Faecal microbiota transplantation: Where did it start? What have studies taught us? Where is it going?
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The composition and activity of microorganisms in the gut, the microbiome, is emerging as an important factor to consider with regard to the treatment of many diseases. Dysbiosis of the normal community has been implicated in inflammatory bowel disease, Crohn’s disease, diabetes and, most notoriously, Clostridium difficile infection. In Canada, the leading treatment strategy for recalcitrant C. difficile infection is to receive faecal material which by nature is filled with microorganisms and their metabolites, from a healthy individual, known as a faecal microbiota transplantation. This influx of bacteria into the gut helps to restore the microbiota to a healthy state, preventing C. difficile from causing further disease. Much of what is known with respect to the microbiota and faecal microbiota transplantation comes from animal studies simulating the human disease. Although these models allow researchers to perform studies that would be difficult in humans, they do not always recapitulate the human microbiome. This makes the translation of these results to humans somewhat questionable. The purpose of this review is to analyse these animal models and discuss the advantages and the disadvantages of them in relation to human translation. By understanding some of the limitation of animal models, we will be better able to design and perform experiments of most relevance to human applications.
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.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,002 |
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 découle