Disease-modifying drugs for multiple sclerosis and subsequent health service use
Notice bibliographique
Résumé
OBJECTIVE: We assessed the relationship between the multiple sclerosis (MS) disease-modifying drugs (DMDs) and healthcare use. METHODS: Persons with MS (aged ⩾18 years) were identified using linked population-based health administrative data in four Canadian provinces and were followed from the most recent of their first MS/demyelinating event or 1 January 1996 until the earliest of death, emigration, or study end (31 December 2017 or 31 March 2018). Prescription records captured DMD exposure, examined as any DMD, then by generation (first-generation (the injectables) or second-generation (orals/infusions)) and individual DMD. The associations with subsequent all-cause hospitalizations and physician visits were examined using proportional means model and negative binomial regression. RESULTS: Of 35,894 MS cases (72% female), mean follow-up was 12.0 years, with person-years of DMD exposure for any, or any first- or second-generation DMD being 63,290, 54,605 and 8685, respectively. Any DMD or any first-generation DMD exposure (versus non-exposure) was associated with a 24% lower hazard of hospitalization (adjusted hazard ratio, aHR: 0.76; 95% confidence intervals (CIs): 0.71-0.82), rising to 29% for the second-generation DMDs (aHR: 0.71; 95% CI: 0.58-0.88). This ranged from 18% for teriflunomide (aHR: 0.82; 95% CI: 0.67-1.00) to 44% for fingolimod (aHR: 0.56; 95% CI: 0.36-0.87). In contrast, DMD exposure was generally not associated with substantial differences in physician visits. CONCLUSION: Findings provide real-world evidence of a beneficial relationship between DMD exposure and hospitalizations.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».