MétaCan
Menu
Retour à la cohorte
Enregistrement W4288748591 · doi:10.1002/lt.26552

Association of serum metabolites and gut microbiota at hospital admission with nosocomial infection development in patients with cirrhosis

2022· article· en· W4288748591 sur OpenAlexafffund
Jasmohan S. Bajaj, K. Rajender Reddy, Puneeta Tandon, Guadalupe García‐Tsao, Patrick S. Kamath, Jacqueline G. O’Leary, Florence Wong, Jennifer C. Lai, Hugo E. Vargas, Paul J. Thuluvath, Ram Subramanian, Marcela Peña‐Rodríguez, Masoumeh Sikaroodi, Leroy R. Thacker, Patrick M. Gillevet

Notice bibliographique

RevueLiver Transplantation · 2022
Typearticle
Langueen
DomaineMedicine
ThématiqueDialysis and Renal Disease Management
Établissements canadiensUniversity of TorontoUniversity of Alberta
Organismes subventionnairesGrifolsNational Institute of Diabetes and Digestive and Kidney DiseasesMallinckrodt PharmaceuticalsOffice of Research and DevelopmentU.S. Department of Veterans Affairs
Mots-clésMedicineCirrhosisLiver transplantationFecal bacteriotherapyGut floraInternal medicineIntensive care medicineGastroenterologyAntibioticsImmunologyTransplantationMicrobiologyClostridium difficile

Résumé

récupéré en direct d'OpenAlex

Cirrhosis is complicated by a high rate of nosocomial infections (NIs), which result in poor outcomes and are challenging to predict using clinical variables alone. Our aim was to determine predictors of NI using admission serum metabolomics and gut microbiota in inpatients with cirrhosis. In this multicenter inpatient cirrhosis study, serum was collected on admission for liquid chromatography-mass spectrometry metabolomics, and a subset provided stool for 16SrRNA analysis. Hospital course, including NI development and death, were analyzed. Metabolomic analysis using analysis of covariance (ANCOVA) (demographics, Model for End-Stage Liver Disease [MELD] admission score, white blood count [WBC], rifaximin, and infection status adjusted) and random forest analyses for NI development were performed. Additional values of serum metabolites over clinical variables toward NI were evaluated using logistic regression. Stool microbiota and metabolomic correlations were compared in patients with and without NI development. A total of 602 patients (231 infection admissions) were included; 101 (17%) developed NIs, which resulted in worse inpatient outcomes, including intensive care unit transfer, organ failure, and death. A total of 127 patients also gave stool samples, and 20 of these patients developed NIs. The most common NIs were spontaneous bacterial peritonitis followed by urinary tract infection, Clostridioides difficile, and pneumonia. A total of 247 metabolites were significantly altered on ANCOVA. Higher MELD scores (odds ratio, 1.05; p < 0.0001), admission infection (odds ratio, 3.54; p < 0.0001), and admission WBC (odds ratio, 1.05; p = 0.04) predicted NI (area under the curve, 0.74), which increased to 0.77 (p = 0.05) with lower 1-linolenoyl-glycerolphosphocholine (GPC) and 1-stearoyl-GPC and higher N-acetyltryptophan and N-acetyl isoputreanine. Commensal microbiota were lower and pathobionts were higher in those who developed NIs. Microbial-metabolite correlation networks were complex and dense in patients with NIs, especially sub-networks centered on Ruminococcaceae and Pseudomonadaceae. NIs are common and associated with poor outcomes in cirrhosis. Admission gut microbiota in patients with NIs showed higher pathobionts and lower commensal microbiota. Microbial-metabolomic correlations were more complex, dense, and homogeneous among those who developed NIs, indicating greater linkage strength. Serum metabolites and gut microbiota on admission are associated with NI development in cirrhosis.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,254

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,003
Tête enseignante GPT0,177
Écart entre enseignants0,175 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations24
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueLiver TransplantationMême sujetDialysis and Renal Disease ManagementTravaux en français237 207