Fecal Microbial Community Profiling Allows Discrimination of Phenotype and Treatment Response in Pediatric Crohn’s Disease and Ulcerative Colitis—An International Meta-Analysis
Notice bibliographique
Résumé
BACKGROUND AND AIMS: The pathophysiology of pediatric inflammatory bowel disease (PIBD), encompassing Crohn's disease (CD) and ulcerative colitis (UC), is not entirely understood. Dysregulation of the intestinal microbiome is recognized as both a disease-driving and a potential therapeutic target. This study aimed to systematically analyze gut microbiome compositions and its applicability as a biomarker for disease progress and treatment response. METHODS: Bibliographic and nucleotide databases were searched. Raw 16S-rRNA sequencing reads were subjected to a uniform downstream dada2/phyloseq pipeline to extract taxonomy, community structure, and abundance information. Patient metadata were extracted from publications, and study authors were contacted for further details if required. RESULTS: Twenty-six studies comprising 3956 stool samples (CD 41%, UC 36%, 23% healthy) were included in the analyses. Median age of individuals was 12 (interquartile range 4). Sex distribution was comparable. Alpha diversity was reduced between the healthy and both UC and CD treatment-naïve groups (P < .001) and further reduced with increasing clinical disease activity. Beta diversity revealed altered community structure in treatment-naïve children with PIBD (P < .001). This alteration remained in patients in clinical remission (P < .001). Machine learning models discriminated between treatment-naïve patients with CD or UC with an area under the receiver operating characteristics curve (AUROC) of 98%. Microbial communities differed between patient responders versus nonresponders to treatment (P < .001). Further, microbial community profiling distinguished treatment response (eg, steroid, nutrition, or TNFα) with AUROCs of 82%-90%. CONCLUSIONS: Gut microbial community structure is substantially altered in active and inactive PIBD and may be utilized as a biomarker for differentiating PIBD subtype and predicting treatment response.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,020 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,008 | 0,030 |
| Bibliométrie | 0,006 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».