Prognostic factors for long-term outcomes in relapsing–remitting multiple sclerosis
Notice bibliographique
Résumé
Objective The objective of this article is to investigate potential clinical and MRI predictors of long-term outcomes in multiple sclerosis (MS). Methods This was a post hoc analysis using data from all 382 patients in the PRISMS long-term follow-up (LTFU) study collected up to eight years after randomisation. An additional analysis was performed including only those patients originally randomised to receive early subcutaneous interferon (IFN) β-1a ( n = 259). Baseline/prestudy variables, indicators of early clinical and MRI activity (baseline to month 24), and indicators of IFN β-1a treatment exposure (including medication possession ratio (MPR)) were investigated as candidate prognostic factors for outcomes measured from baseline and from month 24 to LTFU. Explanatory variables identified from univariate regression models ( p ≤ 0.15) were selected for inclusion in stepwise multiple regression models. Results Candidate prognostic factors selected by the univariate analysis ( p ≤ 0.15) included age, MS duration, baseline brain volume, EDSS score, and log(T2 burden of disease (BOD)). In most of the multivariate regression models applied, higher baseline brain volume and MPR predicted better long-term clinical outcomes, while higher baseline and greater early increase in EDSS score predicted worse outcomes. Conclusion Identification of markers that may be prognostic for long-term disability could help identify MS patients at higher risk of disability progression.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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 ».