Optimal Cutoff for the Neutrophil-to-Lymphocyte Ratio as a Tool for Pre-chemotherapy Prognosis Stratification of Breast Cancer Patients
Notice bibliographique
Résumé
Introduction The neutrophil-to-lymphocyte ratio (NLR) is an established inflammatory marker in cancer patients. The optimal cut-off as an independent prognostic factor for breast cancer (BC) progression in patients undergoing chemotherapy remains debatable, hindering effective stratification. This study explored the optimal NLR cut-off by comparing various thresholds and assessing their effectiveness in stratifying BC patients according to prognosis. Methods This was a longitudinal quantitative study conducted at Queen's University in Kingston, Ontario, Canada, and the associated hospital is Kingston General Hospital. Demographic, clinical, and cancer-specific data on 42 BC patients were recorded, including complete blood counts before and after two cycles of chemotherapy. The receiver operating characteristic curve assessed discriminatory performance. Diagnostic metrics and Youden's J index were calculated, and McNemar's test was used to compare baseline NLR cutoffs of 2.5, 3.0, and 3.5. Kaplan-Meier curves assessed the relationship between various NLR cut-offs and other cancer prognostic markers. Results The three NLR cutoffs demonstrated distinct diagnostic metrics and Youden's J index values (p < 0.001), with the 3.0 cutoff providing the most balanced performance. Patients with pre-chemotherapy NLR > 3.0 were predicted to develop advanced stage BC more rapidly compared to those with pre-chemotherapy NLR < 3.0. Conclusion We believe that a more stringent NLR cutoff of 3.0 may be a suitable predictor of prognosis in BC patients based on the ranges evaluated in the literature. Findings of this paper could help clinicians in stratifying BC patients by risk, improving personalized treatment intensity while monitoring strategies accordingly.
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 | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».