Prebiotic selection influencing inflammatory bowel disease treatment outcomes: a review of the preclinical and clinical evidence
Notice bibliographique
Résumé
Inflammatory bowel disease (IBD) is characterised by chronic inflammation in the gastrointestinal tract, with unclear aetiology but with known factors contributing to the disease, including genetics, immune responses, environmental factors and dysbiosis of the gut microbiota. Existing pharmacotherapies mainly target the inflammatory symptoms of disease, but recent research has highlighted the capacity for microbial-accessible carbohydrates that confer health benefits (ie, prebiotics) to selectively stimulate the growth of beneficial gut bacteria for improved IBD management. However, since prebiotics vary in source, chemical composition and microbiota effects, there is a clear need to understand the impact of prebiotic selection on IBD treatment outcomes. This review subsequently explores and contrasts the efficacy of prebiotics from various sources (β-fructans, galacto-oligosaccharides, xylo-oligosaccharides, resistant starch, pectin, β-glucans, glucomannans and arabinoxylans) in mitigating IBD symptomatology, when used as either standalone or adjuvant therapies. In preclinical animal colitis models, prebiotics have revealed type-dependent effects in positively modulating gut microbiota composition and subsequent attenuation of disease indicators and proinflammatory responses. While prebiotics have demonstrated therapeutic potential in animal models, clinical evidence for their precise efficacy remains limited, stressing the need for further investigation in human patients with IBD to facilitate their widespread clinical translation as microbiota-targeting IBD therapies.
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) | 0,001 | 0,001 |
| 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 ».