Treatment-Specific Composition of the Gut Microbiota Is Associated With Disease Remission in a Pediatric Crohn’s Disease Cohort
Notice bibliographique
Résumé
BACKGROUND: The beneficial effects of antibiotics in Crohn's disease (CD) depend in part on the gut microbiota but are inadequately understood. We investigated the impact of metronidazole (MET) and metronidazole plus azithromycin (MET+AZ) on the microbiota in pediatric CD and the use of microbiota features as classifiers or predictors of disease remission. METHODS: 16S rRNA-based microbiota profiling was performed on stool samples from 67 patients in a multinational, randomized, controlled, longitudinal, 12-week trial of MET vs MET+AZ in children with mild to moderate CD. Profiles were analyzed together with disease activity, and then used to construct random forest models to classify remission or predict treatment response. RESULTS: Both MET and MET+AZ significantly decreased diversity of the microbiota and caused large treatment-specific shifts in microbiota structure at week 4. Disease remission was associated with a treatment-specific microbiota configuration. Random forest models constructed from microbiota profiles before and during antibiotic treatment with metronidazole accurately classified disease remission in this treatment group (area under the curve [AUC], 0.879; 95% confidence interval, 0.683-0.9877; sensitivity, 0.7778; specificity, 1.000; P < 0.001). A random forest model trained on pre-antibiotic microbiota profiles predicted disease remission at week 4 with modest accuracy (AUC, 0.8; P = 0.24). CONCLUSIONS: MET and MET+AZ antibiotic regimens in pediatric CD lead to distinct gut microbiota structures at remission. It may be possible to classify and predict remission based in part on microbiota profiles, but larger cohorts will be needed to realize this goal.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| 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 ».