Seasonal variation of relapse rate in multiple sclerosis is latitude dependent
Notice bibliographique
Résumé
OBJECTIVE: Previous studies assessing seasonal variation of relapse onset in multiple sclerosis have had conflicting results. Small relapse numbers, differing diagnostic criteria, and single region studies limit the generalizability of prior results. The aim of this study was to determine whether there is a temporal variation in onset of relapses in both hemispheres and to determine whether seasonal peak relapse probability varies with latitude. METHODS: The international MSBase Registry was utilized to analyze seasonal relapse onset distribution by hemisphere and latitudinal location. All analyses were weighted for the patient number contributed by each center. A sine regression model was used to model relapse onset and ultraviolet radiation (UVR) seasonality. Linear regression was used to investigate associations of latitude and lag between UVR trough and subsequent relapse peak. RESULTS: A total of 32,762 relapses from 9,811 patients across 30 countries were analyzed. Relapse onset followed an annual cyclical sinusoidal pattern with peaks in early spring and troughs in autumn in both hemispheres. Every 10° of latitude away from the equator was associated with a mean decrease in UVR trough to subsequent relapse peak lag of 28.5 days (95% confidence interval = 3.29-53.71, p = 0.028). INTERPRETATION: We demonstrate for the first time that there is a latitude-dependent relationship between seasonal UVR trough and relapse onset probability peak independent of location-specific UVR levels, with more distal latitude associated with shorter gaps. We confirm prior meta-analyses showing a strong seasonal relapse onset probability variation in the northern hemisphere, and extend this observation to the southern hemisphere.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».