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 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 | 0,012 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,017 | 0,058 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».