Comprendre les phenotypes inflammatoire dans le syndrome de detresse respiratoire aigue et le sepsis

Discipline

Biologie Chimie Santé mention Recherche clinique, innovation technologique et thérapeutique

Classification

Médecine et santé

Mots-clés libres

Syndrome de detresse respiratoire aigu, Phenotype, Medecine de precision, Sepsis, Inflammation, Medecine translationnelle

Mots-clés

Syndrome de détresse respiratoire aiguë de l'adulte,

Phénotype,

Médecine personnalisée,

Sepsis,

Inflammation

L'identification des phénotypes hyperinflammatoires et hypoinflammatoires dans le sepsis et le Syndrome de détresse respiratoire aiguë (SDRA) ouvre de nouvelles perspectives thérapeutiques prometteuses. Cependant, des questions importantes subsistent, notamment sur la faisabilité de concevoir des essais cliniques centrés sur ces phénotypes et sur leur présence dans les pneumonies sévères, une cause majeure de SDRA et de sepsis hypoinflammatoire. De plus, l'utilisation de modèles animaux pourrait fournir des éclairages essentiels sur les mécanismes sous-jacents à ces phénotypes et permettre d'évaluer des traitements potentiels avant de les transposer aux essais cliniques chez l'homme.Cette thèse aborde ces défis dans trois domaines principaux. Tout d'abord, elle explore la faisabilité de mener des essais cliniques ciblant les phénotypes dans le SDRA en estimant la fraction attribuable de mortalité hospitalière due au SDRA chez les patients atteints de sepsis hyper- et hypoinflammatoire, tout en examinant les causes spécifiques de décès dans chaque phénotype. Ensuite, elle étudie l'existence de phénotypes moléculaires latents chez les patients atteints de pneumonie sévère en utilisant l'analyse de classes latentes pour révéler leurs caractéristiques cliniques et microbiologiques, et évaluer leur similarité avec celles observées dans le SDRA et le sepsis. Enfin, la thèse examine si un modèle murin de pneumonie peut être utilisé pour identifier des classes inflammatoires distinctes et évaluer l'efficacité d'interventions thérapeutiques au sein de ces classes. Elle évalue également la précision des modèles de machine learning dans la prédiction de ces classes à partir de variables cliniques, tout en explorant la correspondance entre les phénotypes inflammatoires chez la souris et ceux observés chez l'homme.