Abstract B005: Investigating the effects of cancer treatment on gut microbiota in colorectal cancer patients: Study protocol
Notice bibliographique
Résumé
Abstract Background: Colorectal cancer (CRC) is the third most common cancer worldwide and the second leading cause of cancer mortality. Acute adverse effects (AEs) from CRC treatments (surgery, chemotherapy, radiation therapy) may cause dose limitations and/or treatment discontinuation. Chronic AEs may include bowel symptoms, fatigue, anxiety, depression, and sarcopenic obesity. These acute and chronic AEs significantly impact quality of life (QoL). A comprehensive understanding of the pathophysiological mechanism(s) driving these AEs is lacking. Evidence supports the hypothesis that the gut microbiota may be an integrative point in the pathogenesis of several AEs. Dysbiosis alters the normal function of the gut and gut-brain-axis. CRC treatments can lead to dysbiosis and in turn may drive acute and chronic AEs. Our aims are to explore how CRC treatment affects the microbiota and the further path to recovery. Methods: A prospective feasibility study of n=35 participants in Calgary, Alberta of stage I-III CRC patients to evaluate: 1) The feasibility of collecting microbiota samples at diagnosis to one-year post diagnosis; 2) Longitudinal changes to microbiota over a 1-year period; and 3) Preliminary associations between changes in the microbiota and treatment completion, treatment AEs, clinical and tumor characteristics, and changes to patient reported outcomes (PROs). Inclusion: Newly diagnosed stage I-III CRC, aged ≥18, English speaking, and willing to provide 4 fecal samples. Exclusion: Inflammatory bowel disease, hereditary CRC syndromes, or stage IV. Convenience sampling will be used. Feasibility will include recruitment and retention rates, adherence to specimen collection protocols, specimen quality, and patient satisfaction. Microbiota will be evaluated using longitudinal fecal sampling for metabolomics, culture, and mechanistic studies to examine intra-individual differences in microbiota (α and b diversity). Shotgun sequencing libraries will be prepared to generate approximately 4M 150 bp read pairs/sample. Clinical data on tumor characteristics, treatments, and treatment AEs will be abstracted from medical records. Demographic data and a battery of PROs (diet, physical activity, depression, anxiety, QoL, CRC symptoms, cognitive function, and fatigue using validated questionnaires) will be collected. Results: This study will determine the feasibility of longitudinal prospective collection of biospecimen, clinical, and PROs in newly diagnosed stage I-III CRC patients. This study will also provide preliminary data on changes to the gut microbiota as a result of treatments and how these changes may in turn impact clinical and PROs. Conclusions: This novel investigation into dysbiosis as an integrative point driving CRC treatment AEs is timely and warranted given the persistence of debilitating problems post CRC treatment. Building on data from this project we plan to conduct a population-based cohort study. Our goal is to ultimately inform interventions to manage treatment AEs, improve clinical outcomes, and improve QoL for CRC survivors. Citation Format: Colleen Ann Cuthbert, Kathy McCoy, Anthony MacLean, Lin Yang, May Lynn Quan, Donald Buie. Investigating the effects of cancer treatment on gut microbiota in colorectal cancer patients: Study protocol [abstract]. In: Proceedings of the AACR Special Conference on Colorectal Cancer; 2022 Oct 1-4; Portland, OR. Philadelphia (PA): AACR; Cancer Res 2022;82(23 Suppl_1):Abstract nr B005.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,012 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,003 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,070 | 0,019 |
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 source (Gemma direct ou Codex distillé), 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 ».