Potential of neutrophil-to-eosinophil ratio as a new prognostic tool for patients with advanced renal cell carcinoma receiving first-line immuno-oncology combinations
Notice bibliographique
Résumé
Systemic therapies for advanced renal cell carcinoma (aRCC) have evolved dramatically since the approvals of immuno-oncology (IO) agents.1 Thereafter, risk-based decision-making has become increasingly important to guide treatment selection. To date, there have been two widely-used nomograms for risk stratification of patients with aRCC: the Memorial Sloan Kettering Cancer Center (MSKCC) model2 and the International Metastatic Renal Cell Carcinoma Database Consortium (IMDC) model.3 Both nomograms consist of similar clinical parameters such as short time from diagnosis to systemic therapy, poor performance status, low haemoglobin and high corrected calcium. In addition to these risk factors, the MSKCC model contains high lactate dehydrogenase (LDH), whereas the IMDC model contains neutrophils and platelets instead of LDH. In the era of IO combinations, several additional risk factors have been advocated including inflammatory markers such as neutrophil-to-lymphocyte ratio,4 C-reactive protein5 and absolute lymphocyte count,6 given that these biomarkers are closely linked to how IO agents use host immunity during antitumour immune response against aRCC.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 | 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 ».