Metabolomics Analysis as a Tool in Periodontitis Diagnosis: A Systematic Review
Notice bibliographique
Résumé
OBJECTIVES: This study aims to summarize recent studies available on untargeted metabolomics employed for periodontitis diagnosis, from saliva and gingival crevicular fluid samples, to identify recurring metabolites with biomarker-value potential. A secondary objective was to analysudurue the protocols of existing studies, to facilitate further research. MATERIAL AND METHODS: Three databases were electronically searched for relevant studies (PubMed, Web of Science, Scopus). Risk of bias assessment was performed using the Newcastle-Ottawa scale (NOS). Data was extracted from studies, regarding general characteristics and conclusions, population characteristics, periodontal protocols, and metabolomics protocols. Metabolic pathway analysis was performed for recurrent metabolites. RESULTS: After screening 405 studies, 13 studies (10 using saliva samples, 3 using GCF samples) were included. 22 metabolites were identified in more than one study and included into the pathway analysis. Butyrate, lactate, isoleucine, glucose, pyruvate, isovalerate, hypoxanthine/xanthine, proline, valine, phenylalanine, and ethanol were most frequently encountered and were found upregulated in periodontitis patients compared to periodontally healthy patients. CONCLUSIONS: Metabolomics could provide valuable opportunities in validating potential biomarkers or diagnosis panels, contributing to the screening, prognosis, progression and monitoring of periodontitis. Further studies on larger populations and using established protocols are needed. (PROSPERO CRD42023470339).
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 | 0,007 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,002 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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.
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».