The Effect of Radiation and Chemoradiation Therapy on the Head and Neck Mucosal Microbiome: A Review
Notice bibliographique
Résumé
Radiation (RT) and chemoradiation therapy (CRT) play an essential role in head and neck cancer treatment. However, both cause numerous side effects in the oral cavity, paranasal sinuses, and pharynx, having deleterious consequences on patients' quality of life. Concomitant with significant advances in radiation oncology, much attention has turned to understanding the role of the microbiome in the pathogenesis of treatment-induced tissue toxicity, to ultimately explore microbiome manipulation as a therapeutic intervention. This review sought to discuss current publications investigating the impact of RT and CRT-induced changes on the head and neck microbiome, using culture-independent molecular methods, and propose opportunities for future directions. Based on 13 studies derived from a MEDLINE, EMBASE, and Web of Science search on November 7, 2021, use of molecular methods has uncovered various phyla and genera in the head and neck microbiome, particularly the oral microbiome, not previously known using culture-based methods. However, limited research has investigated the impact of RT/CRT on subsites other than the oral cavity and none of the studies aimed to examine the relationship between the head and neck microbiome and treatment effectiveness. Findings from this review provide helpful insights on our current understanding of treatment-induced oral mucositis, dental plaque, and caries formation and highlight the need for future research to examine the effect of RT/CRT on the sinonasal and oropharyngeal microbiome. In addition, future research should use larger cohorts, examine the impact of the microbiome on treatment response, and study the effect of manipulating the microbiome to overcome therapy resistance.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 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 ».