Tremor in Patients with <scp>Relapsing‐Remitting</scp> Multiple Sclerosis: Clinical Characteristics and Impact on Quality of Life
Notice bibliographique
Résumé
Abstract Background Little is known about the prevalence and clinical characteristics of tremors in patients with multiple sclerosis (MS), their associated clinical disability, and their impact on quality of life (QoL). Objective This study aimed to investigate the frequency and types of tremors in patients with relapsing remitting MS (RRMS) in remission, and their impact on patients’ QoL. Methods A total of 250 patients with RRMS in remission were examined for tremors. All patients were assessed using the Expanded Disability Status Scale (EDSS). Patients with tremors underwent further assessment using the Fahn‐Tolosa‐Marin Tremor Rating Scale (FTMTRS), the Beck Depression Inventory (BDI), the Montreal Cognitive Assessment (MoCA) scale, and the Short Form 36 Health Survey Questionnaire (SF‐36). Brain MRI was obtained for a subgroup of patients. Results Tremors were detected in 36 patients (14.4%) and were associated with significantly worse EDSS scores, BDI ( P = 0.021), MoCA, most SF‐36 domains, higher total and last year relapses ( P < 0.001) and longer disease duration ( P = 0.027). Patients with tremors showed higher lesion load ( P = 0.007), more infratentorial ( P ≤ 0.001), cerebellar and diencephalic lesions ( P = 0.024), and cortical atrophy ( P = 0.012). Total FTMTRS was significantly correlated to age, EDSS, and physical functioning. Dystonia was associated with tremors in 17 patients (6.8% of total RRMS patients and 47.2% of patients with tremors). Conclusion The current study confirms the common occurrence of tremors and their subtypes among patients with RRMS with mild disability and demonstrates their association with increased disability and impaired QoL.
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 | 0,035 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| 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) | 0,000 | 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 ».