<scp>BREMSO</scp>: a simple score to predict early the natural course of multiple sclerosis
Notice bibliographique
Résumé
BACKGROUND AND PURPOSE: Early prediction of long-term disease evolution is a major challenge in the management of multiple sclerosis (MS). Our aim was to predict the natural course of MS using the Bayesian Risk Estimate for MS at Onset (BREMSO), which gives an individual risk score calculated from demographic and clinical variables collected at disease onset. METHODS: An observational study was carried out collecting data from MS patients included in MSBase, an international registry. Disease impact was studied using the Multiple Sclerosis Severity Score (MSSS) and time to secondary progression (SP). To evaluate the natural history of the disease, patients were analysed only if they did not receive immune therapies or only up to the time of starting these therapies. RESULTS: Data from 14 211 patients were analysed. The median BREMSO score was significantly higher in the subgroups of patients whose disease had a major clinical impact (MSSS≥ third quartile vs. ≤ first quartile, P < 0.00001) and who reached SP (P < 0.00001). The BREMSO showed good specificity (79%) as a tool for predicting the clinical impact of MS. CONCLUSIONS: BREMSO is a simple tool which can be used in the early stages of MS to predict its evolution, supporting therapeutic decisions in an observational setting.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».