Gut Microbiota in Immuno-Oncology: A Practical Guide for Medical Oncologists With a Focus on Antibiotics Stewardship
Notice bibliographique
Résumé
The gut microbiota has emerged as a critical determinant of immune checkpoint inhibitor (ICI) efficacy, resistance, and toxicity. Retrospective and prospective studies profiling the taxonomic composition of intestinal microbes of patients treated with ICI have revealed specific gut microbial signatures associated with response. By contrast, dysbiosis, which can be caused by chronic inflammatory processes (such as cancer) or comedications, is a risk factor of resistance to ICI. Recent large-scale meta-analyses have confirmed that antibiotic (ATB) use before or during ICI therapy alters the microbiota repertoire and significantly shortens overall survival, even after adjusting for prognostic factors. These results underscore the importance of implementing ATB stewardship recommendations in routine oncology practice. Microbiota-centered interventions are now being explored to treat gut dysbiosis and optimize ICI responses. Early-phase clinical trials evaluating fecal microbiota transplantation (FMT) from ICI responders or healthy donors have shown that this approach is safe and provided preliminary data on potential efficacy to overcome both primary and secondary resistance to ICI in melanoma, non-small cell lung cancer, and renal cell carcinoma. More targeted interventions including live bacterial products including Clostridium butyricum and Akkermansia massiliensis represent novel microbiome-based adjunct therapies. Likewise, dietary interventions, such as high-fiber diets, have shown promise in enhancing ICI activity. In this ASCO Educational Book, we summarize the current state-of-the-evidence of the clinical relevance of the intestinal microbiota in cancer immunotherapy and provide a practical guide for ATB stewardship.
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,002 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,002 | 0,001 |
| 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 ».