P.028 Eye movement biomarkers for early detection of multiple sclerosis disease progression
Notice bibliographique
Résumé
Background: There is growing body of evidence linking abnormal eye movements in people with multiple sclerosis (MS) to disease severity and cognition which could better detect disease progression. The objective of this study is to determine if a novel eye-tracking tool can accurately predict disease severity and cognitive status based on eye movement metrics and characterize how they evolve with progression. Methods: Persons with MS (n=132) will be followed over 4 years with clinical assessments every 6 months. Eye movements are also assessed while performing oculomotor tasks using Innodem Neurosciences’ patented eye-tracking technology. The eye movement metrics will be inputted into machine learning classifying algorithms to identify which metrics can serve as reliable Eye Movement Biomarkers (EMB) for MS progression and cognitive status. Results: There were 16 participants recruited as of January 2022 with mean age 47. 3 (SD 10.4; range 26-67), gender (12F/4M), EDSS 2.59 (SD 1.49; range 1.5-6.5), SDMT 51.4 (SD 14.1, range 24-78). With current enrollment, there is a negative correlation between EDSS and SDMT (r = -0.47) as observed in the literature. Conclusions: This trial will demonstrate the utility of EMBs for monitoring MS progression by improving physicians’ access to a reliable, non-invasive, sensitive and accessible marker of disease progression.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,033 | 0,005 |
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 source (Gemma direct ou Codex distillé), 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 ».