Early non-disabling relapses are important predictors of disability accumulation in people with relapsing-remitting multiple sclerosis
Notice bibliographique
Résumé
Background: The prognostic significance of non-disabling relapses in people with relapsing-remitting multiple sclerosis (RRMS) is unclear. Objective: To determine whether early non-disabling relapses predict disability accumulation in RRMS. Methods: We redefined mild relapses in MSBase as ‘non-disabling’, and moderate or severe relapses as ‘disabling’. We used mixed-effects Cox models to compare 90-day confirmed disability accumulation events in people with exclusively non-disabling relapses within 2 years of RRMS diagnosis to those with no early relapses; and any early disabling relapses. Analyses were stratified by disease-modifying therapy (DMT) efficacy during follow-up. Results: People who experienced non-disabling relapses within 2 years of RRMS diagnosis accumulated more disability than those with no early relapses if they were untreated ( n = 285 vs 4717; hazard ratio (HR) = 1.29, 95% confidence interval (CI) = 1.00–1.68) or given platform DMTs ( n = 1074 vs 7262; HR = 1.33, 95% CI = 1.15–1.54), but not if given high-efficacy DMTs ( n = 572 vs 3534; HR = 0.90, 95% CI = 0.71–1.13) during follow-up. Differences in disability accumulation between those with early non-disabling relapses and those with early disabling relapses were not confirmed statistically. Conclusion: This study suggests that early non-disabling relapses are associated with a higher risk of disability accumulation than no early relapses in RRMS. This risk may be mitigated by high-efficacy DMTs. Therefore, non-disabling relapses should be considered when making treatment decisions.
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 | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».