The impact of respiratory infections and probiotic use on the nasal microbiota of frail residents in long-term care homes
Notice bibliographique
Résumé
Background Residents in long-term care homes, who tend to be of advanced age and frail, are at increased risk of respiratory infections. The respiratory microbiota is known to change with age, but whether these changes contribute to the risk of infection is not known. Our goal was to determine how the nasal microbiota of frail older adults changes during symptoms of influenza-like illness (ILI) and how this may be impacted by enrolment in a placebo-controlled trial testing the feasibility of administering a Lactobacillus rhamnosus GG probiotic to prevent respiratory infection (2014–2017). Methods The microbiome of the nasal (mid-turbinate) of 150 residents of long-term care homes was interrogated using 16S rRNA gene sequencing. Results We identified a diverse and individualised microbiota which could be separated into nine distinct clusters based on Bray–Curtis distances. Samples collected during symptoms of ILI differed statistically from those collected pre- and post-cold and influenza season, and we observed decreased temporal stability (as measured by movement between clusters) in individuals who experienced ILI compared to those who did not. Conclusions The use of probiotics decreased ILI-induced changes to the microbiota; however, it is not clear whether this decrease is sufficient to prevent respiratory illness.
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) | 0,000 | 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 | 0,001 |
| 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 ».