The subgingival microbiome, systemic inflammation and insulin resistance: The Oral Infections, Glucose Intolerance and Insulin Resistance Study
Notice bibliographique
Résumé
BACKGROUND: Inflammation might link microbial exposures to insulin resistance. We investigated the cross-sectional association between periodontal microbiota, inflammation and insulin resistance. METHODS: The Oral Infections, Glucose Intolerance and Insulin Resistance Study (ORIGINS) enrolled 152 diabetes-free adults (77% female) aged 20-55 years (mean = 34 ± 10). Three hundred and four subgingival plaque samples were analysed using the Human Oral Microbe Identification Microarray to measure the relative abundances of 379 taxa. C-reactive protein, interleukin-6, tumour necrosis factor-α and adiponectin were assessed from venous blood and their z-scores were summed to create an inflammatory score (IS). Insulin resistance was defined via the HOMA-IR. Associations between the microbiota and both inflammation and HOMA-IR were explored using multivariable linear regressions; mediation analyses assessed the proportion of the association explained by inflammation. RESULTS: The IS was inversely associated with Actinobacteria and Proteobacteria and positively associated with Firmicutes and TM7 (p-values < 0.05). Proteobacteria levels were associated with insulin resistance (p < 0.05). Inflammation explained 30-98% of the observed associations between levels of Actinobacteria, Proteobacteria or Firmicutes and insulin resistance (p-values < 0.05). Eighteen individual taxa were associated with inflammation (p < 0.05) and 22 with insulin resistance (p < 0.05). No findings for individual taxa met Bonferroni-adjusted statistical significance. CONCLUSION: Bacterial measures were related to inflammation and insulin resistance among diabetes-free adults.
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 | 0,006 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».