Neutrophil-to-lymphocyte ratio on admission to predict the severity and mortality of COVID-19 patients: a meta-analysis
Notice bibliographique
Résumé
Abstract The neutrophil-to-lymphocyte ratio (NLR), an inflammatory marker, was suggested to be predictive of severity and mortality in COVID-19 patients, thus allowing early risk stratification. In this study, we investigated whether NLR levels on admission could predict the severity and mortality of COVID-19 patients. A literature search was conducted on 23 July 2020 to retrieve all published articles, including grey literature and preprints, investigating the association between on-admission NLR values and severity or mortality in COVID-19 patients. The risk of bias was assessed using the Newcastle Ottawa Scale (NOS). A meta-analysis was performed to determine the overall standardized mean difference (SMD) in NLR values and the pooled risk ratio (RR) for severity and mortality with the 95% Confidence Interval (95%CI). Meta-regression analysis was done to identify potential confounders. A total of 38 articles, including 5699 patients with severity outcomes and 6033 patients with mortality outcomes, were included. The meta-analysis showed that severe and non-survivors of COVID-19 had higher on-admission NLR levels than non-severe and survivors (SMD 0.88; 95%CI 0.72-1.04; I 2 =75% and 1.68; 95%CI 0.98-2.39; I 2 =99%, respectively). Regardless of the different NLR cut-off values, the pooled mortality RR in patients with elevated vs. normal NLR levels was 2.75 (95%CI 0.97-7.72). Meta-regression analysis showed that the association between NLR levels on admission and COVID-19 severity and mortality was unaffected by age (p=0.236; p=0.213, respectively). High NLR levels on admission were associated with severe COVID-19 and mortality. Further studies need to focus on determining the optimal cut-off value for NLR before clinical use. Key Points High neutrophil-to-lymphocyte ratio (NLR) is associated with severe COVID-19 and mortality NLR is a simple, accessible, near real-time, and cost-effective biomarker recommended for use in resource-limited healthcare settings
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 | 0,089 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».