Association of Oral Microbiome with Periodontal Disease Progression: A Longitudinal Study
Notice bibliographique
Résumé
Periodontal disease, a prevalent oral health condition, is characterized by the inflammation and destruction of the supporting tissues around the teeth and poses significant challenges to global public health. Objectives: To examine the association between the oral microbiome and periodontal disease progression in a Pakistani population. Methods: A total of 350 patients aged ≥ 18 years, diagnosed with periodontal disease, were registered from August 2023 to February 2024. Participants were evaluated for periodontal health indicators, including probing depth and clinical attachment loss, and their oral microbiome profiles were analyzed using high-throughput sequencing of the 16S rRNA gene. Machine learning algorithms, including Random Forest and Support Vector Machines, were applied to predict disease progression based on microbial profiles. Results: Porphyromonas gingivalis and Tannerella forsythia were strongly associated with greater probing depths and clinical attachment loss (β = 0.45, p < 0.01), indicating their role in disease progression. Conversely, Streptococcus and Lactobacillus were linked to reduced disease severity (β = -0.30, p < 0.05). The oral microbiome exhibited high diversity, with Firmicutes (35%), Bacteroidetes (25%), Proteobacteria (20%), and Actinobacteria (15%) being the predominant species. The Random Forest model predicted disease progression with 85% accuracy (Area under the curve (AUC) = 0.87), emphasizing the predictive value of microbial profiles. Conclusions: It was concluded that the study confirms a strong link between specific oral microbiota and periodontal disease progression, emphasizing the importance of microbial analysis in predicting and managing periodontal health.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».