Total Transit Time and Probiotic Persistence in Healthy Adults: A Pilot Study
Notice bibliographique
Résumé
Background/Aims: Motility, stool characteristics, and microbiota composition are expected to modulate probiotics' passage through the gut but their effects on persistence after intake cessation remain uncharacterized. This pilot, open-label study aims at characterizing probiotic fecal detection parameters (onset, persistence, and duration) and their relationship with whole gut transit time (WGTT). Correlations with fecal microbiota composition are also explored. Methods: HA-110). Probiotic intake was flanked by 4-week washout periods, with 18 stool collections throughout the study. WGTT was measured using 80% recovery of radio-opaque markers. Results: Tested strains were detected in feces ~1-2 days after first intake and persistence after intake cessation was not significantly different for R0052, HA-108, and HA-129 (~3-6 days). We identified 3 WGTT subgroups within this population (named Fast, Intermediate, and Slow), which could be classified by machine learning with high accuracy based on differentially abundant taxa. On average, R0175 persisted significantly longer in the intermediate WGTT subgroup (~8.5 days), which was mainly due to 6 of the 13 Intermediate participants for whom R0175 persisted ≥ 15 days. Machine learning classified these 13 participants according to their WGTT cluster (≥ 15 days or < 5 days) with high accuracy, highlighting differentially abundant taxa potentially associated with R0175 persistence. Conclusion: These results support the notion that host-specific parameters such as WGTT and microbiota composition should be considered when designing studies involving probiotics, especially for the optimization of washout duration in crossover studies but also for the definition of enrollment criteria or supplementation regimen in specific populations.
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 ».