Assessing the utility of magnetic resonance imaging-based “SuStaIn” disease subtyping for precision medicine in relapsing-remitting and secondary progressive multiple sclerosis
Notice bibliographique
Résumé
BACKGROUND: Patient stratification and individualized treatment decisions based on multiple sclerosis (MS) clinical phenotypes are arbitrary. Subtype and Staging Inference (SuStaIn), a published machine learning algorithm, was developed to identify data-driven disease subtypes with distinct temporal progression patterns using brain magnetic resonance imaging; its clinical utility has not been assessed. The objective of this study was to explore the prognostic capability of SuStaIn subtyping and whether it is a useful personalized predictor of treatment effects of natalizumab and dimethyl fumarate. METHODS: Subtypes were available from the trained SuStaIn model for 3 phase 3 clinical trials in relapsing-remitting and secondary progressive MS. Regression models were used to determine whether baseline SuStaIn subtypes could predict on-study clinical and radiological disease activity and progression. Differences in treatment responses relative to placebo between subtypes were determined using interaction terms between treatment and subtype. RESULTS: Natalizumab and dimethyl fumarate reduced inflammatory disease activity in all SuStaIn subtypes (all p < 0.001). SuStaIn MS subtyping alone did not discriminate responder heterogeneity based on new lesion formation and disease progression (p > 0.05 across subtypes). CONCLUSION: SuStaIn subtypes correlated with disease severity and functional impairment at baseline but were not predictive of disability progression and could not discriminate treatment response heterogeneity.
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 | 0,036 | 0,073 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».