Long-Term Impact of Childhood Adversity on the Gut Microbiome of Nursing Students
Notice bibliographique
Résumé
Adverse childhood experiences (ACEs) encompass negative, stressful, and potentially traumatic events during childhood, impacting physical and mental health outcomes in adulthood. Limited studies suggest ACEs can have short-term effects on children’s gut microbiomes and adult cognitive performance under stress. Nevertheless, the long-term effects of ACEs experienced during adulthood remain unexplored. Thus, this study aimed to assess the long-term effects of ACEs on the gut microbiota of adult nursing students. We employed a multidimensional approach, combining 16S rRNA sequencing, bioinformatics tools, and machine learning to predict functional capabilities. High-ACE individuals had an increased abundance of Butyricimonas spp. and Prevotella spp. and decreased levels of Clostridiales, and Lachnospira spp. Prevotella abundance correlated negatively with L-glutamate and L-glutamine biosynthesis, potentially impacting intestinal tissue integrity. While nursing students with high ACE reported increased depression, evidence for a direct gut microbiota–depression relationship was inconclusive. High-ACE individuals also experienced a higher prevalence of diarrhea. These findings highlight the long-lasting impact of ACEs on the gut microbiota and its functions in adulthood, particularly among nursing students. Further research is warranted to develop targeted interventions and strategies for healthcare professionals, optimizing overall health outcomes.
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 | 0,000 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».