Impact of the Gut Microbiome on Immune Checkpoint Inhibitor Efficacy—A Systematic Review
Notice bibliographique
Résumé
Background: Immune checkpoint inhibitors (icis) are increasingly being used in clinical practice, improving outcomes for cancer patients. Preclinical models showed significant interaction between the gut microbiome (gm) and response to icis. However, that interaction remains unclear in clinical practice. Methods: We performed a systematic review in medline to determine■ whether antibiotics affect ici efficacy,■ whether baseline gm composition and ici efficacy show any correlations,■ whether baseline gm composition and emergence of immune-related adverse events (iraes) show any correlations, and■ whether gm manipulation can alleviate the iraes.Included publications had to be written in English or French and had to describe a quantifiable link between gm composition or its modification and the response to icis or the occurrence of iraes, or both. Results: Of 1451 articles published before December 2018, 13 publications met the inclusion criteria. Five full-text articles and two abstracts highlighted a negative effect of antibiotics on ici efficacy. The composition of the gm was associated with ici efficacy in five full-text articles and one abstract, and with iraes in two full-text articles. In 2 cases, fecal microbiota transplantation was reported to reduce immune colitis. Conclusions: If possible, antibiotics should be avoided before ici treatment because of their negative effect on ici anticancer efficacy. No specific commensal bacterium was associated with ici efficacy, but an intact gm with high bacterial diversity and a good ratio of "responder-associated" bacteria to "non-responder-associated" bacteria seem to be correlated with better patient outcomes. Fecal microbiota transplantation is a promising technique for reducing ici-associated colitis.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,003 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».