Switching to natalizumab or fingolimod in multiple sclerosis: Comparative effectiveness and effect of pre-switch disease activity
Notice bibliographique
Résumé
BACKGROUND: Patients with relapsing-remitting multiple sclerosis (RRMS) who experience relapses on a first-line therapy (interferon, glatiramer acetate, dimethyl fumarate, or teriflunomide; collectively, "BRACETD") often switch to another therapy, including natalizumab or fingolimod. Here we compare the effectiveness of switching from a first-line therapy to natalizumab or fingolimod after ≥1 relapse. METHODS: Data collected prospectively in the MSBase Registry, a global, longitudinal, observational registry, were extracted on February 6, 2018. Included patients were adults with RRMS with ≥1 relapse on BRACETD therapy in the year before switching to natalizumab or fingolimod. Included patients received natalizumab or fingolimod for ≥3 months after the switch. RESULTS: Following 1:1 propensity score matching, 1000 natalizumab patients were matched to 1000 fingolimod patients. Mean (standard deviation) follow-up time was 3.02 (2.06) years after switching to natalizumab and 2.58 (1.64) years after switching to fingolimod. Natalizumab recipients had significantly lower annualized relapse rate (relative risk=0.66; 95% confidence interval [CI], 0.59-0.74), lower risk of first relapse (hazard ratio [HR]=0.69; 95% CI, 0.60-0.80), and higher confirmed disability improvement (HR=1.27; 95% CI, 1.03-1.57) than fingolimod recipients. No difference in confirmed disability worsening was observed. CONCLUSIONS: Patients with RRMS switching from BRACETD demonstrated better outcomes with natalizumab than with fingolimod.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».