Microbiome-pathogen interactions drive epidemiological dynamics of antibiotic resistance: A modeling study applied to nosocomial pathogen control
Notice bibliographique
Résumé
The human microbiome can protect against colonization with pathogenic antibiotic-resistant bacteria (ARB), but its impacts on the spread of antibiotic resistance are poorly understood. We propose a mathematical modeling framework for ARB epidemiology formalizing within-host ARB-microbiome competition, and impacts of antibiotic consumption on microbiome function. Applied to the healthcare setting, we demonstrate a trade-off whereby antibiotics simultaneously clear bacterial pathogens and increase host susceptibility to their colonization, and compare this framework with a traditional strain-based approach. At the population level, microbiome interactions drive ARB incidence, but not resistance rates, reflecting distinct epidemiological relevance of different forces of competition. Simulating a range of public health interventions (contact precautions, antibiotic stewardship, microbiome recovery therapy) and pathogens ( Clostridioides difficile , methicillin-resistant Staphylococcus aureus , multidrug-resistant Enterobacteriaceae) highlights how species-specific within-host ecological interactions drive intervention efficacy. We find limited impact of contact precautions for Enterobacteriaceae prevention, and a promising role for microbiome-targeted interventions to limit ARB spread.
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 ».