Prediction of multiple sclerosis outcomes when switching to ocrelizumab
Notice bibliographique
Résumé
Background: Increasingly, people with relapsing-remitting multiple sclerosis (RRMS) are switched to highly effective disease-modifying therapies (DMTs) such as ocrelizumab. Objective: To determine predictors of relapse and disability progression when switching from another DMT to ocrelizumab. Methods: Patients with RRMS who switched to ocrelizumab were identified from the MSBase Registry and grouped by prior disease-modifying therapy (pDMT; interferon-β/glatiramer acetate, dimethyl fumarate, teriflunomide, fingolimod or natalizumab) and washout duration (<1 month, 1–2 months or 2–6 months). Survival analyses including multivariable Cox proportional hazard regression models were used to identify predictors of on-ocrelizumab relapse within 1 year, and 6-month confirmed disability progression (CDP). Results: After adjustment, relapse hazard when switching from fingolimod was greater than other pDMTs, but only in the first 3 months of ocrelizumab therapy (hazard ratio (HR) = 3.98, 95% confidence interval (CI) = 1.57–11.11, p = 0.004). The adjusted hazard for CDP was significantly higher with longer washout (2–6 m compared to <1 m: HR = 9.57, 95% CI = 1.92–47.64, p = 0.006). Conclusion: The risk of disability worsening during switch to ocrelizumab is reduced by short treatment gaps. Patients who cease fingolimod are at heightened relapse risk in the first 3 months on ocrelizumab. Prospective evaluation of strategies such as washout reduction may help optimise this switch.
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 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».