Determinants of therapeutic lag in multiple sclerosis
Notice bibliographique
Résumé
BACKGROUND: A delayed onset of treatment effect, termed therapeutic lag, may influence the assessment of treatment response in some patient subgroups. OBJECTIVES: The objective of this study is to explore the associations of patient and disease characteristics with therapeutic lag on relapses and disability accumulation. METHODS: Data from MSBase, a multinational multiple sclerosis (MS) registry, and OFSEP, the French MS registry, were used. Patients diagnosed with MS, minimum 1 year of exposure to MS treatment and 3 years of pre-treatment follow-up, were included in the analysis. Studied outcomes were incidence of relapses and disability accumulation. Therapeutic lag was calculated using an objective, validated method in subgroups stratified by patient and disease characteristics. Therapeutic lag under specific circumstances was then estimated in subgroups defined by combinations of clinical and demographic determinants. RESULTS: High baseline disability scores, annualised relapse rate (ARR) ⩾ 1 and male sex were associated with longer therapeutic lag on disability progression in sufficiently populated groups: females with expanded disability status scale (EDSS) < 6 and ARR < 1 had mean lag of 26.6 weeks (95% CI = 18.2-34.9), males with EDSS < 6 and ARR < 1 31.0 weeks (95% CI = 25.3-36.8), females with EDSS < 6 and ARR ⩾ 1 44.8 weeks (95% CI = 24.5-65.1), and females with EDSS ⩾ 6 and ARR < 1 54.3 weeks (95% CI = 47.2-61.5). CONCLUSIONS: Pre-treatment EDSS and ARR are the most important determinants of therapeutic lag.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,001 | 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 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 ».