First Episode Psychosis: The Commensal Gut Microbiota Perspective
Notice bibliographique
Résumé
The rates of type 2 diabetes (T2D) in patients with schizophrenia (SCZ) are 3-5-fold higher than in the general population, contributing to a two-fold higher mortality due to cardiovascular disease (CVD). Antipsychotics, namely second-generation antipsychotics (SGAs), the cornerstone of treatment for this illness, induce weight gain and increase risk for diabetes. Accumulating research has demonstrated that the gut microbiome (GMB) plays a primary function in energy metabolism and could be a central factor in the pathophysiology of obesity and metabolic dysfunction. Antipsychotics are well known to contribute to metabolic dysregulation in patients with SCZ possibly through their impact on the GMB. This effect may be mediated by changes in dietary pattern induced by antipsychotics. Alterations in the GMB therefore may be contributing to both the etiology and concurrent metabolic dysregulation observed in schizophrenia spectrum disorders. In this review, we aim explore how GMB affect the pathophysiology and treatment in this difficult to treat condition. We will review the GMB in relation to patients with first episode psychosis and the changes that occur within the microbiota when antipsychotic medication is introduced. The focus will be on SGAs, given their high propensity to cause weight gain and other metabolic side effects (namely glucose dysfunction, insulin resistance). The interplay between the GMB and SGAs will be explored further by examining neurotransmitter modulations, endocrine system function, and dietary changes. This commentary highlights the need for more large scale, clinical studies investigating antipsychotic induced changes to the gut microbiome and the importance of making changes to a patient’s care pathway with the GMB in mind.
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) | 0,001 | 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 ».