Accelerometry-Assessed Physical Activity and Circadian Rhythm to Detect Clinical Disability Status in Multiple Sclerosis: Cross-Sectional Study
Notice bibliographique
Résumé
Background: Tools for measuring clinical disability status in people with multiple sclerosis (MS) are limited. Accelerometry objectively assesses physical activity and circadian rhythmicity profiles in the real-world environment and may potentially distinguish levels of disability in MS. Objective: This study aims to determine if accelerometry can detect differences in physical activity and circadian rhythms between relapsing-remitting multiple sclerosis (RRMS) and progressive multiple sclerosis (PMS) and to assess the interplay within person between the 2 domains of physical activity (PA) and circadian rhythm (CR) in relation to MS type. Methods: This study represents an analysis of the baseline data from the prospective HEAL-MS (home-based evaluation of actigraphy to predict longitudinal function in multiple sclerosis) study. Participants were divided into 3 groups based on the Expanded Disability Status Scale (EDSS) criteria for sustained disability progression: RRMS-Stable, RRMS-Suspected progression, and PMS. Baseline visits occurred between January 2021 and March 2023. Clinical outcome measures were collected by masked examiners. Participants wore the GT9X Link ActiGraph on their nondominant wrists for 2 weeks. After adjusting for age, sex, and BMI, a logistic regression model was fitted to evaluate the association of each accelerometry metric with odds of PMS versus RRMS. We also evaluated the association of accelerometry metrics in differentiating the 2 RRMS subtypes. The Joint and Individual Variation Explained (JIVE) model was used to assess the codependencies between the PA and CR domains and their joint and individual association with MS subtype. Results: A total of 253 participants were included: 86 with RRMS-Stable, 82 with RRMS-Suspected progression, and 85 with PMS. Compared to RRMS, participants with PMS had lower total activity counts (β=-0.32, 95% CI -0.61 to -0.03), lower time spent in moderate to vigorous physical activity (β=-0.01, 95% CI -0.02 to -0.004), higher active-to-sedentary transition probability (β=5.68, 95% CI 1.86-9.5), lower amplitude (β=-0.0004, 95% CI -0.0008 to -0.0001), higher intradaily variability (β=4.64, 95% CI 1.45-7.84), and lower interdaily stability (β=-4.43, 95% CI -8.77 to -0.10). Using the JIVE model for PA and CR domains, PMS had higher first joint component (β=0.367, 95% CI 0.088-0.656), lower PA-1 component (β=-0.441, 95% CI -0.740 to -0.159), and lower PA-2 component (β=-0.415, 95% CI -0.717 to -0.126) compared to RRMS. No significant differences were detected between the 2 RRMS subtypes except for lower relative amplitude in those with suspected progression (β=-5.26, 95% CI -10.80 to -0.20). Conclusions: Accelerometry detected differences in physical activity patterns between RRMS and PMS. More advanced analytic techniques may help discern differences between the 2 RRMS subgroups. Longitudinal follow-up is underway to assess the potential for accelerometry to detect or predict disability progression.
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 | 0,004 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».