Predictors of treatment switching in the Big Multiple Sclerosis Data Network
Notice bibliographique
Résumé
Background: Treatment switching is a common challenge and opportunity in real-world clinical practice. Increasing diversity in disease-modifying treatments (DMTs) has generated interest in the identification of reliable and robust predictors of treatment switching across different countries, DMTs, and time periods. Objective: The objective of this retrospective, observational study was to identify independent predictors of treatment switching in a population of relapsing-remitting MS (RRMS) patients in the Big Multiple Sclerosis Data Network of national clinical registries, including the Italian MS registry, the OFSEP of France, the Danish MS registry, the Swedish national MS registry, and the international MSBase Registry. Methods: In this cohort study, we merged information on 269,822 treatment episodes in 110,326 patients from 1997 to 2018 from five clinical registries. Patients were included in the final pooled analysis set if they had initiated at least one DMT during the relapsing-remitting MS (RRMS) stage. Patients not diagnosed with RRMS or RRMS patients not initiating DMT therapy during the RRMS phase were excluded from the analysis. The primary study outcome was treatment switching. A multilevel mixed-effects shared frailty time-to-event model was used to identify independent predictors of treatment switching. The contributing MS registry was included in the pooled analysis as a random effect. Results: Every one-point increase in the Expanded Disability Status Scale (EDSS) score at treatment start was associated with 1.08 times the rate of subsequent switching, adjusting for age, sex, and calendar year (adjusted hazard ratio [aHR] 1.08; 95% CI 1.07-1.08). Women were associated with 1.11 times the rate of switching relative to men (95% CI 1.08-1.14), whilst older age was also associated with an increased rate of treatment switching. DMTs started between 2007 and 2012 were associated with 2.48 times the rate of switching relative to DMTs that began between 1996 and 2006 (aHR 2.48; 95% CI 2.48-2.56). DMTs started from 2013 onwards were more likely to switch relative to the earlier treatment epoch (aHR 8.09; 95% CI 7.79-8.41; reference = 1996-2006). Conclusion: Switching between DMTs is associated with female sex, age, and disability at baseline and has increased in frequency considerably in recent years as more treatment options have become available. Consideration of a patient's individual risk and tolerance profile needs to be taken into account when selecting the most appropriate switch therapy from an expanding array of treatment choices.
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 | 0,015 | 0,036 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,002 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| 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 ».