There is growing concern about possible cognitive consequences of COVID-19, with reports of 'Long COVID' symptoms persisting into the chronic phase and case studies revealing neurological problems in severely affected patients. However, there is little information regarding the nature and broader prevalence of cognitive problems post-infection or across the full spread of disease severity.We sought to confirm whether there was an association between cross-sectional cognitive performance data from 81,337 participants who between January and December 2020 undertook a clinically validated web-optimized assessment as part of the Great British Intelligence Test, and questionnaire items capturing self-report of suspected and confirmed COVID-19 infection and respiratory symptoms.People who had recovered from COVID-19, including those no longer reporting symptoms, exhibited significant cognitive deficits versus controls when controlling for age, gender, education level, income, racial-ethnic group, pre-existing medical disorders, tiredness, depression and anxiety. The deficits were of substantial effect size for people who had been hospitalised (N = 192), but also for non-hospitalised cases who had biological confirmation of COVID-19 infection (N = 326). Analysing markers of premorbid intelligence did not support these differences being present prior to infection. Finer grained analysis of performance across sub-tests supported the hypothesis that COVID-19 has a multi-domain impact on human cognition.Interpretation. These results accord with reports of 'Long Covid' cognitive symptoms that persist into the early-chronic phase. They should act as a clarion call for further research with longitudinal and neuroimaging cohorts to plot recovery trajectories and identify the biological basis of cognitive deficits in SARS-COV-2 survivors.Funding. AH is supported by the UK Dementia Research Institute Care Research and Technology Centre and Biomedical Research Centre at Imperial College London. WT is supported by the EPSRC Centre for Doctoral Training in Neurotechnology. SRC is funded by a Wellcome Trust Clinical Fellowship 110,049/Z/15/Z. JMB is supported by Medical Research Council (MR/N013700/1). MAM, SCRW and PJH are, in part, supported by the National Institute for Health Research (NIHR) Biomedical Research Centre at South London and Maudsley NHS Foundation Trust and King's College London.

Abstract Case studies have revealed neurological problems in severely affected COVID-19 patients. However, there is little information regarding the nature and broader prevalence of cognitive problems post-infection or across the full spread of severity. We analysed cognitive test data from 84,285 Great British Intelligence Test participants who completed a questionnaire regarding suspected and biologically confirmed COVID-19 infection. People who had recovered, including those no longer reporting symptoms, exhibited significant cognitive deficits when controlling for age, gender, education level, income, racial-ethnic group and pre-existing medical disorders. They were of substantial effect size for people who had been hospitalised, but also for mild but biologically confirmed cases who reported no breathing difficulty. Finer grained analyses of performance support the hypothesis that COVID-19 has a multi-system impact on human cognition. Significance statement There is evidence that COVID-19 may cause long term health changes past acute symptoms, termed ‘long COVID’. Our analyses of detailed cognitive assessment and questionnaire data from tens thousands of datasets, collected in collaboration with BBC2 Horizon, align with the view that there are chronic cognitive consequences of having COVID-19. Individuals who recovered from suspected or confirmed COVID-19 perform worse on cognitive tests in multiple domains than would be expected given their detailed age and demographic profiles. This deficit scales with symptom severity and is evident amongst those without hospital treatment. These results should act as a clarion call for more detailed research investigating the basis of cognitive deficits in people who have survived SARS-COV-2 infection.

A bstract For most neuroimaging questions the huge range of possible analytic choices leads to the possibility that conclusions from any single analytic approach may be misleading. Examples of possible choices include the motion regression approach used and smoothing and threshold factors applied during the processing pipeline. Although it is possible to perform a multiverse analysis that evaluates all possible analytic choices, this can be computationally challenging and repeated sequential analyses on the same data can compromise inferential and predictive power. Here, we establish how active learning on a low-dimensional space that captures the inter-relationships between analysis approaches can be used to efficiently approximate the whole multiverse of analyses. This approach balances the benefits of a multiverse analysis without the accompanying cost to statistical power, computational power and the integrity of inferences. We illustrate this approach with a functional MRI dataset of functional connectivity across adolescence, demonstrating how a multiverse of graph theoretic and simple pre-processing steps can be efficiently navigated using active learning. Our study shows how this approach can identify the subset of analysis techniques (i.e., pipelines) which are best able to predict participants’ ages, as well as allowing the performance of different approaches to be quantified.

We developed two novel self-ordered switching (SOS) fMRI paradigms to investigate how human behaviour and underlying network resources are optimised when learning to perform complex tasks with multiple goals. SOS was performed with detailed feedback and minimal pretraining (study 1) or with minimal feedback and substantial pretraining (study 2). In study 1, multiple-demand (MD) system activation became less responsive to routine trial demands but more responsive to the executive switching events with practice. Default Mode Network (DMN) activation showed the opposite relationship. Concomitantly, reaction time learning curves correlated with increased connectivity between functional brain networks and subcortical regions. This 'fine-tuning' of network resources correlated with progressively more routine and lower complexity behavioural structure. Furthermore, overall task performance was superior for people who applied structured behavioural routines with low algorithmic complexity. These behavioural and network signatures of learning were less evident in study 2, where task structure was established prior to entering the scanner. Together, these studies demonstrate how detailed feedback monitoring enables network resources to be progressively redeployed in order to efficiently manage concurrent demands.