Treating to target in multiple sclerosis: Do we know how to measure whether we hit it?
Notice bibliographique
Résumé
BACKGROUND AND PURPOSE: The rapidly evolving landscape of effective treatment options in multiple sclerosis has led to a shift of treatment objectives towards a treat-to-target approach aiming to suppress disease activity below the level of detectability early during the disease. To enable treat-to-target, a thorough reappraisal of available outcome measures with respect to their ability in this regard is required. METHODS: To that end, we conducted a comprehensive systematic literature review of more than 1000 studies using PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses) 2020 methodology focusing on underlying evidence as well as utility and implementability in clinical practice. RESULTS: From there, we propose a set of measurable outcomes for everyday routine clinical practice as well as advanced/aspirational measurables requiring additional resources. We also outline remaining knowledge/technology gaps that need to be overcome to enable a treat-to-target approach. CONCLUSIONS: This work provides the basis for an evidence-based definition of outcome targets for relevant stakeholders and regulatory authorities.
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 | 0,088 | 0,272 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,013 | 0,008 |
| Bibliométrie | 0,007 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,009 | 0,016 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,006 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 ».