Louis Boutin

La survenue d'une insuffisance rénale aiguë (IRA) est associée à un mauvais pronostique cardiovasculaire impliquant une physiopathologie complexe. L'ensemble de ces mécanismes est regroupé sous le terme de syndrome cardio-rénal de type 3 (SCR3) dont la compréhension des mécanismes impliqués est encore limitée, notamment concernant le rôle de la galectine3 (Gal3), une lectine dont l'expression augmente en cas de lésions rénales et cardiaques. Nos recherches antérieures ont examiné son rôle dans la survenue d'une dysfonction cardiaque à la suite d'une ischémie-reperfusion rénale (rIR) chez la souris, montrant que l'inhibition génétique de Gal3 permettait de prévenir partiellement cette dysfonction. Toutefois son rôle dans l'initiation du SCR3 reste inconnu. Par conséquent, l'objectif de cette étude était d'identifier les mécanismes à l'origine du SCR3 et le rôle de Gal3 tissulaire rénale dans ce contexte à travers des études translationnelles, chez des patients en situation critique et des observations physiopathologiques dans le cadre des études expérimentales précliniques. Tout d'abord, les études cliniques ont établi une forte corrélation entre les taux plasmatiques de Gal3 à l'admission en réanimation et la survenue d'un événement rénal majeur. L'utilisation de Gal3 en tant que biomarqueur a permis d'identifier des patients présentant des lésions rénales infracliniques, fréquentes et ayant un pronostic équivalent à ceux présentant une dysfonction rénale manifeste définies par une élévation de la créatinine plasmatique. Cette constatation a été corroborée par l'analyse de la signature peptidomique, similaire entre les patients atteints de lésions infracliniques et ceux souffrant d'IRA, renforçant ainsi l'utilité de Gal3 en tant que biomarqueur de lésions rénales. Dans un second temps, une étude physiopathologique menée sur un modèle murin d'rIR a observé une augmentation de l'expression de Gal3 au niveau tissulaire (principalement tubulaire) et plasmatique suite à une rIR. L'inhibition totale ou tissulaire de Gal3, s'est avérée associée à une réduction des lésions rénales, de l'inflammation, de la sécrétion de cytokines et de l'activation endothéliale, entraînant ainsi une diminution de la dysfonction cardiaque. L'administration exogène de Gal3 a été associée à une augmentation de l'expression de CD146, un médiateur endothélial impliqué dans l'adhésion cellulaire et l'activation endothéliale. Enfin, l'extraction de tubules rénaux après rIR a permis d'identifier la source tubulaire de Gal3 dans ce contexte, dont l'interaction avec CD146 favoriserait la production de cytokines, entraînant ainsi l'infiltration de cellules immunitaires dans le myocarde. Dans un troisième temps, nous avons montré que l'inhibition génétique de CD146 lors d'une rIR permettait de prévenir partiellement les conséquences cardiaques d'une rIR ce qui a mis en évidence l'importance de l'endothélium dans le SCR3. En conclusion, cette étude confirme le rôle crucial de Gal3 tubulaire dans l'initiation de mécanismes inflammatoires systémiques, impliquant CD146 en tant qu'acteur endothélial dans les lésions rénales et dans l'interaction entre les reins et le coeur à l'origine du SCR3.

Aims: Acute kidney injury (AKI) is a frequent and severe complication in critically ill patients with cardiovascular instability. Current risk scores rely on delayed renal biomarkers such as serum creatinine (sCr) and blood urea nitrogen (BUN). We aimed to develop and validate machine learning (ML) models predicting AKI and major adverse kidney events (MAKE) exclusively from systemic physiological and haemodynamic data. Methods and results: Two ML models were trained on the MIMIC-IV database: one including (sCr+/BUN+) and one excluding (sCr−/BUN−) renal parameters. External validation was performed in the eICU database and in a cohort of burn ICU patients from AP-HP. Model performance was assessed for early AKI and MAKE prediction up to 100 h before diagnosis. Systemic haemodynamic and physiological variables were the strongest predictors of AKI. In MIMIC-IV, the sCr−/BUN− model achieved auROC 0.78 at 72 h, approaching the sCr+/BUN+ model. In eICU, it outperformed the biomarker-based model at later time points (auROC 0.73). In the burn ICU cohort—representing a high-stress systemic environment—it maintained robust accuracy (auROC 0.75 at 24 h, 0.77 at 72 h). For MAKE prediction, the sCr−/BUN− model achieved auROC 0.87 (burn cohort), 0.67 (eICU), and 0.77 (MIMIC-IV). Median lead time for AKI prediction exceeded 70 h. Conclusion: AI models based solely on non-renal parameters can accurately predict AKI and MAKE, even under extreme systemic stress such as severe burns. Haemodynamic signatures carry sufficient information to anticipate kidney dysfunction well in advance, opening the way to real-time, proactive cardio-renal risk stratification in ICU patients with acute heart failure, cardiogenic shock, and after cardiac surgery.

Cardiac arrest following severe burn injury is rare but devastating, reflecting profound systemic compromise from hypovolemia, hypoxia, toxic exposure, or

Ayu Asakage, M.D., Shiro Ishihara, M.D., Louis Boutin, M.D., François Dépret, Ph.D., Takeshi Sugaya, Ph.D., Naoki Sato, Ph.D., Etienne Gayat, Ph.D., Alexandre Mebazaa, Ph.D., and Benjamin Deniau, Ph.D.. Ann Lab Med 2024;44:144-54. https://doi.org/10.3343/alm.2023.0083

Background: Sepsis is a severe and common cause of admission to the intensive care unit (ICU). Radiomic analysis (RA) may predict organ failure and patient outcomes. The objective of this study was to assess a model of RA and to evaluate its performance in predicting in-ICU mortality and acute kidney injury (AKI) during abdominal sepsis. Methods: This single-center, retrospective study included patients admitted to the ICU for abdominal sepsis. To predict in-ICU mortality or AKI, elastic net regularized logistic regression and the random forest algorithm were used in a five-fold cross-validation set repeated 10 times.Results: Fifty-five patients were included. In-ICU mortality was 25.5%, and 76.4% of patients developed AKI. To predict in-ICU mortality, elastic net and random forest models, respectively, achieved areas under the curve (AUCs) of 0.48 (95% confidence interval [CI], 0.43–0.54) and 0.51 (95% CI, 0.46–0.57) and were not improved combined with Simplified Acute Physiology Score (SAPS) II. To predict AKI with RA, the AUC was 0.71 (95% CI, 0.66–0.77) for elastic net and 0.69 (95% CI, 0.64–0.74) for random forest, and these were improved combined with SAPS II, respectively; AUC of 0.94 (95% CI, 0.91–0.96) and 0.75 (95% CI, 0.70–0.80) for elastic net and random forest, respectively.Conclusions: This study suggests that RA has poor predictive performance for in-ICU mortality but good predictive performance for AKI in patients with abdominal sepsis. A secondary validation cohort is needed to confirm these results and the assessed model.