MétaCan
Menu
← Back to cohort
Record W7032900017

Optimisation du criblage provincial du cancer colorectal en utilisant le microbiome intestinal comme biomarqueur

2023· other· fr· W7032900017 on OpenAlexaboutno aff

Bibliographic record

VenueKnowledge UdeS (Institutional Deposit of the University of Sherbrooke) · 2023
Typeother
Languagefr
FieldEconomics, Econometrics and Finance
TopicDiverse Scientific and Economic Studies
Canadian institutionsnot available
Fundersnot available
KeywordsColorectal cancerColonic diseaseCancerGenetic inheritance
DOInot available

Abstract

fetched live from OpenAlex

Le cancer est dit être la maladie du XXIe siècle et le cancer colorectal fait partie des types de cancer qui entraînent le plus de mortalité. Bien qu’étant une maladie facile à traiter quand elle est diagnostiquée dans ses prémices, le diagnostic de celle-ci est souvent réalisé de manière tardive. En effet, la maladie se développe initialement de manière asymptomatique et au moment où les premiers symptômes apparaissent, la maladie est souvent déjà avancée. De plus, les méthodes de détection du cancer colorectal ont un fort taux de faux positif, ce qui implique d’infliger des examens pour la confirmation du cancer colorectal qui peuvent être lourds pour les patients. La technique de détection du cancer colorectal qui est actuellement utilisée au Québec est le test RSOSi. Le test RSOSi est un test immunochimique de recherche de sang occulte dans les selles. Le taux de faux positif obtenu avec cette technique est de 42% parmi la totalité des tests positifs obtenus. Par conséquent, cette présente étude vise à améliorer les résultats de ce test en analysant les données du microbiome intestinal isolé à partir des tests RSOSi et ainsi réduire le taux de faux positifs. Pour améliorer cette technique, il serait intéressant de comprendre l’incidence que le microbiome intestinal peut avoir sur la présence de tumeurs colorectales. Étant donné que l’impact du microbiote intestinal sur la santé humaine est bien documenté, il est possible de penser que le microbiome influence la présence de tumeurs intestinales ou l’inverse. Il est concevable de penser que certains assemblages de communautés microbiennes pourraient se retrouver dans les échantillons RSOSi prélevés. Cette hypothèse implique qu’il y aurait peut-être des taxons spécifiques aux tumeurs colorectales qui pourraient être utilisés comme biomarqueurs pour détecter la maladie et discriminer les patients sains des patients réellement malades. Ainsi, cette présente étude aura pour objectif de déceler si le microbiome intestinal se remanie en fonction du développement du cancer colorectal ainsi que de déterminer s’il existe un assemblage de taxons spécifiques au cancer colorectal. Pour tenter d’atteindre ces objectifs, des analyses statistiques, l’analyse des diversités alpha et bêta, l’utilisation de l’apprentissage machine et la technique de qPCR seront utilisées. Cette étude montre qu’il ne semble pas possible de distinguer les personnes en santé et malades du cancer colorectal en se basant sur le microbiome intestinal extrait des tests RSOSi. Il apparait que les communautés microbiennes entre les groupes d’échantillons ne montrent pas de différences significatives. De plus, bien qu’il y ait des taxons qui semblent spécifiques à certains groupes d’échantillons, leur utilisation comme prédicteurs par les algorithmes d’apprentissage machine ne permettent pas de ségréger les échantillons sains des échantillons malades. Des pistes de recherches futures sur l’amélioration de la détection du cancer colorectal pourraient porter sur les impacts de plus de facteurs environnementaux sur le microbiome et le cancer colorectal, l’influence des médications sur le microbiome et le cancer colorectal, les interactions entre l’immunité et le microbiome sur la formation du cancer colorectal, ainsi que l’impact d’autres microorganismes (autre que les bactéries) sur le cancer colorectal.

Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.

How this classification was reachedexpand

Full frame machine prediction

Teacher imitation

Not calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.

metaresearch head score (Codex)0.002
metaresearch head score (Gemma)0.004
Version: metacan-v3-hybrid-931329e0061cValidation status: machine_predicted_unvalidated
Candidate categoriesnone
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Simulation or modeling · Consensus signal: none
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.995
Threshold uncertainty score0.012

Distilled classifier scores by category (both heads)

CategoryCodexGemma
Metaresearch0.0020.004
Meta-epidemiology (narrow)0.0010.001
Meta-epidemiology (broad)0.0020.001
Bibliometrics0.0010.001
Science and technology studies0.0010.000
Scholarly communication0.0020.001
Open science0.0010.001
Research integrity0.0010.001
Insufficient payload (model declined to judge)0.0040.001

Machine scores (provisional)

The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.

Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.

Opus teacher head0.024
GPT teacher head0.194
Teacher spread0.171 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.

The models applied no category: nothing in the taxonomy fit this work.
Study designSimulation or modeling
Domainnot available
GenreEmpirical

How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".

Quick stats

Citations0
Published2023
Admission routes1
Has abstractyes

Explore more

Same venueKnowledge UdeS (Institutional Deposit of the University of Sherbrooke)→Same topicDiverse Scientific and Economic Studies→French-language works237,207→