Silent lesions on MRI imaging – Shifting goal posts for treatment decisions in multiple sclerosis
Notice bibliographique
Résumé
BACKGROUND: The current best practice suggests yearly magnetic resonance imaging (MRI) to monitor treatment response in multiple sclerosis (MS) patients. OBJECTIVE: To evaluate the current practice of clinicians changing MS treatment based on subclinical new MRI lesions alone. METHODS: Using MSBase, an international MS patient registry with MRI data, we analysed the probability of treatment change among patients with clinically silent new MRI lesions. RESULTS: A total of 8311 MRI brain scans of 4232 patients were identified. Around 26.9% (336/1247) MRIs with one new T2 lesion were followed by disease-modifying therapy (DMT) change, increasing to 50.2% (129/257) with six new T2 lesions. DMT change was twice as likely with new T1 contrast enhancing compared to new T2 lesions odds ratio (OR): 2.43, 95% confidence interval (CI): 2.00-2.96 vs OR: 1.26 (95% CI: 1.22-1.29). DMT change with new MRI lesions occurred most frequently with 'injectable' DMTs. The probability of switching therapy was greater only after high-efficacy therapies became available in 2007 (after, OR: 1.43, 95% CI: 1.28-1.59 vs before, OR: 0.98, 95% CI: 0.520-1.88). CONCLUSION: MS clinicians rely increasingly on MRI alone in their treatment decisions, utilizing low thresholds (1 new T2 lesion) for optimizing MS therapy. This signals a shift towards no evidence of disease activity (NEDA)-3 since high-efficacy therapies became available.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».