la salute pubblica. Le sue manifestazioni caratteristiche—affaticamento, nebbia cognitiva, dispnea e sintomi multisistemici—variano enormemente tra gli individui, complicando sia la diagnosi che lo sviluppo di trattamenti. Un ostacolo fondamentale è l'assenza di strumenti di esito riferito dal paziente (PRO) validati specificamente per il Long COVID; gli strumenti esistenti sono stati adattati da altre malattie croniche e potrebbero non essere sufficientemente sensibili alle peculiari fluttuazioni sintomatologiche del Long COVID.

Il trial STOP-PASC ha randomizzato 155 pazienti con Long COVID in rapporto 2:1 a un ciclo di 15 giorni di nirmatrelvir/ritonavir (Paxlovid) o placebo/ritonavir, con valutazioni PRO seriali nell'arco di 15 settimane. La motivazione principale era verificare se la persistenza virale residua sia alla base del Long COVID. Il trial nel suo complesso non ha evidenziato alcun effetto del trattamento. Questa analisi esplorativa ha applicato la modellazione delle traiettorie a classi latenti (LCTM) a molteplici misure PRO—Patient Global Impression of Severity (PGIS), Patient Global Impression of Change (PGIC), domini PROMIS (funzione fisica, affaticamento, dispnea, funzione cognitiva) e gravità dei sintomi principali—per identificare sottogruppi nascosti e le loro caratteristiche cliniche distintive.

La LCTM ha rivelato un'eterogeneità significativa. Per il PGIS sono emersi due gruppi: un piccolo gruppo in miglioramento (n=17) e un ampio gruppo persistente/grave (n=136). Il gruppo in miglioramento presentava un tempo medio dall'infezione notevolmente più breve (373 vs. 555 giorni, ASD=0,78) e una migliore funzione fisica al basale (ripetizioni del test sit-to-stand: 26,9 vs. 19,5, ASD=0,58). Il gruppo grave aveva una proporzione più elevata di donne (61% vs. 47%), una maggiore prevalenza di sintomi cardiovascolari come disturbo principale e un uso più frequente di naltrexone a basso dosaggio. Per il PGIC sono emersi due gruppi: un gruppo in miglioramento (n=130) e un gruppo in peggioramento (n=22); il gruppo in peggioramento presentava proporzioni più elevate di partecipanti trattati con Paxlovid e una maggiore prevalenza di sintomi cardiovascolari. La modellazione della funzione fisica PROMIS ha prodotto quattro gruppi di traiettorie (miglioramento, normale/lieve, moderato, grave), mentre la modellazione del sintomo principale dell'affaticamento ne ha identificati tre (miglioramento, moderato, grave). In modo significativo, nessun sottogruppo ha mostrato un chiaro beneficio terapeutico da nirmatrelvir/ritonavir.

Questi risultati hanno implicazioni importanti per la ricerca e la gestione clinica del Long COVID. L'identificazione di un sottogruppo caratterizzato da una durata di malattia più breve e da una migliore funzione fisica al basale che ha mostrato miglioramento suggerisce che un intervento precoce—o la variazione del decorso naturale della malattia—possa essere un fattore determinante degli esiti. Il raggruppamento di sintomi cardiovascolari e uso di naltrexone a basso dosaggio nei gruppi più gravi e in peggioramento indica fenotipi specifici che potrebbero richiedere strategie terapeutiche distinte. Il risultato nullo costante per Paxlovid in tutti i sottogruppi rafforza ulteriormente l'ipotesi che la persistenza virale non sia il principale fattore determinante per la maggior parte dei pazienti con Long COVID.

Alcune riserve attenuano le conclusioni. Si trattava di un'analisi esplorativa monocentrica su un campione ridotto (n=155), con conseguente limitazione della potenza statistica e della generalizzabilità. Il sottogruppo PGIS in miglioramento era molto piccolo (n=17), rendendo incerta la sua caratterizzazione. Nessuno strumento PRO utilizzato era stato validato specificamente per il Long COVID, il che potrebbe ridurne la sensibilità ai cambiamenti clinicamente significativi. La LCTM presuppone inoltre che i dati mancanti lo siano in modo casuale (missing at random), ipotesi che potrebbe non valere per tutti i casi di abbandono dello studio.