MétaCan
Menu
← Retour à la cohorte
Enregistrement W2966898214 · doi:10.1136/gutjnl-2019-iddfabstracts.5

IDDF2019-ABS-0299 Gut microbiome diversity and specific microbial genera correlate with the severity of non-alcoholic liver disease in indonesia

2019· article· en· W2966898214 sur OpenAlexfundno aff
Chyntia Olivia Maurine Jasirwan, Cosmas Rinaldi Adhitya Lesmana, Irsan Hasan, Marcellus Simadibrata, Ikhwan Rinaldi, Juferdy Kurniawan, Andri Sanityoso, Saut Horas Hatoguan Nababan, Rino Alvani Gani

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineMedicine
ThématiqueLiver Disease Diagnosis and Treatment
Établissements canadiensnon disponible
Organismes subventionnairesHealth and Medical Research FundChina Postdoctoral Science FoundationChinese University of Hong KongUniversity Grants CommitteeTerry Fox FoundationLi Ka Shing Foundation
Mots-clésSteatosisFirmicutesGastroenterologyInternal medicineFatty liverFibrosisMedicineTransient elastographyBiologyDisease16S ribosomal RNALiver fibrosisBacteria

Résumé

récupéré en direct d'OpenAlex

Background The prevalence of nonalcoholic fatty liver disease (NAFLD) is increasing. In Indonesia Hasan, I et al. (2002) reported the prevalence of 30.6%. This study evaluated the first time the profile of gut microbiota and correlation with severity of NAFLD in Indonesia. Methods We included 37 subjects age 18–60 years. The characteristic data of the patients and the food recalls were recorded. Abdominal ultrasound, liver transient elastography with controlled attenuation parameter (CAP) were performed. Next generation 16S rRNA metagenomic sequencing was conducted using stool samples. The Spearman correlation test was used to examine the correlation between specific microbial taxa with the severity of NAFLD based on fibrosis and steatosis degree. Results The subjects included 62.2% (n=23) females and 37.8% males (n=14), mean age 50 ± 7.93 years old. They were divided based on fibrosis and steatosis degree into non-significant and significant fibrosis using cut off 7 KPa, mild and moderate-severe steatosis based on cut off 270 dB/m. From all subjects, we got 73% vs 27% non-significant and significant fibrosis, 51.4% vs 48.6% mild and moderate-severe steatosis. At the phylum level, the proportion of Bacteriodetes did not change in fibrosis or steatosis group. The proportion of Proteobacteria and Firmicutes was different in fibrosis and steatosis groups. Actinobacteria unknown bifidobacteriales bifidobacteriaceae bifidobacterium Bifidobacterium adolescentis correlate positively with non significant fibrosis (r = 0.532; p=0.004). Firmicutes clostridia clostridiales lachnospiraceae unknown fusicatenibacter saccharivorans and Firmicutes clostridia clostridales ruminococcaceae unknown [clostridium] leptum correlate negatively with significant fibrosis (r = -0.695; p=0.026 vs r = -0.732; p=0.016). In the group of steatosis, we got Bacteroidetes bacteroidia bacteroidales rikenellaceae alistipes alistipes onderdonkii and Firmicutes clostridia clostridales oscillospiracea oscillospiraceao scilibacter ruminantum correlate negatively with moderate-severe steatosis (r = -0.478; p=0.045 vs r = -0.518; p=0.028); Bacteroidetes bacteroidia bacteroidales rikenellaceae alistipes alistipes putredinis correlate positively with mild steatosis (r = 0.503; p=0.028). Conclusions The abundance of microbiota in NAFLD are not significantly different based on the group of fibrosis and steatosis, especially in phylum level. But at the lower level, some specific microbiota may correlate with the degree of fibrosis and steatosis.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,063
Score d'incertitude au seuil0,212

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0630,014

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.

Tête enseignante Opus0,010
Tête enseignante GPT0,203
Écart entre enseignants0,194 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetLiver Disease Diagnosis and Treatment→Travaux en français237 207→