Efficacy and Safety of Teriflunomide in Multiple Sclerosis across Age Groups: Analysis from Pooled Pivotal and Real-world Studies
Notice bibliographique
Résumé
BACKGROUND: Evidence suggests that efficacy and safety of disease-modifying treatments for multiple sclerosis may differ with age. We evaluate efficacy and safety of teriflunomide across age subgroups of patients from pooled clinical trials and real-world studies. METHODS: 1126) studies were conducted. Data were stratified by age at study entry: ⩽25, >25 to ⩽35, >35 to ⩽45, and >45 years. In Teri-PRO and TAURUS-MS I, an additional group, >55 years, was assessed. RESULTS: In the pooled core studies, teriflunomide reduced annualized relapse rate (ARR) versus placebo across all ages. Unadjusted ARRs remained low across age groups in pooled extensions (0.18-0.30), Teri-PRO (0.10-0.35), and TAURUS-MS I (0.14-0.35). Baseline Expanded Disability Status Scale scores were higher with age, but stable through core and extension studies (mean increases over 7 years: ⩽25 years, +0.59; >25 to ⩽35 years, +0.46; >35 to ⩽45 years, +0.35; >45 years, +0.81). Across age groups, adverse event (AE) incidences were 78.4% to 90.7% in pooled core and extension studies and Teri-PRO, and 29.2% to 37.7% in TAURUS-MS I; serious AE incidences were ⩽21.3% in all studies. In pooled phase III and Teri-PRO studies, lymphocyte count decreases over 1 year after initiating teriflunomide, and proportions of patients developing lymphopenia, were small across age groups. CONCLUSIONS: Teriflunomide efficacy was demonstrated regardless of age. Safety was generally consistent across age groups.
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 | 0,092 | 0,070 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,009 | 0,026 |
| Bibliométrie | 0,006 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 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 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 ».