Temporal profile of serum neurofilament light in multiple sclerosis: Implications for patient monitoring
Notice bibliographique
Résumé
Objective: To understand how longitudinal serum neurofilament light chain (sNfL) patterns can inform its use as a prognostic biomarker in multiple sclerosis (MS) and evaluate whether sNfL reflects MS disease activity and disease-modifying therapy usage. Methods: This was a post hoc analysis of longitudinal data and samples from the ADVANCE trial (NCT00906399) of patients with relapsing–remitting MS (RRMS). sNfL was measured every 3 months for 2 years, then every 6 months for 4 years. Regression models explored how sNfL data predicted 4-year values of brain volume, expanded disability status scale score, and T2 lesions. sNfL levels were assessed in those receiving placebo, peginterferon beta-1a, and those with disease activity. Results: Baseline sNfL was a predictor of 4-year brain atrophy and development of new T2 lesions. Clinical ( p = 0.02) and magnetic resonance imaging (MRI) ( p < 0.01) outcomes improved in those receiving peginterferon beta-1a whose sNfL decreased to <16 pg/mL after 12 months versus those whose sNfL remained ⩾16 pg/mL. Mean sNfL levels decreased in peginterferon beta-1a-treated patients and increased in placebo-treated patients (–9.5% vs. 6.8%; p < 0.01). sNfL was higher and more variable in patients with evidence of active MS. Conclusion: These data support sNfL as a prognostic and disease-monitoring biomarker for RRMS.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».