Brain volume loss in relapsing multiple sclerosis: indirect treatment comparisons of available disease-modifying therapies
Notice bibliographique
Résumé
BACKGROUND: Brain volume loss (BVL) has been identified as a predictor of disability progression in relapsing multiple sclerosis (RMS). As many available disease-modifying treatments (DMTs) have shown an effect on slowing BVL, this is becoming an emerging clinical endpoint in RMS clinical trials. METHODS: In this study, a systematic literature review was conducted to identify BVL results from randomized controlled trials of DMTs in RMS. Indirect treatment comparisons (ITCs) were conducted to estimate the relative efficacy of DMTs on BVL using two approaches: a model-based meta-analysis (MBMA) with adjustment for measurement timepoint and DMT dosage, and a network meta-analysis (NMA). RESULTS: In the MBMA, DMTs associated with significantly reduced BVL versus placebo at two years included fingolimod (mean difference [MD] = 0.25; 95% confidence interval [CI] = 0.15 - 0.36), ozanimod (MD = 0.26; 95% CI = 0.12 - 0.41), teriflunomide (MD = 0.38; 95% CI = 0.20 - 0.55), alemtuzumab (MD = 0.38; 95% CI = 0.10 - 0.67) and ponesimod (MD = 0.71; 95% CI = 0.48 - 0.95), whereas interferons and natalizumab performed the most poorly. The results of NMA analysis were generally comparable with those of the MBMA. CONCLUSIONS: Limitations of these analyses included the potential for confounding due to pseudoatrophy, and a lack of long-term clinical data for BVL. Our findings suggest that important differences in BVL may exist between DMTs. Continued investigation of BVL in studies of RMS is important to complement traditional disability endpoints, and to foster a better understanding of the mechanisms by which DMTs can slow BVL.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».