Article de méthode

Bibliétrie et bioinformatique Exploration des points chauds de recherche et cibles clés en comorbidité : maladies pulmonaires interstitielles et hypertension pulmonaire

DOI :

10.3791/71631

⸱

7 août 2026

 ,  ,  , 
1Graduate School, Beijing University of Chinese Medicine, 2Physical Examination Center, China-Japan Friendship Hospital, 3Qihuang School, Beijing University of Chinese Medicine, 4National Center for Integrative Medicine, China-Japan Friendship Hospital, 5School of Population Medicine and Public Health, Chinese Academy of Medical Sciences and Peking Union Medical College

Dans cet article

Résumé

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Ce protocole utilise comme exemples la maladie pulmonaire interstitielle et l’hypertension pulmonaire et intègre la bibliométrie à la bioinformatique pour explorer systématiquement et de manière préliminaire leurs tendances de recherche, les points chauds, les cibles clés et les voies associées. Ce protocole pouvait être reproduit pour analyser les paires de maladies en modifiant les invites.

Résumé

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

La maladie pulmonaire interstitielle (ILD) et l’hypertension pulmonaire (HP) coexistent fréquemment en comorbidités, entraînant de mauvais résultats cliniques et des options thérapeutiques limitées. Identifier les points chauds de recherche importants et découvrir les cibles clés de comorbidité est essentiel pour améliorer la gestion des maladies et développer de nouvelles stratégies thérapeutiques. Ce protocole récupère les publications pertinentes issues de la Web of Science Core Collection et des bases de données Scopus, et utilise CiteSpace et VOSviewer pour cartographier les points chauds de recherche et les tendances évolutives. Par la suite, des cibles génétiques qui se chevauchent associées aux deux maladies sont identifiées à partir de la base de données GeneCards. Des réseaux d’interactions protéine-protéine sont construits à l’aide de STRING pour identifier les gènes hub, et une analyse d’enrichissement des voies KEGG est réalisée à l’aide du langage R pour élucider les principales voies de signalisation. Les résultats montrent que la bibliométrie identifie la trajectoire développementale de ce domaine interdisciplinaire d’un point de vue macro ; l’analyse bioinformatique révèle FN1, IL6 et TNF comme cibles potentielles de comorbidité principales ; et l’analyse d’enrichissement KEGG indique que les voies immunitaires centrées sur PI3K-Akt et MAPK sont profondément impliquées dans la pathogenèse de la comorbidité. En intégrant ces deux approches, ce protocole délimite systématiquement la trajectoire de développement et les points chauds de recherche dans la recherche sur la comorbidité ILD-PH, tout en dépistant de manière préliminaire les cibles et voies potentielles de comorbidité. Il fournit une orientation et une base computationnelle pour la recherche expérimentale future et la validation clinique. Ce cadre intégré offre une méthodologie reproductible applicable à l’étude d’autres comorbidités complexes de maladies.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

La maladie pulmonaire interstitielle (ILD) désigne un groupe de maladies pulmonaires diffuses caractérisées pathologiquement par l’inflammation et la fibrose de l’interstitium pulmonaire. Au cours de sa progression de la maladie, elle est souvent compliquée par de multiples comorbidités, parmi lesquelles l’hypertension pulmonaire (HP) est l’une des comorbidités courantes qui affectent significativement le pronostic 1,2. Les données épidémiologiques indiquent que l’incidence de l’HP chez les patients atteints de ILD varie selon le sous-type et le stade de la maladie, allant de 13 % à 86 %3,4,5. Cette comorbidité réduit non seulement significativement la qualité de vie des patients et augmente leur risque de mortalité, mais aggrave également le fardeau socioéconomique et des soinsde santé 6,7. Contrairement à l’hypertension artérielle pulmonaire, la pathogenèse de l’hypertension pulmonaire associée à la maladie pulmonaire interstitielle est plus complexe, impliquant de multiples processus pathologiques tels que la vasoconstriction pulmonaire hypoxique, le remodelage vasculaire pro-fibrotique et médié par les facteurs inflammatoires, ainsi que le dépôt de la matriceextracellulaire 8,9,10. À l’heure actuelle, le diagnostic clinique et les stratégies de traitement de cette comorbidité restent relativement limités, et les médicaments ciblés spécifiques font défaut. Ses mécanismes moléculaires sous-jacents, ses voies de signalisation clés et ses premiers biomarqueurs doivent encore être élucidés de manièresystématique 11,12.

En tant qu’outil objectif pour détecter les points focaux de recherche et les trajectoires évolutives, la bibliométrie a acquis une large application ces dernièresannées 13,14. L’analyse bioinformatique identifie les cibles clés et les voies principales en intégrant des cibles associées à la maladie découvertesprécédemment 15. Pour la recherche sur la comorbidité, l’intégration des points chauds de recherche macroscopique avec les voies moléculaires et les informations cibles approfondit la compréhension des mécanismes de comorbidité et fournit des prédictions computationnelles ainsi que des orientations pour les études expérimentales ultérieures. Cependant, la recherche sur la comorbidité de la maladie pulmonaire interstitielle et de l’hypertension pulmonaire manque encore d’une analyse intégrée systématique combinant la cartographie macroscopique des connaissances avec les réseaux moléculaires microscopiques. En conséquence, cette étude a utilisé les bases de données Web of Science Core Collection (WoSCC) et Scopus pour décrire de manière exhaustive la trajectoire de développement et les points chauds de recherche sur la comorbidité ILD-PH grâce à des méthodes bibliométriques. Parallèlement, des outils bioinformatiques ont été utilisés pour identifier les gènes de base et les voies moléculaires potentielles associées à la comorbidité, fournissant une base moléculaire candidate et une orientation de conception expérimentale pour la recherche expérimentale ultérieure et l’exploration ciblée.

Protocole

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

L’étude a utilisé des bases de données secondaires publiques accessibles, notamment GeneCards, STRING et KEGG. Selon l’article 32 du Règlement sur les ressources génétiques humaines de la Chine, ces bases de données n’impliquent pas la collecte directe des ressources génétiques humaines en Chine ; par conséquent, aucune approbation éthique ni consentement éclairé n’était requis pour cette étude. Des informations détaillées sur les versions des logiciels et plateformes utilisées dans cette section sont fournies dans le tableau des matériaux.

1. Collection et organisation de la littérature

  1. Accédez à la base de données MeSH (Table of Materials).
  2. Recherchez séparément les termes de maladies « Maladie pulmonaire interstitielle » et « Hypertension pulmonaire » pour obtenir leurs sous-titres associés.
  3. Élaborer une stratégie de recherche globale basée sur les termes et sous-titres identifiés par MeSH.
  4. Le 9 mars 2026, ouvrez la base de données WoSCC (Table of Materials).
  5. Sélectionnez Recherche avancée. Voici la stratégie de recherche : TS=(« Maladie pulmonaire parenchymatose diffuse » OU « Maladies pulmonaires parenchymateuses diffuses » OU « Maladie pulmonaire interstitielle » OU « Maladies pulmonaires interstitielles ») ET TS=(« Hypertension pulmonaire »). Fixez la plage de dates de publication du 1er janvier 2016 au 31 décembre 2025, puis cliquez sur Rechercher.
  6. Sélectionnez Articles et Articles de synthèse comme types de documents, puis choisissez l’anglais comme langue. Sélectionnez Enregistrement complet et Références citées comme contenu du registre. Exportez les enregistrements au format txt et enregistrez-les en wos.txt, puis convertissez en format csv et enregistrez en wos.csv.
  7. Le 9 mars 2026, ouvrez la base de données Scopus (Table of Materials).
  8. Réglez le champ de recherche sur « Titre » / « Abstrait » / « Mots-clés ». Entrez dans la stratégie de recherche : TITLE-ABS-KEY ((« Maladie pulmonaire parenchymatose diffuse » OU « Maladies pulmonaires parenchymeuses diffuses » OU « Maladies pulmonaires interstitielles » OU « Maladies pulmonaires interstitielles »)) ET TITRE -ABS-KEY (« Hypertension pulmonaire »). Sélectionnez la période d’années allant du 1er janvier 2016 au 31 décembre 2025, choisissez Médecine comme domaine d’études, puis cliquez sur Recherche (Tableau supplémentaire 1).
  9. Cliquez sur Exporter, sélectionnez le format CSV, exportez tous les enregistrements récupérés et enregistrez en tant que scopus.csv.
  10. Ouvrez wos.csv, copiez la colonne DOI, et collez-la dans scopus.csv. Effectuer la comparaison de données, utiliser la fonction Supprimer les doublons dans Excel pour marquer les doublons, supprimer les doublons, et obtenir scopus1.csv. Pour les très rares documents dépourvus de DOI, nous avons vérifié manuellement en utilisant une combinaison de « titre + auteur + année » afin d’assurer l’inclusion complète de la littérature requise pour cette étude.
  11. Créez de nouveaux dossiers nommés repertoire d’entrée et répertoire de sortie. Placez scopus1.csv obtenu après déduplication dans le répertoire d’entrée. Ouvrez CiteSpace, cliquez sur Data, sélectionnez Scopus, spécifiez les dossiers correspondants, puis cliquez sur le bouton Scopus (csv) > WoS pour convertir le format de données Scopus, unifiant ainsi le format des deux bases de données en format txt. Nommez le fichier résultant scopus1.txt.
  12. Fusionnez les données des deux bases de données. Placez scopus1.txt et wos.txt dans CiteSpace pour la déduplication et la fusion afin d’obtenir des données de littérature uniformément formatées et dédupliquées : dataset.txt, pour une analyse ultérieure (Tableau supplémentaire 2).
  13. Vérifiez les fichiers wos.txt et scopus.csv obtenus pour vous assurer que le processus de déduplication utilise le DOI comme critère de correspondance et que le fichier dataset.txt est généré avec succès.

2. Analyse annuelle des tendances des productions de publications

  1. Dans Microsoft Excel, comptez le nombre de publications par année pour générer deux colonnes de données (Année, Publications).
  2. Sélectionnez le jeu de données, accédez à Insérer > Graphique > Graphique à colonnes pour générer un tableau à colonnes de la production annuelle de publications.
  3. Désigné l’axe horizontal comme Année et l’axe vertical comme Publications.
  4. Activez les étiquettes de données pour afficher le nombre spécifique de publications chaque année.
  5. Exportez toutes les figures en format de fichier image balisé (TIFF), garantissant une résolution d’au moins 300 dpi.

3. Analyse des publications nationales/régionales et de la collaboration internationale

  1. Lance VOSviewer, sélectionne Créer > Créer une carte basée sur des données bibliographiques > Lire les données des fichiers de la base de données bibliographiques16.
  2. Importez le jeu de données en texte brut généré à l’étape 1.12.
  3. Sélectionnez Co-auteur comme type d’analyse et Pays comme unité d’analyse.
  4. Fixer le nombre minimum de documents pour un pays à 40, conservant ainsi les 20 premiers pays par production de publications. S’assurer que le réseau de collaboration se concentre sur les pays à forte production tout en maintenant la clarté et la lisibilité de la carte, facilitant ainsi la compréhension intuitive des forces de recherche internationales et des schémas de collaboration pour les lecteurs.
  5. Dans l’interface Vérifier les éléments sélectionnés , sélectionnez tous les pays, copiez la liste dans Excel, puis exportez le nombre de publications et le nombre de citations pour chaque pays.
  6. Dans le tableau Excel résultant, sélectionnez les 10 pays les plus importants par production de publication et générez un tableau affichant leurs publications et leurs citations.
  7. Sélectionnez le bouton « Terminer » pour construire le réseau national de collaboration et sauvegarder le réseau au format GML.
  8. Lance Scimago Graphica et importe le fichier GML.
  9. Associez le champ étiquette à Pays et définissez le type de champ du cluster sur Chaîne.
  10. Dans la configuration de visualisation, placez le champ de sortie publication (généralement poids ou un nom similaire) dans la case Taille, définissez le champ cluster comme boîte Couleur, et associez le champ étiquette aux cases Étiquette, Infobulle et Unité.
  11. Allez à Marks > Carte. Utilisez Edges pour l’ajustement de la courbure des lignes, et Edge Color pour la configuration des couleurs des nœuds.
  12. Exportez la carte finale au format PNG.
  13. Importez le jeu de données en texte brut généré à l’étape 1.12 dans la Plateforme d’Analyse en Ligne Bibliométrique (https://bibliometric.com), cliquez sur Télécharger les données de citation, puis sélectionnez Relations pays pour générer un diagramme de cordes de collaboration nationale à visualiser.
  14. Un point de contrôle clé consiste à ajuster de manière appropriée le nombre minimum de documents afin que le réseau résultant soit bien équilibré et visuellement clair, tout en reflétant les objectifs de la recherche.

4. Analyse des publications et citations des revues

  1. Importez le même jeu de données dans VOSviewer, sélectionnez Citation comme type d’analyse, puis sélectionnez Sources comme unité d’analyse.
  2. Fixez le nombre minimum de documents pour une source à 5 et le nombre minimum de citations à 20.
  3. Dans l’interface Vérifier les éléments sélectionnés , copiez la liste des revues dans Excel pour obtenir le nombre de publications et le total des citations pour chaque revue.
  4. Choisissez Finir, et la carte du réseau de co-citation des revues sera générée. Ajustez les paramètres d’Attraction et de Répulsion pour améliorer la disposition, affinez l’apparence via le panneau de visualisation, et enregistrez la carte en TIFF avec une résolution d’au moins 300 dpi.
  5. Dans Excel, triez les revues par nombre de publications, sélectionnez les 10 meilleures revues par production de publications. Le 9 mars 2026, accédez à la plateforme officielle du JCR (Table of Materials), recherchez chaque revue respectivement, et notez leur dernier facteur d’impact et leur quartile JCR. Générez un graphique affichant les 10 revues les plus importantes par publication produite.
  6. Dans Excel, triez les revues par nombre total de citations, sélectionnez les 10 meilleures revues par fréquence de citation. Le 9 mars 2026, récupérez et enregistrez leur dernier facteur d’impact et quartile JCR depuis la plateforme officielle JCR. Générez un tableau affichant les 10 revues principales par fréquence de citation.

5. Analyse de réseau de collaboration auteur à haute productivité

  1. Importez l’ensemble de données dans VOSviewer, sélectionnez Co-authorship comme type d’analyse, et sélectionnez Authors comme unité d’analyse.
  2. Fixez le nombre minimum de documents pour un auteur à 3 afin de filtrer les auteurs ayant un certain niveau d’activité.
  3. Dans l’interface Vérifier les éléments sélectionnés , copiez la liste des auteurs et enregistrez le nombre de publications et de citations des auteurs dans un fichier Excel.
  4. Choisissez Finition pour produire le réseau de collaboration avec l’auteur, ajustez la disposition et l’apparence du réseau, et enregistrez au format TIFF.
  5. Dans Excel, triez les auteurs selon leur nombre de publications, choisissez les 10 chercheurs les plus productifs, et générez un tableau de donuts pour afficher leur nombre de publications.
  6. À partir du jeu de données original, récupérez les 10 meilleurs auteurs par nombre de citations, identifiez leurs pays respectifs, attribuez des couleurs distinctes selon le pays, et générez un tableau affichant les 10 meilleurs auteurs par fréquence de citation.

6. Cooccurrence mot-clé et analyse de l’évolution thématique

  1. Lance CiteSpace et navigue dans Data > Import/Export.
  2. Placez le fichier txt exporté à l’étape 1.12 dans le dossier d’entrée. Dans l’interface Import/Export , définissez les chemins d’entrée et de sortie, sélectionnez Article et Revue comme types de documents, puis cliquez sur Démarrer pour effectuer la conversion du format des données.
  3. Après conversion, copiez les fichiers du dossier de sortie vers le dossier data. Dans l’interface principale de CiteSpace, cliquez sur Nou, définissez le répertoire du projet et celui des données, sélectionnez WoS comme source de données, puis choisissez l’anglais comme langue.
  4. Allez dans le panneau de tranche temporelle à droite, réglez la période à 2016–2025, adoptez une fenêtre d’un an, et choisissez Mot-clé comme type de nœud.
  5. Appliquer l’indice g (k=10) pour l’échelle du réseau, puis sélectionner les trois stratégies d’élagage : Pathfinder, Élagage des réseaux tranchés et Élagage du réseau fusionné.
  6. Cliquez sur Démarrer pour lancer l’analyse. Après l’achèvement, utilisez la fonction d’optimisation de l’étiquette de clustering One-Click pour créer la carte de cooccurrence des mots-clés.
  7. Configurez l’affichage des étiquettes des nœuds et du cluster depuis le panneau de configuration, et optimisez les éléments visuels tels que la taille du nœud.
  8. Sélectionnez Disposition > Chronologie pour générer la vue de la timeline par mots-clés.
  9. Dans le panneau de configuration, sélectionnez Burstness, cliquez sur Rafraîchir et Visualiser séquentiellement, définissez le nombre de 25 premiers mots-clés à afficher, et générez le graphique des 25 premiers mots-clés par force de rafale. Exportez les images générées au format TIFF pour stockage.

7. Analyse de co-citation de références

  1. Chargez le même jeu de données dans CiteSpace. Définissez la plage de temps et les stratégies d’élagage comme décrits aux étapes 6.4–6.5, et sélectionnez Référence citée comme type de nœud.
  2. Après avoir lancé l’analyse, utilisez la fonction d’optimisation des labels de clustering One-Click pour générer la carte de cooccurrence de référence.
  3. Ajustez les étiquettes des nœuds et des clusters, et sélectionnez Clusters pour générer la carte de regroupement de référence.
  4. Dans le panneau Burstness , réglez l’affichage pour afficher les 20 références les plus citées par fréquence de citation, et générez le graphique des 20 références co-citées par force de rafale.
  5. Exportez toutes les images au format TIFF pour stockage.

8. Analyse des réseaux PPI

  1. Accédez à la base de données GeneCards (https://www.genecards.org)17le 12 mars 2026, et recherchez en utilisant respectivement « Maladie pulmonaire interstitielle » et « Hypertension pulmonaire ». Les termes de maladie utilisés pour la recherche sont cohérents avec ceux de la recherche de la littérature, et aucun variant de terme supplémentaire n’a été développé.
  2. Exportez la liste des cibles avec un score de pertinence ≥ 1 pour chaque recherche. La méthode d’extraction consistait à trier par score de pertinence et à exporter toutes les cibles avec un score ≥ 1. Le seuil de ≥ 1 a été choisi car il capture la grande majorité des gènes associés soutenus par la littérature tout en minimisant les faux positifs.
  3. Utilisez R pour obtenir l’intersection des deux ensembles cibles, ce qui donne les cibles liées à la comorbidité ILD-PH.
  4. Accédez au module Protéines multiples de la base de données STRING (https://cn.string-db.org/)18, entrez la liste des cibles de comorbidité dans la barre de recherche, et sélectionnez Homo sapiens comme espèce.
  5. Cliquez sur Continuer, puis dans le panneau Paramètres, réglez le score d’interaction minimum requis à Haute confiance (0,700), et activez le masquage des nœuds déconnectés dans le réseau19.
  6. Après avoir mis à jour le réseau, téléchargez les données d’interaction sous forme de fichier TSV depuis le menu Export .
  7. Lance Cytoscape, et charge le fichier TSV via File > Import > Network depuis le système de fichiers.
  8. Dans les outils NetworkAnalyzer > Analyse > Interprétation du réseau > Réseau, sélectionnez Traiter le réseau comme non dirigé, et calculez les paramètres topologiques, y compris le degré du nœud.
  9. Configurez la forme, la couleur, la taille et d’autres paramètres d’apparence des nœuds dans le panneau Style , et ajustez manuellement la position des nœuds pour obtenir une disposition claire.
  10. Sauvegardez l’image réseau PPI via Fichier > Exportez > image réseau vers Fichier, et exportez les résultats de l’analyse réseau via Fichier > Exportez > Table à Fichier.
  11. Ouvrez la table exportée dans Excel, classez par colonne degré descendante, choisissez les 20 principales cibles clés ainsi que leurs valeurs de degré, créez un graphique à barres avec des étiquettes de données, et exportez en format TIFF.

9. Analyse de l’enrichissement des voies KEGG

  1. Lancez R, et entrez les commandes pour installer et charger les packages requis (Tableau supplémentaire 3) :
    install.packages (« BiocManager »)
    BiocManager ::install(c(« clusterProfiler », « org. Hs.eg.db"))
    bibliothèque(clusterProfiler)
    library(org. Hs.eg.db)
  2. Convertir les symboles géniques des cibles de comorbidité ILD-PH en identifiants Entrez en utilisant la fonction bitr(). Dans R, entre :
    coma_entrez <- bitr(coma_genes, fromType = « SYMBOLE », toType = « ENTREZID », OrgDb = org. Hs.eg.db)
  3. Effectuer une analyse d’enrichissement à l’aide de la fonction enrichKEGG() avec les paramètres suivants : organisme = « a », pvalueCutoff = 0,05, qvalueCutoff = 0,05. La méthode Benjamini-Hochberg (BH) a été utilisée pour la correction par essais multiples. Entrez le code suivant :
    kegg_result <- enrichKEGG(gene = coma_entrez$ENTREZID,
    organisme = « possède »,
    pvalueCutoff = 0,05,
    qvalueCutoff = 0,05,
    use_internal_data = FAUS)
    REMARQUE : valeur p : la valeur p originale, représentant la probabilité d’observer le niveau donné d’enrichissement ; valeur q : le FDR (taux de fausse découverte) après la correction de Benjamini-Hochberg, contrôlant le taux de faux positifs. Dans cette étude, q < 0,05 a été utilisé comme critère pour un enrichissement significatif.
  4. Filtrez les résultats en utilisant les mots-clés « Maladies humaines » et « Métabolisme » afin d’éliminer les voies associées aux maladies humaines et au métabolisme, tout en conservant les voies associées aux processus biologiques. Les maladies humaines et les voies métaboliques décrivent principalement les mécanismes globaux des maladies et des réseaux métaboliques, faiblement associés aux mécanismes de fibrose, inflammation et remodelage vasculaire de la comorbidité ILD-PH. Ils ont donc été exclus pour concentrer les résultats sur les voies clés de signalisation. Voici :
    kegg_result_df <- as.data.frame(kegg_result)
    kegg_filtered <- kegg_result_df[ !grepl("Maladies humaines|Métabolisme », kegg_result_df$Description), ]
  5. Triez les voies par ordre décroissant par nombre de gènes, sélectionnez les 10 principales voies, générez un diagramme de points en utilisant la fonction dotplot(), et exportez le graphique au format PNG. Voici :
    top10_pathways <- tête(kegg_filtered[ordre(kegg_filtered$Compte, décroissant = VRAI), ], 10)
    dotplot_result <- dotplot(enrichResult(select(top10_pathways)), showCategory = 10)
    ggsave(« KEGG_dotplot.png », dotplot_result, largeur = 8, hauteur = 6, dpi = 300)
  6. Extraire les 10 principales voies et leurs gènes cibles associés, construire une table en deux colonnes (nom de la voie, gène cible), et enregistrer la table comme un fichier TXT délimité par des tabulations.
  7. Importez le fichier dans Cytoscape, configurez les différences de forme et de couleur entre les nœuds de chemin et les nœuds cibles via le panneau Style , affinez manuellement la mise en page, et exportez l’image réseau ciblede chemin 20.

Résultats

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Récupération des données et criblage

Au total, 2 400 enregistrements ont été collectés à partir de la base de données Scopus, tandis que 696 ont été identifiés dans la base de données WoSCC. Après la fusion des deux ensembles de données et la suppression de 533 enregistrements en double, un total de 2 563 publications uniques ont finalement été incluses pour une analyse bibliométrique ultérieure (Figure 1).

Tendances annuelles de la production de publications

La publication annuelle dans le domaine des maladies pulmonaires interstitielles et de l’hypertension pulmonaire de 2016 à 2025 est présentée à la Figure 2. Sur une période de dix ans, le nombre de publications a montré une tendance fluctuante à la hausse. Elle est restée relativement stable durant les quatre premières années, suivie de fortes augmentations en 2020–2022 et 2023–2025, atteignant deux sommets en 2022 et 2025 respectivement. Au total, le nombre de publications est passé de 142 en 2016 à 402 en 2025, soit une augmentation de près de trois fois (Figure 2).

Production de publications nationales et collaboration internationale

Au total, 20 pays ont atteint le seuil d’au moins 40 publications et ont été inclus dans l’analyse du réseau national de collaboration. Les États-Unis ont mené tant en production de publications qu’en fréquence de citations, avec 823 publications et 21 943 citations. L’Italie s’est classée deuxième avec 271 publications (7 037 citations), suivie de la France (237 publications, 8 172 citations), du Royaume-Uni (231 publications, 9 764 citations) et du Japon (205 publications, 3 221 citations). La Chine s’est classée sixième avec 185 publications et 2 978 citations, tandis que l’Allemagne s’est classée 7e avec 184 publications et 7 932 citations (Figure 3A, Tableau 1).

En termes de collaboration internationale, les indicateurs de force totale du lien ont révélé que les États-Unis (force totale du lien = 523), l’Italie (448), le Royaume-Uni (447), l’Allemagne (443) et la France (405) affichaient les relations collaboratives les plus étroites (Figure 3B). L’analyse du réseau de collaboration a identifié trois principaux clusters. Le premier groupe comprenait 10 pays européens, dont la Belgique, la France, l’Allemagne, la Grèce, l’Italie, les Pays-Bas, la Pologne, l’Espagne, la Suisse et la Turquie, formant un réseau de recherche européen hautement interconnecté. Le second groupe comprenait neuf pays, dont l’Australie, le Brésil, le Canada, la Chine, l’Inde, le Japon, la Corée du Sud, le Royaume-Uni et les États-Unis. Ce cluster était centré autour des États-Unis tout en intégrant les principales forces de recherche d’Asie, des Amériques et d’Océanie, présentant un schéma de collaboration interrégional. Le troisième groupe ne comprenait que l’Autriche, montrant un schéma de collaboration relativement indépendant (Figure 3C).

Résultats de publication de revues et analyse des citations

Parmi les revues publiant dans ce domaine, Journal of Clinical Medicine (54 articles), Pulmonary Circulation (53 articles) et Clinical Rheumatology (51 documents) se classent en tête en volume de publications, Chest (FI = 8,6, T1) et Frontiers in Immunology (FI = 5,9, Q1) affichant les facteurs d’impact les plus élevés parmi les 10 principales revues en termes de productivité (Figure 4A). En termes d’impact sur les citations, European Respiratory Journal (1 885 citations), Journal of Heart and Lung Transplantation (1 817 citations) et European Respiratory Review (1 600 citations) se sont imposées comme les revues les plus influentes (Figure 4B). Le réseau de cooccurrence de revues a révélé un fort degré de regroupement entre les revues de médecine respiratoire, rhumatologie et transplantation, et une collaboration multidisciplinaire est nécessaire pour gérer la comorbidité de la ILD et de la PH (Figure 4C).

Production de publications et réseau de collaboration des auteurs

Parmi les auteurs les plus productifs, Nathan et Steven D, originaires des États-Unis, ont mené avec 45 publications, suivis d’un groupe d’auteurs français, dont Launay, David (27), Cottin, Vincent (27) et Humbert, Marc (26), mettant en avant la France comme un contributeur clé dans ce domaine (Figure 5A, Tableau 2). En termes d’impact sur les citations, Nathan, Steven D a également mené avec 2 446 citations, tandis que Humbert, Marc (1 675), Cottin, Vincent (1 347) et Shlobin, Oksana A (1 153) ont montré une influence substantielle, les États-Unis et la France dominant la liste des auteurs les plus cités (Figure 5B). Le réseau de collaboration des auteurs a identifié un total de six clusters. Dans l’ensemble, le schéma de collaboration était principalement domestique, avec une collaboration internationale relativement limitée (Figure 5C).

Cooccurrence mot-clé et évolution thématique

Parmi les mots-clés à haute fréquence, en dehors des termes courants des indices de bases de données tels que « humain » et « article », des mots-clés spécifiques à une maladie comme « hypertension pulmonaire », « maladie pulmonaire interstitielle » et « sclérose systémique » occupaient des positions centrales, reflétant les principaux thèmes de recherche dans ce domaine (Tableau 3). L’analyse de centralité a révélé que les termes liés aux médicaments thérapeutiques (azathioprine, thérapie corticostéroïde), aux termes du plan d’étude (essai contrôlé randomisé, article clinique, rapport de cas) et descripteurs de symptômes (dyspnée) présentaient une centralité élevée entre les deux, servant de liens reliant différents thèmes tels que l’étiologie, les symptômes, le diagnostic, le traitement et le pronostic. Dans l’ensemble, la recherche dans ce domaine repose fortement sur des preuves cliniques, en particulier des études cliniques liées à la thérapie immunosuppressive (Figure 6A, Tableau 4).

Selon l’analyse des 25 mots-clés les plus forts avec les plus fortes rafales de citations illustrée dans la Figure 6B, une évolution temporelle du focus de recherche peut être observée. Les premières poussées comprenaient des termes tels que « physiopathologie » et « capacité de diffusion pulmonaire » (2016–2020), suivies d’un accent mis en milieu de période sur le « diagnostic différentiel » et le « lavage pulmonaire » (2018–2022), avec des récentes explosions mettant en avant « COVID-19 », « fatigue », « NT-proBNP » et « unité de soins intensifs » (2021–2025), reflétant un passage des mécanismes fondamentaux aux procédures diagnostiques, à l’identification de biomarqueurs et à la gestion des soins intensifs.

La vue chronologique illustre l’évolution temporelle des principaux thèmes de recherche (Figure 6C). Les premiers épisodes (2016–2020) comprenaient des termes tels que « journal prioritaire », « physiopathologie », « capacité de diffusion pulmonaire », « essai contrôlé randomisé (sujet) » et « tomographie », soulignant un accent mis sur les mécanismes pathophysiologiques fondamentaux et l’imagerie diagnostique. Les sursélections de mi-période (2018–2022) comportaient un « diagnostic différentiel », « lavage pulmonaire », « stéroïde » et « guide pratique », indiquant une transition vers des procédures diagnostiques et une prise en charge clinique. Les récentes vagues (2021–2025) ont porté sur « maladie à coronavirus 2019 », « test de laboratoire », « fatigue », « peptide natriurétique pro-cerveau en phase terminale améno », « unité de soins intensifs » et « caractéristique de fonctionnement du récepteur », mettant en lumière des intérêts émergents pour les impacts liés à la COVID-19, l’identification des biomarqueurs et les soins critiques, démontrant une progression de la physiopathologie de base et des tests de fonction pulmonaire vers des outils d’évaluation clinique et des thérapies ciblées.

Analyse de la co-citation des références

Le réseau de co-citation de référence a identifié 16 clusters majeurs, les plus importants étant centrés sur la fibrose pulmonaire idiopathique, la sclérose systémique, les maladies du tissu conjonctif, l’hypertension pulmonaire et la fibrose pulmonaire progressive, reflétant les domaines fondamentaux de connaissance dans ce domaine (Figure 7A). La référence la plus fréquemment citée était une étude sur la prise en charge clinique de la sclérose systémique, suivie d’une étude sur l’efficacité du tréprostinil inhalé pour l’hypertension pulmonaire associée à la maladie pulmonaire interstitielle, et d’une étude mettant à jour la définition hémodynamique et la classification clinique de l’hypertensionpulmonaire 4,21,22 (Tableau 5). En termes de centralité entre les intermédiaires, un essai contrôlé randomisé comparant le mycophénolate mofétile au cyclophosphamide oral pour la maladie pulmonaire interstitielle liée à la sclérose systémique a été le mieux classé, suivi de près par une étude sur la thérapie combinée initiale pour l’hypertension artérielle pulmonaire associée à la maladie du tissu conjonctif, indiquant les rôles clés de pont de ces deux études dans la connexion de différents domainesde recherche 23,24 (Figure 7B, Tableau 6). L’analyse des surtensions de citation a révélé une évolution temporelle des travaux influents dans ce domaine : les premières explosions (2016-2019) comprenaient la classification ATS/ERS des pneumonies interstitielles idiopathiques et l’étude DETECT pour le dépistage de l’hypertension artéraire pulmonaire associée à la sclérose systémique ; les sursautements de période intermédiaire (2017-2021) couvraient les lignes directrices ESC/ERS de 2015 pour le diagnostic et le traitement de l’hypertension pulmonaire ainsi que l’essai SLS II pour la maladie pulmonaire interstitielle liée à la sclérodermie ; les explosions récentes (2020-2025) comprenaient les directives cliniques de pratique ATS/ERS/JRS/ALAT 2022 pour la fibrose pulmonaire idiopathique et l’étude du nintedanib dans la maladie pulmonaire interstitielle fibrosante progressive. Cette évolution reflète un passage de la classification diagnostique vers des stratégies thérapeutiquesciblées 25,26,27,28 (Figure 7C).

Analyse IPP de cibles génétiques qui se chevauchent

Grâce à l’analyse du diagramme de Venn, 271 gènes chevauchants associés à la ILD et à la PH ont été identifiés (Figure 8A). Sur cette base, un réseau IPP a été mis en place pour explorer les relations fonctionnelles entre ces cibles partagées (Tableau supplémentaire 4). Le réseau PPI comprenait 271 nœuds et 3 414 arêtes, avec un degré moyen de 25,2, indiquant un réseau densément interconnecté. La visualisation du réseau PPI révèle une architecture hautement interconnectée avec plusieurs clusters fonctionnels (Figure 8B). Les 20 gènes les plus classés par centralité de degré incluent FN1, IL6, TNF, AKT1, EGFR, TGFB1, CTNNB1, IL1B, TP53, MMP9, ALB, STAT3, INS, IL10, CXCL8, CCL2, ICAM1, IFNG, SMAD4 et CRP, mettant en évidence ces molécules comme centres centraux au sein du réseau d’interaction (Figure 8C). Les processus inflammatoires et fibrotiques peuvent servir de facteurs potentiels à la comorbidité, nécessitant une validation expérimentale. Les voies enrichies suggèrent des voies candidates potentielles impliquées dans le mécanisme de comorbidité.

Analyse de l’enrichissement des voies KEGG

Pour mieux élucider les mécanismes fonctionnels sous-jacents à la comorbidité de l’ILD et du PH, une analyse d’enrichissement des voies KEGG a été réalisée sur les cibles génétiques qui se chevauchent (Tableau supplémentaire 5). Les voies les plus significativement enrichies comprenaient la voie de signalisation PI3K-Akt, la voie de signalisation Relaxine, la voie de signalisation Integrine, la voie de signalisation FoxO, l’adhésion focale, la voie de signalisation HIF-1, la sénescence cellulaire, la voie de signalisation TGF-bêta, la voie de signalisation MAPK et la voie de signalisation Phospholipase D (Figure 8D). Le réseau voie-cible visualise les interconnexions entre ces voies enrichies et les gènes centrals identifiés dans le réseau PPI (Figure 8E). Notamment, des gènes de base tels que AKT1, EGFR, TGFB1, IL6, TNF et FN1 ont été identifiés à plusieurs voies, en particulier PI3K-Akt, MAPK et TGF-bêta, ce qui suggère que ces voies représentent des mécanismes candidats nécessitant une validation expérimentale ou clinique supplémentaire.

Points de validation et de reproductibilité du protocole

La validation du protocole nécessite de confirmer que chaque module atteint les résultats attendus et atteint les points clés de contrôle de reproductibilité. Pour le module bibliométrique, les résultats attendus incluent un tableau à colonnes des publications annuelles, une carte du réseau national de collaboration, ainsi que des tableaux de classement des 10 principales revues et auteurs. Les points de contrôle de reproductibilité sont : le nombre d’enregistrements dédupliqués doit représenter plus de 80 % des enregistrements originaux récupérés, la conversion des données CiteSpace doit se faire sans erreurs, et les principaux nœuds nationaux doivent être clairement distinguables dans le réseau de collaboration. Pour le module d’analyse de réseau PPI, les résultats attendus incluent un graphe réseau PPI avec ≥250 nœuds et ≥3 000 arêtes, ainsi qu’une liste des 20 meilleurs gènes hub classés par degré. Les points de contrôle sont : le seuil de confiance dans STRING doit être fixé à 0,700, le degré moyen des nœuds calculé par Cytoscape doit être ≥20, et le réseau ne doit contenir aucun nœud isolé déconnecté. Pour le module d’analyse d’enrichissement KEGG, les résultats attendus sont un diagramme des 10 principales voies significatives et un graphe réseau chemin–cible. Les points de contrôle exigent que l’analyse d’enrichissement donne p < 0,05 et q < 0,05, qu’après avoir exclu les catégories « Maladies humaines » et « Métabolisme », il reste au moins 5 voies, et que le graphique des points montre une tendance claire à la baisse du nombre de gènes avec le classement.

figure-results-1
Figure 1 : diagramme de Venn des résultats de récupération de la base de données. Ce diagramme illustre le nombre d’enregistrements récupérés dans les bases de données Scopus et Web of Science Core Collection (WoSCC), ainsi que le nombre d’enregistrements en double supprimés. La zone de chevauchement représente les enregistrements doublés identifiés par le DOI, et les enregistrements uniques finaux utilisés pour l’analyse bibliométrique sont indiqués. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

figure-results-2
Figure 2 : Résultats de recherche et citations sur la maladie pulmonaire interstitielle et l’hypertension pulmonaire (2016–2025). Production annuelle de publications et tendances de citation dans la recherche en ILD et PH (2016–2025). Le graphique à barres indique le nombre annuel d’articles, tandis que le graphique linéaire représente la fréquence cumulative des citations. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

figure-results-3
Figure 3 : Production de publications nationales/régionales et collaboration internationale. (A) Classement national des publications et des citations ; (B) Diagramme d’accords de collaboration inter-pays ; (C) Réseaux de collaboration internationale. Les classements nationaux des publications et des citations, les liens de collaboration interpays via un diagramme de cordes, ainsi que les schémas de regroupement des réseaux de collaboration internationaux sont illustrés dans cette figure. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

figure-results-4
Figure 4 : Résultats de publication et citation de revues. (A) Top 10 des revues par volume de publication ; (B) Les principales revues par impact sur les citations ; (C) Réseau de co-occurrence de journaux. Classées par volume de publications et nombre de citations, les 10 premières revues se voient présenter leurs facteurs d’impact et leurs quartiles. Le réseau affiche intuitivement le volume de publication des revues et les relations de collaboration. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

figure-results-5
Figure 5 : Réseau de collaboration entre auteurs à haute productivité. (A) 10 auteurs les plus productifs ; (B) Les 10 meilleurs auteurs par impact sur les citations ; (C) Réseau de collaboration avec les auteurs. Les auteurs étaient classés selon leur nombre de publications et leur influence sur les citations. Les affiliations nationales des 10 principaux auteurs ont été extraites des fichiers téléchargés du Web of Science et présentées sous forme de figure. Le réseau de clustering illustre clairement et intuitivement les schémas de collaboration des auteurs. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

figure-results-6
Figure 6 : Cooccurrence mot-clé et évolution thématique. (A) Regroupement de cooccurrence par mots-clés ; (B) Les 25 mots-clés du burst top ; (C) Chronologie de l’évolution des mots-clés. L’analyse des mots-clés a été réalisée en utilisant CiteSpace avec l’indice g configuré à 10 et l’algorithme de la forêt aléatoire. La carte de co-occurrence a été générée en ajustant la taille et la couleur des nœuds, et une analyse de regroupement a été réalisée sur les nœuds pour obtenir la carte du cluster. La vue chronologique illustre principalement les tendances et évolutions de la recherche au cours de la dernière décennie. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

figure-results-7
Figure 7 : Analyse de co-citation de références. (A) Analyse de regroupement des références co-citées. (B) Réseau de co-citations de références très citées. (C) Les 20 références les plus fortes avec les plus fortes rafales de citations. L’analyse des références co-citées a été réalisée en utilisant CiteSpace avec l’indice g fixé à 10 et l’algorithme de la forêt aléatoire. Le réseau de co-citation a été généré en ajustant la taille et la couleur des nœuds, et une analyse de regroupement a été réalisée sur les nœuds pour obtenir la carte du cluster, révélant différents domaines thématiques de recherche. La détection des rafales de citations a identifié les 20 références les plus fortes et leurs périodes actives, en mettant l’accent sur les évolutions des points chauds de recherche au cours de la dernière décennie. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

figure-results-8
Figure 8 : Identification des cibles centrales liées à la comorbidité ILD-PH et des voies enrichies. (A) Diagramme de Venn montrant les gènes chevauchants associés à l’ILD et au PH. (B) Réseau d’interaction protéine-protéine (IPP). (C) Les 20 principales cibles du hub identifiées à partir du réseau PPI. (D) Analyse d’enrichissement des voies KEGG de cibles génétiques chevauchantes. (E) Réseau d’interaction illustrant les liens entre les voies de signalisation et leurs gènes cibles correspondants. Des gènes liés à la comorbidité ont été obtenus à l’intersection des cibles ILD et PH à partir de GeneCards. Un réseau PPI (confiance ≥ 0,700) a été construit à l’aide de STRING, visualisé dans Cytoscape, et les 20 premiers hubs ont été sélectionnés par degré de nœud. Un enrichissement KEGG (q < 0,05, correction BH) a été réalisé, excluant les maladies humaines et les voies métaboliques. Un réseau voie-cible a été construit pour montrer les associations entre les voies de signalisation et leurs gènes cibles correspondants. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

GradePaysDocumentsCitationsCitation moyenne par articleRésistance totale du lien
1USA8232194326.7523
2Italie271703726.0448
3France237817234.5407
4Royaume-Uni231976442.3447
5Japon205322115.7147
6Chine185297816.168
7Allemagne184793243.1443
8Canada153598239.1282
9Espagne133512238.5294
10Australie123433435.2217

Tableau 1 : Les 10 pays les plus nombreux en termes de production de publications et de fréquence de citations. Les données ont été récupérées à partir de la collection centrale Web of Science et des bases de données Scopus le 9 mars 2026, puis fusionnées après déduplication. Les pays étaient classés selon le nombre total de publications (documents). « Puissance totale du lien » indique la somme des forces des liens de collaboration avec d’autres pays dans le réseau de co-auteur VOSviewer. La citation moyenne par article est calculée comme Citations / Documents.

GradeAuteurDocumentsCitationsPays
1Nathan, Steven D452446USA
2Launay, David27784France
3Cottin, Vincent271347France
4Humbert, Marc261675France
5nikpour, mandana22250Australie
6Allanore, Yannick21482France
7Stevens, Wendy20236Australie
8Hachulla, Eric20706France
9Khanna, Dinesh20755USA
10Proudman, Susanna17163Australie

Tableau 2 : Les 10 auteurs les plus productifs dans le domaine de la DPI et des relations publiques. Les auteurs étaient classés selon le nombre total de publications. Seuls les auteurs ayant au moins 3 publications étaient inclus. Le nombre de citations représente le nombre total de fois où les publications de l’auteur dans l’ensemble de données ont été citées. L’affiliation au pays dépend de l’institution principale de l’auteur, telle qu’indiquée dans les articles consultés.

GradeMots-clésComte
1humain2311
2Hypertension pulmonaire2289
3Maladie pulmonaire interstitielle2201
4Article1719
5Humains1544
6femme1444
7homme1410
8Adulte1276
9Âge moyen903
10Étude clinique majeure897

Tableau 3 : Les 10 mots-clés principaux par fréquence. Les mots-clés ont été récupérés à partir du jeu de données dédupliqué et analysés à l’aide de CiteSpace. La fréquence indique le nombre d’occurrences de chaque mot-clé dans le titre, le résumé ou les champs de mots-clés de la littérature consultée. Les termes d’indexation génériques sont automatiquement attribués par les bases de données et reflètent les pratiques d’indexation plutôt que les axes spécifiques de recherche.

GradeMots-clésCentralité
1humain0.95
2Article0.71
3Azathioprine0.44
4Caractéristique clinique0.43
5Essai contrôlé randomisé (sujet)0.42
6Thérapie par corticostéroïdes0.41
7Humains0.39
8Article clinique0.35
9Rapport de cas0.35
10Dyspnée0.28

Tableau 4 : Les 10 mots-clés principaux par centralité. La centralité a été calculée à l’aide de CiteSpace pour identifier des mots-clés servant de ponts entre différents clusters de recherche. Des valeurs de centralité plus élevées indiquent une connectivité plus forte et un rôle de médiateur plus important dans le réseau de co-occurrence.

GradeComteRéférences citées
168Khanna D, 2017, SCLÉROSE SYSTÉMIQUE @ LANCET, V390, P1685-1699
241Thenappan T, 2021, TRÉPROSTINIL INHALÉ DANS L’HYPERTENSION PULMONAIRE DUE À UNE MALADIE PULMONAIRE INTERSTITIELLE @ N ENGL J MED, V384, P325-334
336Celermajer DS, 2019, DÉFINITIONS HÉMODYNAMIQUES ET CLASSIFICATION CLINIQUE MISE À JOUR DE L’HYPERTENSION PULMONAIRE @ EUR RESPIR J, V0, P53
432Cottin V, 2020, SPECTRE DES MALADIES PULMONAIRES FIBROTIQUES @ N ENGL J MED, V383, P958-968
529Shlobin OA, 2020, LES DIFFICULTÉS AVEC L’HYPERTENSION PULMONAIRE DE GROUPE 3 DANS LA MALADIE PULMONAIRE INTERSTITIELLE : DILEMMES DE DIAGNOSTIC ET DILEMME DU TRAITEMENT @ CHEST, V158, P1651-1664
627Gahlemann M, 2019, NINTEDANIB POUR LA MALADIE PULMONAIRE INTERSTITIELLE ASSOCIÉE À LA SCLÉROSE SYSTÉMIQUE @ N ENGL J MED, V380, P2518-2528
726Cottin V, 2019, NINTEDANIB DANS LES MALADIES PULMONAIRES INTERSTITIELLES FIBROSANTES PROGRESSIVES @ N ENGL J MED, V381, P1718-1727
826Richeldi L, 2022, FIBROSE PULMONAIRE IDIOPATHIQUE (MISE À JOUR) ET FIBROSE PULMONAIRE PROGRESSIVE CHEZ L’ADULTE : UNE DIRECTIVE CLINIQUE OFFICIELLE AT/ERS/JRS/ALAT @ AM J RESPIR CRIT CARE MED, V205, P0
924Clements PJ, 2016, MYCOPHÉNOLATE MOFÉTILE VERSUS CYCLOPHOSPHAMIDE ORALE DANS LA MALADIE PULMONAIRE INTERSTITIELLE LIÉE À LA SCLÉRODERMIE (SLS II) : UN ESSAI PARALLÈLE RANDOMISÉ CONTRÔLÉ EN DOUBLE AVEUGLE EN GROUPE @ LANCET RESPIR MED, V4, P708-719
1023Hoeper MM, 2022, 2022 RECOMMANDATIONS ESC/ERS POUR LE DIAGNOSTIC ET LE TRAITEMENT DE L’HYPERTENSION PULMONAIRE @ EUR HEART J, V43, P3618-3731

Tableau 5 : Les 10 références les plus fréquemment citées. Les références citées ont été récupérées à partir du jeu de données dédupliqué et analysées via CiteSpace. « Compter » fait référence à la fréquence à laquelle une référence a été co-citée dans la littérature. Seules les références ayant le plus grand nombre de co-citations sont indiquées.

GradeCentralitéRéférences citées
10.42Clements PJ, 2016, MYCOPHÉNOLATE MOFÉTILE VERSUS CYCLOPHOSPHAMIDE ORALE DANS LA MALADIE PULMONAIRE INTERSTITIELLE LIÉE À LA SCLÉRODERMIE (SLS II) : UN ESSAI PARALLÈLE RANDOMISÉ CONTRÔLÉ EN DOUBLE AVEUGLE EN GROUPE @ LANCET RESPIR MED, V4, P708-719
20.41Barbera JA, 2017, THÉRAPIE COMBINÉE INITIALE AVEC AMBRISENTAN ET TADALAFIL DANS L’HYPERTENSION ARTÉRIELLE PULMONAIRE ASSOCIÉE À LA MALADIE DU TISSU CONJONCTIF (CTD-PAH) : ANALYSE DE SOUS-GROUPE ISSUE DE L’ESSAI AMBITION @ ANN RHEUM DIS, V76, P1219-1227
30.32Hachulla E, 2013, SURVIE DANS L’HYPERTENSION PULMONAIRE ASSOCIÉE À LA SCLÉROSE SYSTÉMIQUE À L’ÈRE MODERNE DE LA PRISE EN CHARGE @ ANN RHEUM DIS, V72, P1940-1946
40.26Visovatti S, 2019, TRAITEMENT PRÉVALENT ET CONSÉQUENCES DE L’HYPERTENSION PULMONAIRE COEXISTANTE ET DE LA MALADIE PULMONAIRE INTERSTITIELLE DANS LA SCLÉROSE SYSTÉMIQUE @ ARTHRITIS RHEUMATOL, V71, P1339-1349
50.25Dimopoulos K, 2014, BOSENTAN DANS L’HYPERTENSION PULMONAIRE ASSOCIÉE À UNE PNEUMONIE INTERSTITIELLE IDIOPATHIQUE FIBROTIQUE @ AM J RESPIR CRIT CARE MED, V190, P208-217
60.24Smith P, 2021, TRÉPROSTINIL INHALÉ DANS L’HYPERTENSION PULMONAIRE DUE À UNE MALADIE PULMONAIRE INTERSTITIELLE @ N. ENGL. J. MED, V384, P325-334
70.24Pausch C, 2022, PHÉNOTYPAGE DE L’HYPERTENSION ARTÉRIELLE PULMONAIRE IDIOPATHIQUE : ANALYSE DU REGISTRE @ LANCET RESPIR MED, V10, P937-948
80.21Cottin V, 2019, NINTEDANIB DANS LES MALADIES PULMONAIRES INTERSTITIELLES FIBROSANTES PROGRESSIVES @ N ENGL J MED, V381, P1718-1727
90.21Beghetti M, 2016, 2015 LIGNES DIRECTRICES ESC/ERS POUR LE DIAGNOSTIC ET LE TRAITEMENT DE L’HYPERTENSION PULMONAIRE : LE GROUPE DE TRAVAIL CONJOINT POUR LE DIAGNOSTIC ET LE TRAITEMENT DE L’HYPERTENSION PULMONAIRE DE LA SOCIÉTÉ EUROPÉENNE DE CARDIOLOGIE (ESC) ET DE LA SOCIÉTÉ EUROPÉENNE DE RESPIRATION (ERS) : APPROUVÉ PAR : ASSOCIATION EUROPÉENNE DE CARDIOLOGIE PÉDIATRIQUE ET CONGÉNITALE (AEPC) @ SOCIÉTÉ INTERNATIONALE DE TRANSPLANTATION CARDIAQUE ET PULMONAIRE (ISHLT), VUur. Heart J, P67-119
100.21Pope JE, 2018, ALGORITHMES DE TRAITEMENT DE LA SCLÉROSE SYSTÉMIQUE SELON DES EXPERTS @ ARTHRITIS RHEUMATOL, V70, P1820-1828

Tableau 6 : Les 10 principales références en termes de centralité. La centralité a été calculée à l’aide de CiteSpace. Elle mesure l’importance d’une référence comme pont reliant différents groupes de co-citation. Des valeurs plus élevées indiquent que la référence joue un rôle clé dans l’intégration de sujets de recherche divers.

Tableau complémentaire 1 : Paramètres de recherche dans la base de données pour Web of Science Core Collection et Scopus. Ce tableau détaille les versions de la base de données, les dates d’accès, les champs de recherche, les plages de dates, les types de documents, les restrictions linguistiques et les filtres de domaine appliqués lors du processus de recherche de littérature. Veuillez cliquer ici pour télécharger ce fichier.

Tableau complémentaire 2 : Archives complètes de la littérature récupérées depuis Web of Science et Scopus avant et après la suppression des doublons. Ce tableau présente les archives exportées complètes de tous les documents identifiés à partir de la Web of Science Core Collection et de Scopus. Le tableau contient trois sections : les enregistrements provenant uniquement de WoSCC, les enregistrements de Scopus seuls, et la liste fusionnée dédupliquée. Les enregistrements en double ont été identifiés et supprimés sur la base du DOI. Veuillez cliquer ici pour télécharger ce fichier.

Tableau complémentaire 3 : Scripts R utilisés pour le traitement, l’analyse et la visualisation des données dans cette étude. Ce tableau liste tous les scripts R utilisés dans cette étude, y compris ceux pour l’analyse bibliométrique, la fusion et la déduplication de données, la génération de diagrammes de Venn, ainsi que les tâches statistiques et de tracé pour les gènes qui s’intersectent. Veuillez cliquer ici pour télécharger ce fichier.

Tableau complémentaire 4 : Données brutes sur l’interaction protéine-protéine (IPP). Ce tableau présente les données spécifiques téléchargées depuis la base de données STRING et visualisées lors de l’étape d’analyse PPI. Veuillez cliquer ici pour télécharger ce fichier.

Tableau complémentaire 5 : Données brutes détaillées des voies KEGG récupérées pour cette étude. Ce tableau présente les données brutes complètes de l’analyse d’enrichissement des voies KEGG (Kyoto Encyclopedia of Genes and Genomes), incluant l’identifiant de la voie, le nom de la voie, le nombre de gènes d’entrée mappés à la voie, la liste des gènes impliqués et les paramètres spécifiques d’enrichissement. Veuillez cliquer ici pour télécharger ce fichier.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Cette étude représente la première application intégrée de la bibliométrie et de la bioinformatique pour explorer la comorbidité de la LPI et de la HP. Il examine systématiquement la trajectoire développementale, la structure des connaissances et les tendances de pointe dans ce domaine au cours de la dernière décennie, et identifie les gènes centraux et les voies de signalisation clés sous-jacentes à cet état comorbide au niveau moléculaire. D’un point de vue macro-tendance, le nombre annuel de publications dans ce domaine est passé de 142 en 2016 à 402 en 2025, représentant une hausse de près de trois fois, reflétant une croissance soutenue de l’attention académique portée à la comorbidité ILD-PH. Des pics significatifs ont été observés sur deux périodes : 2020–2022 et 2023–2025. Le point d’inflexion de croissance autour de 2020 a coïncidé avec la pandémie de COVID-19 ; il est possible que la pandémie ait indirectement stimulé une recrudescence des recherches connexes en induisant ou en aggravant la ILD et l’HP. Le pic de 2022 à 2023 peut être attribué à l’exploration, la validation et l’application clinique préliminaire accrue des méthodes de traitement de la PH-ILD 29,30,31. Cette dernière hausse pourrait s’expliquer en partie par le développement de nouvelles thérapies ciblées et l’application de l’intelligence artificielle dans le diagnostic 32,33,34.

En ce qui concerne les contributions nationales et la collaboration internationale, les États-Unis ont mené avec 823 publications et 21 943 citations au total. Sa position centrale se reflète non seulement dans le volume de production, mais aussi dans la force de liaison totale significativement supérieure dans le réseau international de collaboration par rapport à d’autres pays, formant un vaste réseau collaboratif. Les pays européens, dont l’Italie, la France et le Royaume-Uni, ont suivi de près, constituant un cluster de recherche très interconnecté avec des liens étroits de coopération. Parmi les pays asiatiques, le Japon et la Chine se sont classés respectivement cinquième et sixième en volume de publications, mais leurs citations par article restent nettement inférieures à celles de pays européens comme l’Allemagne et la France, ce qui indique que leur influence académique dans ce domaine nécessite une amélioration supplémentaire. En termes de diffusion de revues, les revues à fort impact, dont l’European Respiratory Journal et le Journal of Heart and Lung Transplantation, publient les résultats les plus influents dans ce domaine, tandis que des revues spécialisées telles que le Journal of Clinical Medicine et Pulmonary Circulation contribuent à la majorité des publications. Ce schéma de distribution démontre que la recherche dans ce domaine est principalement publiée dans des revues spécialisées en pneumologie, tout en impliquant une collaboration multidisciplinaire. Au niveau des auteurs, le chercheur américain Nathan, Steven D, s’est classé premier tant en nombre de publications que de citations, faisant de lui le chercheur principal le plus influent dans ce domaine. Les chercheurs français Launay, David, Cottin, Vincent et Humbert, Marc formèrent la deuxième plus grande force de recherche centrée en France. Cette répartition est très cohérente avec la domination des États-Unis et de la France observée dans les analyses de pays et de revues, confirmant davantage les rôles de premier plan de ces deux nations dans la recherche sur la comorbidité ILD-PH.

L’intégration de la bibliométrie et de la bioinformatique dans ce protocole offre un cadre analytique à double couche qui va au-delà de ces méthodes seules. La bibliométrie capture les tendances de recherche à l’échelle macro, les réseaux de collaboration et les points chauds en évolution à partir de la littérature, offrant une vue d’ensemble du domaine. La bioinformatique, en revanche, puise des données moléculaires dans des bases de données publiques pour identifier les gènes candidats, les interactions protéiques et les voies enrichies. En reliant les deux couches, cette approche permet aux chercheurs d’évaluer si une cible moléculaire ou une voie s’aligne avec des intérêts cliniques émergents, générant ainsi des hypothèses à la fois étayées par la littérature et mécanistiquement plausibles. Cette synergie est particulièrement précieuse pour les comorbidités complexes comme ILD-PH, où l’intégration interdisciplinaire fait souvent défaut.

Concernant la trajectoire évolutive des thèmes de recherche, les analyses de co-occurrence et de détection par rafale de mots-clés et de références révèlent collectivement un parcours de développement dans ce domaine : de la compréhension des mécanismes de la maladie, à l’exploration des normes de diagnostic et de traitement, puis à la gestion précise et à l’évaluation du pronostic. Entre 2016 et 2020, l’apparition de mots-clés à explosion tels que « physiopathologie », « capacité de diffusion pulmonaire » et « tomographie » reflète la recherche fondamentale sur les mécanismes pathologiques de l’ILD-PH et les méthodes d’évaluation de la fonction pulmonaire/imagerie. De 2018 à 2022, des mots-clés en rafale tels que « diagnostic différentiel », « guide pratique » et « stéroïde » ont indiqué que le diagnostic clinique standardisé et le traitement devenaient au centre de l’attention. Entre 2021 et 2025, des mots-clés en rafale tels que « COVID-19 », « fatigue », « NT-proBNP », « unité de soins intensifs » et « caractéristique de fonctionnement du récepteur » ont démontré un virage des foyers de recherche vers la gestion de la précision et des soins critiques. Cette tendance évolutive est également confirmée par l’analyse de référence : les premières études majeures ont établi les bases diagnostiques, notamment la classification des pneumonies interstitielles idiopathiques et l’étude DETECT pour le dépistage. Les documents de ligne directrice à mi-terme, tels que les recommandations ESC/ERS 2015 sur l’hypertension pulmonaire, ont favorisé la standardisation du diagnostic et du traitement. Plus récemment, des publications en rafale, notamment le guide clinique mis à jour sur l’IPF et l’essai du nintedanib dans la ILD fibrosante progressive, ont signalé un passage du traitement empirique aux interventions de précision ciblées.

Au niveau du mécanisme moléculaire, l’analyse bioinformatique a identifié 271 gènes liés à la comorbidité ILD-PH, et une analyse en réseau ultérieure a révélé la base moléculaire potentielle de cette comorbidité. Un réseau PPI a montré une forte connectivité entre 20 gènes principaux, dont FN1, IL6, TNF, AKT1, EGFR et STAT1. Parmi celles-ci, FN1 est un élément clé de la matrice extracellulaire (MEC) et participe à l’assemblage et au remodelagede la matrice 35,36,37. Le processus fibreux dans la ILD peut entraîner un dépôt excessif de CLE, qui est supposé déclencher un remodelage vasculaire pulmonaire par mécanotransduction et séquestration des facteurs de croissance. Des facteurs inflammatoires tels que l’IL6, le TNF et l’IL1B entraînent non seulement des lésions inflammatoires dans les ILD, mais peuvent également participer à l’initiation et à la progression du pH en activant les cellules endothéliales et en favorisant la prolifération du musclelisse 38,39,40,41. L’analyse d’enrichissement des voies KEGG a également cartographié ces gènes de base vers des réseaux de signalisation critiques, notamment les voies de signalisation PI3K-Akt, TGF-β, MAPK, HIF-1 et intégrine. Ces voies ont déjà été confirmées comme participant à la pathogenèse de la mucoviscidose pulmonaire et de l’hypertension pulmonaire. Plus précisément, la voie de signalisation TGF-β est impliquée à la fois dans la fibrose pulmonaire et le remodelage vasculaire, servant de pont moléculaire clé reliant l’ILD et le PH 42,43,44 ; la voie de signalisation HIF-1 régule la vasoconstriction et le remodelage vasculaire45,46 ; et la voie PI3K-Akt est largement impliquée dans la survie cellulaire, la prolifération et l’inflammation 47,48,49. Sur la base de l’analyse bioinformatique ci-dessus, cette étude suggère préliminairement que l’ILD et le PH peuvent partager l’activation de multiples voies de signalisation. Les recherches futures devraient se concentrer sur les orientations suivantes : d’abord, explorer les mécanismes de comorbidité ILD-PH stratifiés par sous-type, y compris les caractéristiques moléculaires de sous-groupes distincts tels que IPF-PH et CTD-ILD-PH ; deuxièmement, développer des médicaments ciblés pour la comorbidité et promouvoir la traduction clinique ; Troisièmement, renforcer la construction de réseaux collaboratifs multicentriques mondiaux.

Pour améliorer la reproductibilité pratique de ce protocole, cette étude aborde les étapes suivantes qui sont sujettes à des problèmes. Premièrement, une incompatibilité d’exportation de base de données peut survenir lorsque différentes bases de données utilisent des balises de champ ou des formats de fichiers incohérents. Nous recommandons d’exporter les enregistrements en texte simple avec un ensemble de balises standardisé tel que « Full Record and Cited References » pour Web of Science et « CSV export with all available fields » pour Scopus. Deuxièmement, les conflits de correspondance de doublons surviennent souvent lorsque le DOI manque ou contient de légères variations comme des espaces supplémentaires ou des lettres minuscules. Notre protocole utilise le DOI comme clé principale de déduplication. Si un enregistrement ne contient pas de DOI, utilisez une clé composite combinant titre, noms d’auteurs, année de publication et revue. Pour les incompatibilités dues à une mise en forme incohérente, appliquez une étape de normalisation de chaîne qui supprime la ponctuation, la convertit en minuscules et supprime les espaces blancs. Troisièmement, la sensibilité au seuil dans les analyses bioinformatiques, telle que le seuil combiné des scores dans STRING ou les seuils de valeur p et logFC dans l’expression différentielle, peut fortement influencer le réseau PPI résultant et les listes de gènes centrales. Si une instabilité est observée, choisissez un seuil plus conservateur ou intégrez des preuves provenant de plusieurs bases de données. Quatrièmement, les erreurs de filtrage et de sortie KEGG peuvent apparaître sous forme d’annotations manquantes de voies ou d’un échec à récupérer les cartes de chemins mises à jour. Cela résulte généralement d’une version obsolète de l’API KEGG ou d’un code d’organisme incorrect. Assurez-vous que la dernière version de l’outil d’enrichissement, comme clusterProfiler, est installée et que le paramètre organisme est correctement défini, par exemple, « has » pour l’humain. Si la sortie contient des voies sans aucun gène cartographié, vérifiez que les identifiants de gènes d’entrée correspondent à la version de la base de données d’annotage. En tentant ces ajustements, les chercheurs peuvent identifier et résoudre de manière préliminaire les problèmes correspondants.

Dans l’ensemble, ce protocole combine l’identification macro-épanouie des hotspots par bibliométrie avec l’exploration de cibles de comorbidité via la bioinformatique comme approche exploratoire préliminaire, ce qui peut fournir des informations utiles pour la recherche dans le domaine des comorbidités. Néanmoins, plusieurs limites de ce protocole doivent être reconnues. Concernant la reproductibilité, la transférabilité de ce cadre à d’autres comorbidités de maladies peut dépendre de facteurs tels que la couverture de la base de données, la stratégie de recherche, la terminologie de la maladie et la disponibilité de jeux de données moléculaires pertinents. La composante bibliométrique exclut les articles non anglais, ce qui peut limiter la richesse de la carte des connaissances. La composante bioinformatique repose sur des bases de données publiques avec des sources de données hétérogènes et des compositions d’échantillons, ce qui peut influencer la reproductibilité et la cohérence inter-ensemble des données des résultats. De plus, la date des mises à jour de la base de données peut également influencer les résultats. Enfin, toutes les découvertes en bioinformatique sont associatives et génératrices d’hypothèses plutôt que causales, et une validation supplémentaire par des modèles animaux ou des études de cohorte clinique est encore nécessaire avant de pouvoir être appliquées à de nouvelles questions de recherche.

Déclarations de divulgation

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Les auteurs ne rapportent aucun conflit d’intérêts dans ce travail.

Remerciements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Les auteurs reconnaissent chaleureusement le soutien financier du projet principal des maladies chroniques non transmissibles - National Science and Technology (2024ZD0522300, 2024ZD0522301) et du Fonds à but non lucratif de l’Institut central de recherche de l’Académie chinoise des sciences médicales (01 ZHCH330-2022).

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
Bibliometric Online Analysis PlatformK-Synth Srl (Bibliometric)https://bibliometric.comPlateforme d'analyse en ligne ; module : Relations entre pays ; génère un diagramme de corde de collaboration entre pays ; consulté le 10 mars 2026
CiteSpaceDrexel University6.4.R1Analyse bibliométrique ; tranches temporelles : 2016–2025 ; types de nœuds : mots-clés, références ; élagage : Pathfinder + Élagage des réseaux tranchés
clusterProfiler (package R)Guangchuang Yu et al.4.13.2Analyse d'enrichissement KEGG ; seuils : p < 0,05, q < 0,2
CytoscapeConsortium Cytoscape3.10.3Visualisation et analyse de réseau ; plugin : CytoHubba ; algorithme : centralité de degré ; utilisé pour l'identification des gènes pivots
GeneCardsWeizmann Institute of Sciencehttps://www.genecards.orgBase de données d'informations sur les gènes ; version de la base de données 5.22 ; consultée le 12 mars 2026 ; critère de filtrage : Score de pertinence ≥ 1
Journal Citation Reports (JCR)Clarivate Analyticshttps://jcr.clarivate.comIndice d'impact des revues et récupération des quartiles ; consulté le 9 mars 2026
KEGGKyoto Encyclopedia of Genes and Genomeshttps://www.kegg.jpBase de données de voies ; consultée via l'API clusterProfiler le 13 mars 2026 ; espèce : hsa
MeSH DatabaseNational Library of Medicine (NLM)https://meshb.nlm.nih.govBase de données de requêtes de termes MeSH ; consultée le 9 mars 2026 ; utilisée pour construire la stratégie de recherche
Microsoft ExcelMicrosoft Corporation16.88 (Microsoft 365)Statistiques de données et génération de graphiques ; utilisé pour le comptage des publications, la déduplication, la tracé des graphiques
org.Hs.eg.db (package R)Bioconductor Core Team3.20.0Base de données d'annotation du génome humain ; utilisée pour la conversion d'ID de gènes
RR Core Team4.4.2Environnement de calcul et de tracé statistiques ; date d'exécution : 13 mars 2026
Scimago GraphicaScimago Lab2Outil de visualisation ; disposition : projection cartographique ; courbure des arêtes : 0,5 ; mappage des couleurs : par groupe
ScopusElsevierhttps://www.scopus.comBase de données de récupération de littérature ; Elsevier Scopus 2026 édition complète ; date de récupération : 9 mars 2026
STRINGEMBL12.0 / https://cn.string-db.orgBase de données d'interactions protéine-protéine ; consultée le 12 mars 2026 ; seuil de score d'interaction : 0,7 (confiance élevée) ; type de réseau : physique + fonctionnel
VOSviewerLeiden University1.6.20Analyse bibliométrique ; cocher la case pour le type d'analyse ; méthode de normalisation : force de l'association
Web of Science Core CollectionClarivate Analyticshttps://www.webofscience.comBase de données de récupération de littérature ; couvre les sous-bases de données SCIE et SSCI ; date de récupération : 9 mars 2026

Références

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Wijsenbeek M, Suzuki A, Maher TM. Interstitial lung diseases. Lancet. 2022;400(10354):769-786.
  2. Maher TM. Interstitial Lung Disease: A Review. JAMA. 2024;331(19):1655-1665.
  3. King CS, Shlobin OA. The Trouble With Group 3 Pulmonary Hypertension in Interstitial Lung Disease: Dilemmas in Diagnosis and the Conundrum of Treatment. Chest. 2020;158(4):1651-1664.
  4. Waxman A, et al. Inhaled Treprostinil in Pulmonary Hypertension Due to Interstitial Lung Disease. N Engl J Med. 2021;384(4):325-334.
  5. Rutland C, et al. Pulmonary Hypertension Associated with Interstitial Lung Disease: Screening and Epidemiology. ATS Sch. 2025;6(4):521-522.
  6. Ang HL, et al. Pulmonary Hypertension in Interstitial Lung Disease: A Systematic Review and Meta-Analysis. Chest. 2024;166(4):778-792.
  7. Nathan SD, et al. Pulmonary hypertension in chronic lung disease and hypoxia. Eur Respir J. 2019;53(1):1801914.
  8. King CS, Nathan SD. Pulmonary hypertension due to interstitial lung disease. Curr Opin Pulm Med. 2019;25(5):459-467.
  9. Shlobin OA, et al. Pulmonary hypertension associated with lung diseases. Eur Respir J. 2024;64(4):2401200.
  10. Olsson KM, et al. Pulmonary hypertension associated with lung disease: new insights into pathomechanisms, diagnosis, and management. Lancet Respir Med. 2023;11(9):820-835.
  11. van den Bosch L, Luppi F, Ferrara G, Mura M. Immunomodulatory treatment of interstitial lung disease. Ther Adv Respir Dis. 2022;16:17534666221117002.
  12. Kattih Z, Kim HC, Aryal S, Nathan SD. Review of the Diagnosis and Management of Pulmonary Hypertension Associated with Interstitial Lung Disease (ILD-PH). J Clin Med. 2025;14(6):2029.
  13. Wang Y, et al. Research Trends and Hotspots in JAK Inhibitors for Ulcerative Colitis: A Bibliometric Analysis From 2015 to 2024. J Multidiscip Healthc. 2025;18:6755-6771.
  14. Zhao Y, Chen GY, Fang M. Research Trends of Rheumatoid Arthritis and Depression from 2019 to 2023: A Bibliometric Analysis. J Multidiscip Healthc. 2024;17:4465-4474.
  15. Chen GY, et al. Mechanisms of Total Glucosides of Paeony in Alleviating Methotrexate-Induced Liver Injury. Drug Des Devel Ther. 2025;19:3407-3423.
  16. Arruda H, et al. VOSviewer and Bibliometrix. J Med Libr Assoc. 2022;110(3):392-395.
  17. Stelzer G, et al. The GeneCards Suite: From Gene Data Mining to Disease Genome Sequence Analyses. Curr Protoc Bioinformatics. 2016;54:1.30.1-1.30.33.
  18. Szklarczyk D, et al. The STRING database in 2023: protein-protein association networks and functional enrichment analyses for any sequenced genome of interest. Nucleic Acids Res. 2023;51(D1):D638-D646.
  19. Szklarczyk D, et al. The STRING database in 2025: protein networks with directionality of regulation. Nucleic Acids Res. 2025;53(D1):D730-D737.
  20. Kanehisa M, Goto S. KEGG: kyoto encyclopedia of genes and genomes. Nucleic Acids Res. 2000;28(1):27-30.
  21. Denton CP, Khanna D. Systemic sclerosis. Lancet. 2017;390(10103):1685-1699.
  22. Simonneau G, et al. Haemodynamic definitions and updated clinical classification of pulmonary hypertension. Eur Respir J. 2019;53(1):1801913.
  23. Tashkin DP, et al. Scleroderma Lung Study II Investigators. Mycophenolate mofetil versus oral cyclophosphamide in scleroderma-related interstitial lung disease (SLS II): a randomized controlled, double-blind, parallel group trial. Lancet Respir Med. 2016;4(9):708-719.
  24. Kuwana M, et al. Initial combination therapy of ambrisentan and tadalafil in connective tissue disease-associated pulmonary arterial hypertension (CTD-PAH) in the modified intention-to-treat population of the AMBITION study: post hoc analysis. Ann Rheum Dis. 2020;79(5):626-634.
  25. Travis WD, et al. An official American Thoracic Society/European Respiratory Society statement: Update of the international multidisciplinary classification of the idiopathic interstitial pneumonias. Am J Respir Crit Care Med. 2013;188(6):733-748.
  26. Visovatti SH, et al. Borderline pulmonary arterial pressure in systemic sclerosis patients: a post-hoc analysis of the DETECT study. Arthritis Res Ther. 2014;16(6):493.
  27. Subias PE; SEC Working Group for ESC/ERS 2015 Guidelines for Diagnosis and Treatment of Pulmonary Hypertension; Expert Reviewers for ESC/ERS 2015 Guidelines for Diagnosis and Treatment of Pulmonary Hypertension; SEC Guidelines Committee. Comments on the 2015 ESC/ERS Guidelines for the Diagnosis and Treatment of Pulmonary Hypertension. Rev Esp Cardiol (Engl Ed). 2016;69(2):102-8.
  28. Raghu G, et al. Idiopathic Pulmonary Fibrosis (an Update) and Progressive Pulmonary Fibrosis in Adults: An Official ATS/ERS/JRS/ALAT Clinical Practice Guideline. Am J Respir Crit Care Med. 2022;205(9):e18-e47.
  29. Valenzuela C, Waterer G, Raghu G. Interstitial lung disease before and after COVID-19: a double threat? Eur Respir J. 2021;58(6):2101956.
  30. DeDent AM, Farrand E. Vaccine-induced interstitial lung disease: a rare reaction to COVID-19 vaccination. Thorax. 2022;77(1):9-10.
  31. Wells AU, Devaraj A, Desai SR. Interstitial Lung Disease after COVID-19 Infection: A Catalog of Uncertainties. Radiology. 2021;299(1):E216-E218.
  32. Hyldgaard C, et al. Immunomodulatory treatment in unclassifiable interstitial lung disease: A retrospective study of treatment response. Respirology. 2023;28(4):373-379.
  33. Ma H, et al. Editorial: Regulatory immune cells in organ transplantation. Front Immunol. 2024;15:1383563.
  34. Carbone RG, et al. Future perspectives in interstitial lung disease: state of the art. Eur Rev Med Pharmacol Sci. 2025;29(3):123-134.
  35. Nishio J, et al. Fibronectin 1 (FN1)-rearranged Mesenchymal Neoplasms: An Updated Review. Cancer Genomics Proteomics. 2026;23(2):156-168.
  36. Wang C, et al. Discovery of an EGFR tyrosine kinase inhibitor from Ilex latifolia in breast cancer therapy. Bioorg Med Chem Lett. 2019;29:1282-1290.
  37. Zeng Y, et al. Fisetin micelles precisely exhibit a radiosensitization effect by inhibiting PDGFRβ/STAT1/STAT3/Bcl-2 signaling pathway in the tumor. Chin Chem Lett. 2025;36:109734.
  38. Behr J, et al. The Role of Inflammation and Fibrosis in Interstitial Lung Disease Treatment Decisions. Am J Respir Crit Care Med. 2024;210(4):392-400.
  39. Montero P, Milara J, Roger I, Cortijo J. Role of JAK/STAT in Interstitial Lung Diseases; Molecular and Cellular Mechanisms. Int J Mol Sci. 2021;22(12):6211.
  40. Stancil IT, et al. Interleukin-6-dependent epithelial fluidization initiates fibrotic lung remodeling. Sci Transl Med. 2022;14(654):eabo5254.
  41. Rastrick J, Birrell M. The role of the inflammasome in fibrotic respiratory diseases. Minerva Med. 2014;105(1):9-23.
  42. Liu Y, et al. Nerandomilast Improves Bleomycin-Induced Systemic Sclerosis-Associated Interstitial Lung Disease in Mice by Regulating the TGF-β1 Pathway. Inflammation. 2025;48(4):1760-1774.
  43. Wollin L, et al. Mode of action of nintedanib in the treatment of idiopathic pulmonary fibrosis. Eur Respir J. 2015;45(5):1434-45.
  44. Sitbon O, et al. Drugs targeting novel pathways in pulmonary arterial hypertension. Eur Respir J. 2025;66(2):2401830.
  45. Luo Y, et al. CD146-HIF-1α hypoxic reprogramming drives vascular remodeling and pulmonary arterial hypertension. Nat Commun. 2019;10(1):3551.
  46. Lei W, et al. Expression and analyses of the HIF-1 pathway in the lungs of humans with pulmonary arterial hypertension. Mol Med Rep. 2016;14(5):4383-4390.
  47. Wang J, et al. Targeting PI3K/AKT signaling for treatment of idiopathic pulmonary fibrosis. Acta Pharm Sin B. 2022;12(1):18-32.
  48. Bhatt J, Ghigo A, Hirsch E. PI3K/Akt in IPF: untangling fibrosis and charting therapies. Front Immunol. 2025;16:1549277.
  49. Zhu M, et al. Fibroblast Activation Protein Promotes Pulmonary Artery Hypertension via Activation of the PTEN/PI3K/Akt Pathway. J Cardiovasc Pharmacol. 2025;86(4):391-407.

Réimpressions et autorisations

Demander l’autorisation de réutiliser le texte ou les figures de cet article JoVE

Demander une autorisation

Mots-clés

BiologieNum ro 234Num ro 234

Articles connexes