Multiple Sclerosis Severity Score (MSSS) improves the accuracy of individualized prediction in MS
Notice bibliographique
Résumé
BACKGROUND: The MSBase prediction model of treatment response leverages multiple demographic and clinical characteristics to estimate hazards of relapses, confirmed disability accumulation (CDA), and confirmed disability improvement (CDI). The model did not include Multiple Sclerosis Severity Score (MSSS), a disease duration-adjusted ranked score of disability. OBJECTIVE: To incorporate MSSS into the MSBase prediction model and compare model accuracy with and without MSSS. METHODS: The associations between MSSS and relapse, CDA, and CDI were evaluated with marginal proportional hazards models adjusted for three principal components representative of patients' demographic and clinical characteristics. The model fit with and without MSSS was assessed with penalized r2 and Harrell C. RESULTS: A total of 5866 MS patients were started on disease-modifying therapy during prospective follow-up (age 38.4 ± 10.6 years; 72% female; disease duration 8.5 ± 7.7 years). Including MSSS into the model improved the accuracy of individual prediction of relapses by 31%, of CDA by 23%, and of CDI by 24% (Harrell C) and increased the amount of variance explained for relapses by 49%, for CDI by 11%, and for CDA by 10% as compared with the original model. CONCLUSION: Addition of a single, readily available metric, MSSS, to the comprehensive MSBase prediction model considerably improved the individual accuracy of prognostics in MS.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 ».