Treatment of MOG antibody associated disorders: results of an international survey.
Notice bibliographique
Résumé
Introduction: While monophasic and relapsing forms of myelin oligodendrocyte glycoprotein antibody associated disorders (MOGAD) are increasingly diagnosed world-wide, consensus on management is yet to be developed. Objective: To survey the current global clinical practice of clinicians treating MOGAD. Method: Neurologists worldwide with expertise in treating MOGAD participated in an online survey (February-April 2019). Results: Fifty-two responses were received (response rate 60.5%) from 86 invited experts, comprising adult (78.8%, 41/52) and paediatric (21.2%, 11/52) neurologists in 22 countries. All treat acute attacks with high dose corticosteroids. If recovery is incomplete, 71.2% (37/52) proceed next to plasma exchange (PE). 45.5% (5/11) of paediatric neurologists use IV immunoglobulin (IVIg) in preference to PE. Following an acute attack, 55.8% (29/52) of respondents typically continue corticosteroids for ≥ 3 months; though less commonly when treating children. After an index event, 60% (31/51) usually start steroid-sparing maintenance therapy (MT); after ≥ 2 attacks 92.3% (48/52) would start MT. Repeat MOG antibody status is used by 52.9% (27/51) to help decide on MT initiation. Commonly used first line MTs in adults are azathioprine (30.8%, 16/52), mycophenolate mofetil (25.0%, 13/52) and rituximab (17.3%, 9/52). In children, IVIg is the preferred first line MT (54.5%; 6/11). Treatment response is monitored by MRI (53.8%; 28/52), optical coherence tomography (23.1%; 12/52) and MOG antibody titres (36.5%; 19/52). Regardless of monitoring results, 25.0% (13/52) would not stop MT. Conclusion: Current treatment of MOGAD is highly variable, indicating a need for consensus-based treatment guidelines, while awaiting definitive clinical trials.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».