MétaCan
Menu
Retour à la cohorte
Enregistrement W4402732837 · doi:10.1016/j.watres.2024.122503

Making waves: From tap to gut- exploring the impact of drinking water on gut microbiota

2024· article· en· W4402732837 sur OpenAlexafffund
Hanieh Shakeri Moghaddam, Leili Abkar, Jane Fowler

Notice bibliographique

RevueWater Research · 2024
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueGut microbiota and health
Établissements canadiensUniversity of British ColumbiaUniversity of British Columbia HospitalSimon Fraser University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésGut floraTap waterEnvironmental healthBiologyEnvironmental scienceEcologyEnvironmental engineeringMedicineImmunology

Résumé

récupéré en direct d'OpenAlex

• There is a paucity of data on direct influences of DW microbiota on the gut. • Mounting evidence suggests relationships between DW and the gut microbiome. • Data on DW should be included in cohort and animal studies going forward. Drinking water (DW) harbours diverse microbial species and chemical attributes. Water comprises the greatest portion of our daily diet, ingested both on its own and used in the preparation of food. DW is our major source of liquids, which is vital to maintaining homeostasis, and can also supply essential minerals. Limited evidence suggests that DW plays a role in shaping the gut microbiome, which implies that it may impact human health. Despite its significant contribution to diet, DW is often overlooked in studies examining dietary influences on the gut microbiota. This perspective explores our current understanding of the link between DW and the gut microbiota - an area of human microbiome science that has been surprisingly understudied. Existing studies reveal links between DW source, microbiota composition, and gut health, emphasizing the need for comprehensive investigations. Understanding the interplay between DW and gut microbiota holds potential for tailored interventions to enhance human 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 machine sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,012
Score d'incertitude au seuil0,039

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,005
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,002
Communication savante0,0030,004
Science ouverte0,0010,003
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0120,002

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.

Tête enseignante Opus0,152
Tête enseignante GPT0,424
Écart entre enseignants0,272 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueWater ResearchMême sujetGut microbiota and healthTravaux en français237 207