Identification of prognostic factors predicting the long-term clinical outcome in Multiple Sclerosis
Notice bibliographique
Résumé
Multiple Sclerosis (MS) evolution varies from benign to aggressive forms, and its prognosis remains largely unpredictable, especially in individual cases. Relapse frequency is commonly used as indicator of disease activity and as primary endpoint in randomized clinical trials (RCTs). However, the role of inflammatory attacks on the disease progression is still largely debated. The lack of reliable predictors of the long-term evolution prevents from applying a rational and individualized therapeutic approach. In addition, RCTs methodology is still not sufficiently rigorous for protecting against the bias due to the large variability of the clinical outcome. The project was carried out by analysing the London Ontario (LO) database, one of the largest collections of natural history data from untreated patients, followed up for 28 years. We analysed factors affecting prognosis and predicting disease evolution up to its latest stages. We first investigated in details the relationship between relapses and long-term outcome. The analysis demonstrated poor correlation between number of attacks and the attainment of severe disability, invalidating relapse frequency as surrogate marker for late outcome. In addition, it evidenced the onset of the secondary progressive (SP) phase as the key determinant of prognosis, differentiating patients’ outcome and accounting for the variability of disease course. We therefore analysed in details factors affecting the rate of conversion to SP MS, in order to calculate how the risk of becoming progressive varies with disease duration. This information can be used for designing RCTs using SP onset as primary outcome. We then extensively investigated the effect of age on the disease evolution, before and after the onset of progression. The analysis highlighted age as the strongest determinant of MS prognosis, exerting its predictive effect primarily by affecting the evolution of the relapsing remitting (RR) phase and by increasing the probability of experiencing a progressive course
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».