Prognostic impact of neutrophil-to-lymphocyte ratio in traumatic brain Injury: A systematic review and meta-analysis
Bibliographic record
Abstract
Disponer de herramientas para evaluar el pronóstico en pacientes con traumatismo craneoencefálico (TEC) es fundamental para un manejo terapéutico individualizado. La proporción de neutrófilos a linfocitos (NLR) es un biomarcador inflamatorio ampliamente utilizado que ha demostrado tener una capacidad pronóstica en varias enfermedades neurológicas, incluido el TEC. Sin embargo, no existe una revisión sistemática que resuma la evidencia disponible. Realizamos una búsqueda bibliográfica en 6 bases de datos. La calidad de los estudios se evaluó mediante la Newcastle-Ottawa Scale (NOS). Las medidas de efecto se expresaron como odds ratios (OR) y sus intervalos de confianza (IC) al 95%. Las diferencias de medias estandarizadas se convirtieron a Log[OR] utilizando el método de Chinn. El análisis cuantitativo se realizó mediante un modelo de efectos aleatorios. El efecto de los estudios pequeños se evaluaron con la prueba de Egger. Se incluyeron 8 estudios de cohortes. Los resultados no mostraron asociación entre los valores de NLR y la mortalidad en pacientes con diagnóstico de TEC (OR 2,42;IC95% 0,63-9,28; p=0,20; I2=92 %) o con resultados favorables/desfavorables en pacientes con TEC (OR 3,00,95 % IC 0,76-11,85, p=0,12,I2=99%). Los análisis de subgrupos no mostraron asociación (Resultado temprano: OR 2,63,IC95%:0,99-6,96; p=0,05;I2=95 %) (Resultado tardío: OR 3,36, IC95 %:0,22-52,17;p=0,39;I2=100 %). No hubo indicios de efecto de estudios pequeños para el resultado favorable/desfavorable (prueba-de-Egger=0,149). No encontramos asociación entre los valores de NLR y el resultado favorable/desfavorable o la mortalidad. Se requieren más estudios de alta calidad para tener una mejor perspectiva de las capacidades pronósticas de NLR en TEC.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.010 | 0.024 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.015 | 0.027 |
| Bibliometrics | 0.008 | 0.009 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".