Challenges establishing a multi-purpose fecal microbiota transplantation stool donor program in Toronto, Canada
Notice bibliographique
Résumé
Background: The success of fecal microbiota transplantation (FMT) programs depends on maintaining suitable stool donors. We describe challenges recruiting and retaining universal donors in the first 2 years of an FMT clinical and research program in Toronto and identify opportunities for improvement. Methods: A four-stage screening process is used to identify suitable FMT donors in the Microbiota Therapeutics Outcomes Program. Donor screening follows Health Canada recommendations and excludes persons with history or risk for diseases associated with dysbiosis. Donors are rescreened microbiologically approximately every 1–3 months and answer ongoing health, exposure, and dietary questionnaires. Results: In the first 2 years of our program, 5 of 322 (1.6%) prospective stool donors passed initial screening, and only 2 (0.6%) were retained. Most prospective donors were excluded on telephone screening, at which point high BMI, medication use, and family history of relevant illness were common exclusions. No candidate was excluded because of a concerning physical examination. Microbiologic reasons for donor exclusion included carriage of Blastocystis hominis ( n = 2), Helicobacter pylori ( n = 2), extended spectrum beta-lactamase producing organisms ( n = 1), Shiga-toxin producing Escherichia coli ( n = 1), and sapovirus ( n = 1). Universal donors were lost temporarily because of travel, antibiotic exposures, and transient carriage of antibiotic-resistant organisms. Conclusions: Recruiting and retaining suitable donors for FMT is challenging because of rigorous exclusions and labour-intensive screening processes. We present considerations for efficiency in donor screening, including targeting recruitment populations, expanded website self-screening, eliminating physical examinations, and streamlining post-travel risk assessment.
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 | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».