Breath profiles in cystic fibrosis children treated with CFTR modulators
Notice bibliographique
Résumé
<b>Background:</b> Exhaled breath profiles (BPs) differ between patients with cystic fibrosis (CF) and healthy controls (HC). It is not known whether these differences are caused by airway colonization with CF pathogens or other factors. <b>Aims and objectives:</b> To investigate whether electronic nose (eNose) BPs of HC were different from a) CF patients with negative airway microbiology or b) CF patients treated with CFTR modifier therapy. <b>Methods:</b> In this cross-sectional observational study, BPs were collected from clinically stable paediatric CF patients attending routine CF clinic for follow-up and compared to age-matched HC. A cloud-connected eNose, SpiroNose (de Vries et al. 2018 ERJ) was used for BP analysis. Data-analysis involved advanced signal processing, ambient correction and statistics based on linear discriminant analysis and ROC analysis. <b>Results:</b> 100 clinically stable children with CF were included (median ppFEV1 91%, age 12.0 years). The eNose was able to distinguish between HC (n=25) and all CF (accuracy 96.0%, AUC 0.985, 95%CI 0.966-1) as well as HC and CF patients with usual airway flora (n=20) (91.1%, AUC 0.994, 95%CI 0.979-1). BPs of 30 patients on CFTR modulator therapies (7 ivacaftor, 9 ivacaftor/lumacaftor, 5 ivacaftor/tezacaftor, 9 ivacaftor/tezacaftor/elexacaftor) were also different from HC (94.5%, AUC 0.999, 95%CI 0.994-1). There was no difference in BPs between CF patients treated or not treated with CFTR modulators. <b>Conclusions:</b> Differences in BPs between CF and HC cannot be explained by airway colonization with CF pathogens and CFTR modulator therapy does not seem to normalize BPs. Further studies are needed to identify other factors contributing to the unique BPs of people with CF.
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 ».