Fecal microbiota composition is a better predictor of recurrent Clostridioides difficile infection than clinical factors in a prospective, multicentre cohort study
Notice bibliographique
Résumé
INTRODUCTION: Clostridioides difficile infection (CDI) is the most common cause of antibiotic-associated diarrhoea. Fidaxomicin and fecal microbiota transplantation (FMT) are effective, but expensive therapies to treat recurrent CDI (reCDI). Our objective was to develop a prediction model for reCDI based on the gut microbiota composition and clinical characteristics, to identify patients who could benefit from early treatment with fidaxomicin or FMT. METHODS: Multicentre, prospective, observational study in adult patients diagnosed with a primary episode of CDI. Fecal samples and clinical data were collected prior to, and after 5 days of CDI treatment. Follow-up duration was 8 weeks. Microbiota composition was analysed by IS-pro, a bacterial profiling technique based on phylum- and species-specific differences in the 16-23 S interspace regions of ribosomal DNA. Bayesian additive regression trees (BART) and adaptive group-regularized logistic ridge regression (AGRR) were used to construct prediction models for reCDI. RESULTS: 209 patients were included, of which 25% developed reCDI. Variables related to microbiota composition provided better prediction of reCDI and were preferentially selected over clinical factors in joint prediction models. Bacteroidetes abundance and diversity after start of CDI treatment, and the increase in Proteobacteria diversity relative to baseline, were the most robust predictors of reCDI. The sensitivity and specificity of a BART model including these factors were 95% and 78%, but these dropped to 67% and 62% in out-of-sample prediction. CONCLUSION: Early microbiota response to CDI treatment is a better predictor of reCDI than clinical prognostic factors, but not yet sufficient enough to predict reCDI in daily practice.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».