Epidemiology of Multiple Sclerosis: Global, Regional, National and Sub-National-Level Estimates and Future Projections
Notice bibliographique
Résumé
BACKGROUND: The epidemiology of multiple sclerosis (MS) is complex due to the interaction of various risk factors. This study assesses the global, regional, national and sub-national burden of MS and predicts future trends. METHODS: Data from the Global Burden of Disease Study 2021 was analyzed to assess the epidemiology of MS from 1990 to 2021. Data from the World Bank was used to determine the socio-demographic predictors of MS prevalence using multivariate analysis. RESULTS: Globally, 1.89 million people live with MS, with over 62,000 new cases diagnosed in 2021. The global prevalence of MS is 23.9 cases per 100,000 population, with a continuous increase over the past three decades. North America and Western Europe had the highest prevalence, incidence, disability-adjusted life-years (DALYs), and mortality rates. Countries with the highest prevalence were Sweden (219 /100,000 population), Canada (182), Norway (176), Ireland (163), and the UK (158). Analysis of subnational level data from US revealed that northern states such as Utah, Montana, and Rhode Island had incidence rates double those of southern states such as Hawaii, Mississippi and Louisiana. CONCLUSIONS: The burden of MS is rising worldwide, especially in developed countries. To reduce this burden, it is essential to understand the distribution and risk factors of MS, and to address healthcare disparities in early diagnosis, access to treatment and social services.
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 | 0,007 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».