Differential diagnosis of suspected multiple sclerosis: a consensus approach
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: Diagnosis of multiple sclerosis (MS) requires exclusion of diseases that could better explain the clinical and paraclinical findings. A systematic process for exclusion of alternative diagnoses has not been defined. An International Panel of MS experts developed consensus perspectives on MS differential diagnosis. METHODS: Using available literature and consensus, we developed guidelines for MS differential diagnosis, focusing on exclusion of potential MS mimics, diagnosis of common initial isolated clinical syndromes, and differentiating between MS and non-MS idiopathic inflammatory demyelinating diseases. RESULTS: We present recommendations for 1) clinical and paraclinical red flags suggesting alternative diagnoses to MS; 2) more precise definition of "clinically isolated syndromes" (CIS), often the first presentations of MS or its alternatives; 3) algorithms for diagnosis of three common CISs related to MS in the optic nerves, brainstem, and spinal cord; and 4) a classification scheme and diagnosis criteria for idiopathic inflammatory demyelinating disorders of the central nervous system. CONCLUSIONS: Differential diagnosis leading to MS or alternatives is complex and a strong evidence base is lacking. Consensus-determined guidelines provide a practical path for diagnosis and will be useful for the non-MS specialist neurologist. Recommendations are made for future research to validate and support these guidelines. Guidance on the differential diagnosis process when MS is under consideration will enhance diagnostic accuracy and precision.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,086 | 0,154 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,003 |
| Bibliométrie | 0,020 | 0,007 |
| Études des sciences et des technologies | 0,006 | 0,004 |
| Communication savante | 0,007 | 0,008 |
| Science ouverte | 0,011 | 0,014 |
| Intégrité de la recherche | 0,010 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,003 |
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 source (Gemma direct ou Codex distillé), 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 ».