Impact of aging on treatment considerations for multiple sclerosis patients
Notice bibliographique
Résumé
With a rapidly aging global population and improvement of outcomes with newer multiple sclerosis (MS)-specific disease-modifying therapies (DMTs), the epidemiology of MS has shifted to an older than previously described population, with a peak prevalence of the disease seen in the 55-65 years age group. Changes in the pathophysiology of MS appear to be age-dependent. Several studies have identified a consistent phase of disability worsening around the fifth decade of life. The latter appears to be independent of prior disease duration and inflammatory activity and concomitant to pathological changes from acute focal active demyelination to chronic smoldering plaques, slow-expanding lesions, and compartmentalized inflammation within the central nervous system (CNS). On the other hand, decreased CNS tissue reserve and poorer remyelinating capacity with aging lead to loss of relapse recovery potential. Aging with MS may imply longer exposure to DMTs, although treatment efficacy in patients >55 years has not been evaluated in pivotal randomized controlled trials and appears to decrease with age. Older individuals are more prone to adverse effects of DMTs, an important aspect of treatment individualization. Aging with MS also implies a higher global burden of comorbid illnesses that contribute to overall impairments and represent a crucial confounder in interpreting clinical worsening. Discontinuation of DMTs after age 55, when no evidence of clinical or radiological activity is detected, is currently under the spotlight. In this review, we will discuss the impact of aging on MS pathobiology, the effect of comorbidities and other confounders on clinical worsening, and focus on current therapeutic considerations in this age group.
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 | 0,000 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 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 | 0,000 |
| 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 ».