Comparison of fingolimod, dimethyl fumarate and teriflunomide for multiple sclerosis
Notice bibliographique
Résumé
OBJECTIVE: Oral immunotherapies have become a standard treatment in relapsing-remitting multiple sclerosis. Direct comparison of their effect on relapse and disability is needed. METHODS: We identified all patients with relapsing-remitting multiple sclerosis treated with teriflunomide, dimethyl fumarate or fingolimod, with minimum 3-month treatment persistence and disability follow-up in the global MSBase cohort study. Patients were matched using propensity scores. Three pairwise analyses compared annualised relapse rates and hazards of disability accumulation, disability improvement and treatment discontinuation (analysed with negative binomial models and weighted conditional survival models, with pairwise censoring). RESULTS: The eligible cohorts consisted of 614 (teriflunomide), 782 (dimethyl fumarate) or 2332 (fingolimod) patients, followed over the median of 2.5 years. Annualised relapse rates were lower on fingolimod compared with teriflunomide (0.18 vs 0.24; p=0.05) and dimethyl fumarate (0.20 vs 0.26; p=0.01) and similar on dimethyl fumarate and teriflunomide (0.19 vs 0.22; p=0.55). No differences in disability accumulation (p≥0.59) or improvement (p≥0.14) were found between the therapies. In patients with ≥3-month treatment persistence, subsequent discontinuations were less likely on fingolimod than teriflunomide and dimethyl fumarate (p<0.001). Discontinuation rates on teriflunomide and dimethyl fumarate were similar (p=0.68). CONCLUSION: The effect of fingolimod on relapse frequency was superior to teriflunomide and dimethyl fumarate. The effect of the three oral therapies on disability outcomes was similar during the initial 2.5 years on treatment. Persistence on fingolimod was superior to the two comparator drugs.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».