Role of neutrophil-to-lymphocyte ratio in prediction of Gleason score upgrading and disease upstaging in low-risk prostate cancer patients eligible for active surveillance
Notice bibliographique
Résumé
INTRODUCTION: Active surveillance (AS) is an option for management of low-risk prostate cancer (PCa). However, grade and stage progression is an important consideration. Neutrophil-to-lymphocyte ratio (NLR) is a useful marker of cancer-related inflammation. In this study, we aimed to identify the roles of neutrophil count (NC), lymphocyte count (LC), and NLR to predict Gleason score (GS) upgrading, disease upstaging, and biochemical recurrence rates (BCR) in low-risk PCa patients. METHODS: We retrospectively evaluated data of 210 low-risk PCa patients eligible for AS, but who underwent radical prostatectomy. The roles of NC, LC, and NLR on the GS upgrading, disease upstaging, and BCR rates were investigated. Univariate and multivariate models were used to determine the effect of these parameters. RESULTS: There were 104 and 106 patients in the NLR <2.5 and NLR ≥2.5 groups, respectively. GS upgrading in the NLR ≥2.5 group was more common than in the NLR<2.5 group (p=0.04). The NLR ≥2.5 group had significantly higher GS (8-10; p=0.03). With regard to NLR, the groups were found to have similar rates of disease upstaging (9/104 in NLR <2.5 vs. 16/106 in NLR ≥2.5; p=0.200). BCR rates were also significantly different between groups (p=0.033). NC an LC were not found to be associated with GS upgrading, disease upstaging, or BCR. CONCLUSIONS: NLR is a predictor of GS upgrading and BCR, but not disease upstaging in patients with low-risk PCa. Furthermore, higher NLR was found to be associated with higher GS PCa. NLR is a cost-effective and easily accessible tool that can be used in the decision-making process for treatment of low-risk PCa cases.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 ».