Infection, Relapses, and Pseudo-Relapses in Individuals With Multiple Sclerosis
Notice bibliographique
Résumé
Background and Objectives: Infections are associated with an increased risk of relapse and pseudo-relapse in persons with multiple sclerosis (MS). However, the relationship with relapses and pseudo-relapses after SARS-CoV-2 infections (COVID) vs other infections in MS is poorly understood. Therefore, we compared the occurrence of relapse and pseudo-relapse after COVID and other infections with noninfected participants with MS. Methods: In spring 2023, we surveyed participants from the North American Research Committee on Multiple Sclerosis Registry regarding whether they had had a COVID infection, other infections, relapses, and pseudo-relapses. Recent infections, occurring in the 6 months before the survey, were used to categorize participants into groups: recent COVID, non-COVID infection (with no history of ever having COVID), COVID and non-COVID infections, or uninfected. Results: Of the 4,787 participants eligible for analysis, 2,927 participants were included, of whom 294 (10%) had a recent COVID infection; 853 (29.1%) had 1 recent infection other than COVID; 246 (8.4%) had a recent COVID and non-COVID infection; and 1,534 (52.4%) had no infection with COVID nor any infection within the past 6 months (uninfected). Compared with no infections, non-COVID infection was associated with a 39% increased likelihood of relapse (1.39, 95% CI [1.04-1.87]), whereas a recent COVID infection was associated with a decreased likelihood of relapse (0.45 [0.23, 0.87]), adjusting for covariates. All infection groups were associated with increased odds of pseudo-relapse compared with the uninfected group (non-COVID infections: 1.78 [1.44, 2.20]; COVID infection: 1.80 [1.32, 2.45]; COVID and non-COVID infection: 3.04 [2.24, 4.12]). Discussion: Because individuals with MS are at increased risk of infections, the association of infections with relapses and pseudo-relapses is clinically important. The high prevalence of acute worsening after infection, regardless of the type of infection, compared with those with no reported infection, needs to be considered in the management of persons with MS.
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 | 0,002 | 0,068 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,002 |
| 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 ».