Evaluating Sinus Microbiology by Transplant Status in Persons With Cystic Fibrosis: A Matched Cohort Study
Notice bibliographique
Résumé
Abstract Objective Sinus disease is prevalent in persons with cystic fibrosis (PwCF) and may be a reservoir of airway infection in postlung transplant (pTx) patients. The microbial composition of cystic fibrosis sinuses and its associations with chronic rhinosinusitis (CRS) is relatively unexplored. We aimed to examine the sinus and lower airway microbiome and their associations with CRS in PwCF and pTxPwCF. Study Design Prospective single‐centre study. Setting A total of 31 sex and age (±2 years) matched PwCF and pTxPwCF. Methods Demographic and clinical data along with sinus swabs and sputum were collected. CRS was assessed using Sinonasal Outcome Test‐22 (SNOT‐22) (patient reported outcome) and Lund‐McKay (computed tomography sinus) scores. Samples underwent MiSeq Illumina sequencing of the universal 16S ribosomal RNA gene. Results A total of 31 PwCF (15 pTxPwCF) were included. Aggregate airways microbiome composition was dominated by Pseudomonas (46%), Haemophilus (14%), Staphylococcus (11%), Streptococcus (10%), and Fusobacterium (6%). α‐diversity was significantly lower in post‐Tx samples across both sputum and sinus samples ( P = .005). β‐diversity was significantly different between sputum ( P = .004), but not sinus ( P = .75) samples by transplant status. While there was a trend in higher β‐diversity associated with lower SNOT‐22 score at time of first visit, this did not reach significance ( P = .05). Conclusion Sinus and airway microbiomes differed in PwCF and pTxPwCF, but the prevalent organisms remained consistent. Elucidating the relationship of the microbiome with clinical status to better understand when to intervene accordingly is needed to optimize sinus disease management in PwCF.
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) | 0,001 | 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 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 ».