Reproducibility of neutrophil percentages in pooled and non-pooled nasal lavage samples
Notice bibliographique
Résumé
Neutrophils form a host’s main immediate immune response. COPD, ozone, infection and other factors have been shown to increase neutrophils found in blood, sputum and nasal lavage. Nasal lavage is used to collect cells and inflammatory mediators from the nasal cavity, and can be used quantify neutrophilic response to inhaled stimuli. To compare the reproducibility of neutrophil percentage in a single sample lavage, SSL, versus multiple sample lavage, MSL (3 lavages performed 15 minutes apart and pooled). Randomized crossover trial of nasal lavage performed on 4 visits 7-10 days apart, alternating between SSL and MSL done in 7 subjects with perennial allergic rhinitis, 7 with bilateral nasal polyposis and 7 controls. The mean (±SEM) neutrophil percentage was not significantly different between the two methods (80 ±12 for SSL, 86 ±8 for MSL, p=0.2). At a minimum total cell count (TCC) cutoff of ≥20, the neutrophil percentage intraclass correlation (ICC) was similar but not sufficiently reproducible for SSL at 0.588 compared to MSL at 0.641. For samples with TCC≥100, the neutrophil percentage ICC of SSL was 0.93 (excellent correlation) and that of MSL was 0.676 (satisfactory). The evaluable samples for TCC≥100 were 60/84 for SSL and 67/84 for MSL. We previously demonstrated in the same experiment that a minimal TCC cutoff of ≥100 cells gave excellent eosinophil percentage ICC for both methods (>0.8). SSL ICC was superior to MSL in measuring nasal lavage neutrophil percentage. This method could be used to assess the effects of inhalant stimuli on the nasal cavity.
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 | 0,011 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».