Leveraging Visual Outcome Measures to Advance Therapy Development in Neuroimmunologic Disorders
Notice bibliographique
Résumé
The visual system offers unparalleled precision in the assessment of neuroaxonal damage. With the majority of patients with multiple sclerosis (MS) experiencing afferent and efferent visual dysfunction, outcome measures capturing these deficits provide insight into neuroaxonal injury, even in those with minimal disability. Ideal for use in clinical trials, visual measures are generally inexpensive, accessible, and reproducible. Quantification of visual acuity, visual fields, visual quality of life, and electrophysiologic parameters allows assessment of function, whereas optical coherence tomography (OCT) provides reliable measures of the structural integrity of the anterior afferent visual pathway. The technology of oculomotor biometrics continues to advance, and discrete measures of fixation, smooth pursuit, and saccadic eye movement abnormalities are ready for inclusion in future trials of MS progression. Visual outcomes allow tracking of neuroaxonal injury and aid in distinguishing MS from diseases such as neuromyelitis optica spectrum disorder (NMOSD) or myelin oligodendrocyte glycoprotein antibody-associated diseases (MOGAD). OCT has also provided unique insights into pathophysiology, including the identification of foveal pitting in NMOSD, possibly from damage to Müller cells, which carry an abundance of aquaporin-4 channels. For some study designs, the cost-benefit ratio favors visual outcomes over more expensive MRI outcomes. With the next frontier of therapeutics focused on remyelination and neuroprotection, visual outcomes are likely to take center stage. As an international community of collaborative, committed, vision scientists, this review by the International MS Visual System Consortium (IMSVISUAL) outlines the quality standards, informatics, and framework needed to routinely incorporate vision outcomes into MS and NMOSD trials.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,004 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».