Predictors of clinical response to erenumab in patients with migraine
Notice bibliographique
Résumé
Background: Anti-CGRP monoclonal antibodies have emerged as efficacious preventive therapies for some, but not all patients with migraine. It is not yet fully understood what predicts treatment response. Objective: To identify factors associated with good or poor response to erenumab, the first available CGRP monoclonal antibody. Methods: A chart review of patients with migraine from a large headache center who received at least three 4-weekly doses of erenumab between 2018 and 2020 was conducted. Clinical variables were compared between erenumab responders (defined as ≥30% reduction in monthly headache or migraine days at 3 months) and non-responders via logistic regression analyses. Results: Among 90 enrolled patients, 62.2% were erenumab responders and 37.8% non-responders. A significantly larger proportion of non-responders were unemployed (58.8% vs. 28.6%), had complex diagnosis (chronic migraine overlapping another primary or secondary headache) (47.1% vs. 14.3%), higher monthly headache days (30 vs. 25.5) and migraine days (20 vs. 12), a higher frequency of daily headache (76.5% vs. 48.2%), and failed more preventive therapies (5.5 vs. 3). Based on logistic regressions, erenumab responsiveness did not significantly associate with duration of migraine, presence of aura, medication overuse, number of concurrent preventives, response to onabotulinumtoxinA or triptans, or certain comorbidities and substance use. Conclusions: This work may help improve selection of patients who may benefit from erenumab, but further prospective research studies are needed.
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 | 0,003 |
| 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) | 0,002 | 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 ».