Connecting the Dots between Gut Microbiota Dysbiosis and Atherosclerosis: A Systematic Review Article Sidebar
Notice bibliographique
Résumé
The prevalence of cardiovascular disease (CVD) is rising despite improvements in risk factor management. Numerous causes, including lifestyle modifications, environmental conditions, and gut microbiota dysbiosis, could be blamed for this. The type of bacteria involved and their primary role in atherosclerosis remain unknown even though the association between gut microbiota and atherosclerosis has been explored. Through a systematic review, this study sought to understand how dysbiosis of the gut microbiota contributes to atherosclerosis. PubMed, EBSCOhost, EMBASE, and Cochrane were searched for relevant literature. The Newcastle-Ottawa Scale for nonrandomized studies was used to measure the risk of bias, and study selection was conducted following PRISMA 2020 recommendations. Both subclinical and symptomatic atherosclerosis were taken into account. Seven of the 783 studies that included 566 patients with vascular disease associated with atherosclerosis met the inclusion criteria. The composition of the gut microbiota varied considerably between the healthy control group and the atherosclerotic group. Patients with coronary artery disease (CAD) have lower alpha diversity. Atherosclerosis was linked to an increase in potentially hazardous bacteria such as Escherichia sp., Shigella sp., Enterococcus sp., and Ruminococcus gnavus and a decrease in helpful bacteria like Subdoligranulum, Roseburia, Faecalibacterium, and Eubacterium rectale. Conclusively, changes in the makeup of the gut microbiota shown in the atherosclerotic group might have caused an imbalance in the synthesis of metabolites, indicating that dysbiosis of the gut microbiota may contribute to cardiovascular disease in several ways.
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 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 ».