Platelet‐to‐lymphocyte ratio better predicts inflammation than neutrophil‐to‐lymphocyte ratio in end‐stage renal disease patients
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Neutrophil-to-lymphocyte ratio (NLR) was introduced as a potential marker to determine inflammation in end-stage renal disease (ESRD) patients. Recently, platelet-to-lymphocyte ratio (PLR) and NLR were found to positively correlated with inflammatory markers including tumor necrosis factor-α (TNF-α) and interleukin (IL)-6 in cardiac and noncardiac patients. Data regarding PLR and its association with inflammation are lacking in hemodialysis (HD) and peritoneal dialysis (PD) patients. Hence, we aimed to determine the relationship between PLR, NLR, and inflammation in ESRD patients. This was a cross-sectional study involving 62 ESRD patients (29 females, 33 males; mean age, 49.6 ± 14.6 years) receiving PD or HD for ≥6 months in the Dialysis Unit of Necmettin Erbakan University. PLR, NLR, C-reactive protein, TNF-α, IL-6 levels were measured. PLR, NLR, serum high sensitive C-reactive protein, IL-6, and TNF-α levels were significantly higher in PD patients when compared with HD patients. ESRD patients with PLR ≥ 140 had significantly higher NLR, IL-6, and TNF-α levels when compared to patients with PLR < 139. In the bivariate correlation analysis, PLR was positively correlated with NLR, IL-6, and TNF-α in this population. When we compared the association of PLR and NLR with IL-6 (r = 0.371, P = 0.003 vs. r = 0.263, P = 0.04, respectively) and TNF-α (r = 0.334, P = 0.008 vs. r = 0.273, P = 0.032, respectively), PLR was found to be superior to NLR in terms of inflammation in ESRD patients. Simple calculation of PLR can predict inflammation better than NLR in ESRD patients.
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.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 découle