Practice patterns in the management of myasthenia gravis: a cross-sectional survey of neurologists in the United States
Notice bibliographique
Résumé
Background: Management of myasthenia gravis (MG), a rare immunoglobulin G autoantibody–mediated neuromuscular junction disorder, is driven by physician experience. To gain insight into current practices and physician needs, neurologists’ use of guidelines and disease activity evaluations to manage MG was assessed. Methods: In November and December of 2020, a quantitative, cross-sectional, 51-item, online survey–based study was used to collect data from 100 community neurologists, from 31 US states, who treat MG. Differences across ratio variables were analyzed via Chi-square and t tests, at a significance level of P<0.05. Results: Of respondents, 76% reported using clinical judgment rather than guidelines to inform treatment decisions, and only 29% reported awareness of the updated 2020 International Consensus Guidance for Management of Myasthenia Gravis. Treatment patterns reported include use of prednisone-equivalent corticosteroid doses ≤10 mg/day for ≥6 months (76% of respondents). When corticosteroids are contraindicated or after failure of an initial nonsteroidal immunosuppressant therapy (NSIST), immunoglobulin therapy is the respondents’ preferred initial treatment in patients with acetylcholine receptor antibody–positive generalized MG (vs a second NSIST). Respondents expressed interest in more guidance on crisis management, initiating/titrating maintenance medications, and managing patients with comorbidities. Conclusions: Respondents to this survey reported varied approaches to MG management and, in some clinical settings, heavier reliance on clinical judgment than on available consensus-based guidance. Also observed was potential underutilization of NSISTs in patients for whom corticosteroids are contraindicated, with reliance, instead, on immunoglobulin.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».