Exploring the oral‐gut microbiota during thyroid cancer: Factors affecting the thyroid functions and cancer development
Notice bibliographique
Résumé
Thyroid cancer (TC) is categorized into papillary, follicular, medullary, and anaplastic. The TC is increasing in several countries, including China, the United States, the United Kingdom, Canada, France, Australia, Germany, Japan, Spain, and Italy. Thus, this review comprehensively covers the factors that affect thyroid gland function, TC types, risk factors, and symptoms. Lifestyle factors (such as nutrient consumption and smoking) and pollutants (such as chemicals and heavy metals) increased the thyroid-stimulating hormone (TSH) levels which are directly related to TC prevalence. The conventional and recent TC treatments are also highlighted. The role of the oral and gut microbiota as well as the application of probiotics on TC are also discussed. The variations in the composition of oral and gut microbes influence the thyroid function indirectly through alteration in metabolites (such as short-chain fatty acids) that are eminent for cellular energy metabolism. Maintenance of healthy gut and oral microbiota can help in regulating thyroid function by regulating iodine uptake. Oral or gut microbial dysbiosis can be considered as an early diagnosis factor or TC marker. High TSH during TC can increase the oral microbial diversity while disrupting the high ratio of Firmicutes and Bacteroidetes in the gut. Supplementation of probiotics as an adjuvant in TC treatment is beneficial. However, needs more extensive research to explore the direct effect of probiotics on thyroid function.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».