Long-term disability trajectories in primary progressive MS patients: A latent class growth analysis
Notice bibliographique
Résumé
BACKGROUND: Several natural history studies on primary progressive multiple sclerosis (PPMS) patients detected a consistent heterogeneity in the rate of disability accumulation. OBJECTIVES: To identify subgroups of PPMS patients with similar longitudinal trajectories of Expanded Disability Status Scale (EDSS) over time. METHODS: All PPMS patients collected within the MSBase registry, who had their first EDSS assessment within 5 years from onset, were included in the analysis. Longitudinal EDSS scores were modeled by a latent class mixed model (LCMM), using a nonlinear function of time from onset. LCMM is an advanced statistical approach that models heterogeneity between patients by classifying them into unobserved groups showing similar characteristics. RESULTS: A total of 853 PPMS (51.7% females) from 24 countries with a mean age at onset of 42.4 years (standard deviation (SD): 10.8 years), a median baseline EDSS of 4 (interquartile range (IQR): 2.5-5.5), and 2.4 years of disease duration (SD: 1.5 years) were included. LCMM detected three different subgroups of patients with a mild ( n = 143; 16.8%), moderate ( n = 378; 44.3%), or severe ( n = 332; 38.9%) disability trajectory. The probability of reaching EDSS 6 at 10 years was 0%, 46.4%, and 81.9% respectively. CONCLUSION: Applying an LCMM modeling approach to long-term EDSS data, it is possible to identify groups of PPMS patients with different prognosis.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».