MétaCan
Menu
Retour à la cohorte
Enregistrement W2565445350 · doi:10.1212/wnl.86.16_supplement.p3.025

Patients Who Discontinued SC IFNB-1a and Switched to Alemtuzumab in the CARE-MS II Extension Study Show Durable Reduction in New Lesion Activity (P3.025)

2016· article· en· W2565445350 sur OpenAlexaff
Daniel Pelletier, Jeffrey A. Cohen, Alasdair Coles, Edward Fox, Hans‐Peter Hartung, Eva Havrdová, Krzysztof Selmaj, David Margolin, Karthinathan Thangavelu, Douglas L. Arnold

Notice bibliographique

RevueNeurology · 2016
Typearticle
Langueen
DomaineMedicine
ThématiqueRadiomics and Machine Learning in Medical Imaging
Établissements canadiensMcGill UniversityNeuroRx Research (Canada)Montreal Neurological Institute and Hospital
Organismes subventionnairesnon disponible
Mots-clésAlemtuzumabMedicineReduction (mathematics)LesionExtension (predicate logic)Internal medicineSurgeryMathematicsComputer science

Résumé

récupéré en direct d'OpenAlex

OBJECTIVE: Examine alemtuzumab’s effect on MRI outcomes over 3 years after switching from SC IFNB-1a to alemtuzumab in CARE-MS II extension study (NCT00930553). BACKGROUND: In CARE-MS II (NCT00548405), active relapsing-remitting MS patients who had an inadequate response (≥1 relapse) to prior therapy at baseline demonstrated improved MRI outcomes versus SC IFNB-1a over 2 years. Efficacy was durable through 5 years in core study alemtuzumab-treated patients, with no additional treatment for most patients for 4 years. DESIGN/METHODS: Patients treated with SC IFNB-1a in 2-year core study discontinued treatment and received 2 alemtuzumab courses at extension Months 0 and 12, then as-needed alemtuzumab retreatment for relapse or radiological activity. Annual MRI scans assessed gadolinium (Gd)-enhancing T1, new/enlarging T2 hyperintense, and new T1 hypointense lesions. MRI disease activity was defined as new Gd-enhancing T1 and new/enlarging T2 lesions. RESULTS: 146 (83[percnt]) core study SC IFNB-1a-treated patients entered the extension; 84[percnt] received no alemtuzumab retreatment since Month 12 after switching. Proportion of patients lesion-free was increased at Year 3 after switching to alemtuzumab compared with core study Year 2 on SC IFNB-1a (Gd-enhancing: 86.2[percnt] vs 77.6[percnt]; T2: 72.1[percnt] vs 47.7[percnt]; T1: 84.5[percnt] vs 73.8[percnt]). Most patients had no evidence of MRI disease activity in Years 1, 2, and 3 (64.2[percnt], 80.9[percnt], 72.1[percnt]) and over Years 1-3 (52.0[percnt]) after switching. No evidence of disease activity was seen in 51.1[percnt], 65.7[percnt], and 63.6[percnt] of patients in Years 1, 2 and 3, and in 31.7[percnt] over Years 1-3 after switching. CONCLUSIONS: These findings support the benefit of switching from SC IFNB-1a to alemtuzumab. Durable improvements on MRI outcomes with low retreatment rates after switching to alemtuzumab further support the sustained effect on disease activity observed in core study alemtuzumab patients over 5 years. STUDY SUPPORTED BY: Genzyme, a Sanofi company, and Bayer Healthcare Pharmaceuticals.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,012

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,015
Tête enseignante GPT0,289
Écart entre enseignants0,274 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNeurologyMême sujetRadiomics and Machine Learning in Medical ImagingTravaux en français237 207