Comparative effectiveness in multiple sclerosis: A methodological comparison
Notice bibliographique
Résumé
BACKGROUND: In the absence of evidence from randomised controlled trials, observational data can be used to emulate clinical trials and guide clinical decisions. Observational studies are, however, susceptible to confounding and bias. Among the used techniques to reduce indication bias are propensity score matching and marginal structural models. OBJECTIVE: To use the comparative effectiveness of fingolimod vs natalizumab to compare the results obtained with propensity score matching and marginal structural models. METHODS: Patients with clinically isolated syndrome or relapsing remitting MS who were treated with either fingolimod or natalizumab were identified in the MSBase registry. Patients were propensity score matched, and inverse probability of treatment weighted at six monthly intervals, using the following variables: age, sex, disability, MS duration, MS course, prior relapses, and prior therapies. Studied outcomes were cumulative hazard of relapse, disability accumulation, and disability improvement. RESULTS: 4608 patients (1659 natalizumab, 2949 fingolimod) fulfilled inclusion criteria, and were propensity score matched or repeatedly reweighed with marginal structural models. Natalizumab treatment was associated with a lower probability of relapse (PS matching: HR 0.67 [95% CI 0.62-0.80]; marginal structural model: 0.71 [0.62-0.80]), and higher probability of disability improvement (PS matching: 1.21 [1.02 -1.43]; marginal structural model 1.43 1.19 -1.72]). There was no evidence of a difference in the magnitude of effect between the two methods. CONCLUSIONS: The relative effectiveness of two therapies can be efficiently compared by either marginal structural models or propensity score matching when applied in clearly defined clinical contexts and in sufficiently powered cohorts.
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 | 0,007 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 ».