Classification of multiple sclerosis based on patterns of<scp>CNS</scp>regional atrophy covariance
Notice bibliographique
Résumé
There is evidence that multiple sclerosis (MS) pathology leads to distinct patterns of volume loss over time (VLOT) in different central nervous system (CNS) structures. We aimed to use such patterns to identify patient subgroups. MS patients of all classical disease phenotypes underwent annual clinical, blood, and MRI examinations over 6 years. Spinal, striatal, pallidal, thalamic, cortical, white matter, and T2-weighted lesion volumes as well as serum neurofilament light chain (sNfL) were quantified. CNS VLOT patterns were identified using principal component analysis and patients were classified using hierarchical cluster analysis. 225 MS patients were classified into four distinct Groups A, B, C, and D including 14, 59, 141, and 11 patients, respectively). These groups did not differ in baseline demographics, disease duration, disease phenotype distribution, and lesion-load expansion. Interestingly, Group A showed pronounced spinothalamic VLOT, Group B marked pallidal VLOT, Group C small between-structure VLOT differences, and Group D myelocortical volume increase and pronounced white matter VLOT. Neurologic deficits were more severe and progressed faster in Group A that also had higher mean sNfL levels than all other groups. Group B experienced more frequent relapses than Group C. In conclusion, there are distinct patterns of VLOT across the CNS in MS patients, which do not overlap with clinical MS subtypes and are independent of disease duration and lesion-load but are partially associated to sNfL levels, relapse rates, and clinical worsening. Our findings support the need for a more biologic classification of MS subtypes including volumetric and body-fluid markers.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| 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 ».