Predictors of response to opicinumab in acute optic neuritis
Notice bibliographique
Résumé
Abstract Objective The objective of this study was to evaluate prespecified and post hoc analyses in RENEW subgroups to identify participants more likely to benefit from opicinumab. Methods RENEW assessed the efficacy/safety of opicinumab versus placebo in participants with a first unilateral acute optic neuritis ( AON ) episode. Difference in visual evoked potential ( VEP ) latency of the affected eye at 24 weeks versus the fellow eye at baseline was the primary endpoint. Interactions between the primary endpoint and prespecified baseline variables (including age, timing of treatment initiation, and visual impairment) using the median as cut‐off were evaluated in the per protocol population using analysis of covariance ( ANCOVA ); subgroups based on preexisting brain T2 lesion volume were also analyzed. Interactions between the primary endpoint and retinal ganglion cell layer/inner plexiform layer ( RGCL / IPL ) and retinal nerve fiber layer ( RNFL ) thickness were assessed post hoc as was weight gain by treatment. Results Treatment benefit of opicinumab ( n = 33) over placebo ( n = 36) on the primary endpoint was greatest in participants older than the median age at baseline (≥33 years); the difference versus placebo for baseline age ≥33 years was −14.17 msec [ P = 0.01] versus −0.89 msec for baseline age <33 years, [ P = 0.87]). Post hoc analysis showed that VEP latency recovery was significantly associated with less RGCL / IPL thinning ( P = 0.0164), occurring early on. Interpretation Age was the strongest prespecified baseline characteristic associated with a treatment effect of opicinumab. A strong association between VEP latency recovery at week 24 and early RGCL / IPL preservation was observed.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».