Prediction of relapse activity when switching to cladribine for multiple sclerosis
Notice bibliographique
Résumé
BACKGROUND: Patients with relapsing-remitting multiple sclerosis commonly switch between disease-modifying therapies (DMTs). Identifying predictors of relapse when switching could improve outcomes. OBJECTIVE: To determine predictors of relapse hazard when switching to cladribine. METHODS: Data of patients who switched to cladribine, grouped by prior disease-modifying therapy (pDMT; interferon-β/glatiramer acetate, dimethyl fumarate, teriflunomide, fingolimod or natalizumab (NTZ)), were extracted from the MSBase Registry. Predictors of relapse hazard during the treatment gap and the first year of cladribine therapy were determined. RESULTS: Of 513 patients, 22 relapsed during the treatment gap, and 38 within 1 year of starting cladribine. Relapse in the year before pDMT cessation predicted treatment gap relapse hazard (hazard ratio (HR) = 2.43, 95% confidence interval (CI) = 1.03-5.71). After multivariable adjustment, relapse hazard on cladribine was predicted by relapse before pDMT cessation (HR = 2.00, 95% CI = 1.01-4.02), treatment gap relapse (HR = 6.18, 95% confidence interval (CI) = 2.65-14.41), switch from NTZ (HR compared to injectable therapies 4.08, 95% CI = 1.35-12.33) and age at cladribine start (HR = 0.96, 95% CI = 0.91-0.99). CONCLUSION: Relapse during or prior to the treatment gap, and younger age, are of prognostic relevance in the year after switching to cladribine. Switching from NTZ is also independently associated with greater relapse hazard.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,002 | 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 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 ».