Forudsigelse af intrahospitalt hjertestopresultater (PREDIHCA)

Intrahospitalt kardiovaskulært standsning er en af ​​de mest almindelige dødsårsager hos indlagte patienter. I modsætning til ekstramurale tilfælde af hjerte-kar-stop har indlagte patienter ofte alvorlige medicinske tilstande, der kan påvirke resultatet af genoplivning. Ikke desto mindre er overlevelsesraterne ved genoplivning bedre på hospitaler end udenfor, fordi der ofte er en hurtig start på genoplivningsforanstaltninger og foruddefinerede genoplivningsstandarder. Regelmæssig HLR-træning og tilgængeligheden af ​​hjertestartere i alle sengeenheder kan også have en positiv indflydelse på resultatet. På trods af disse mange anstrengelser forblev overlevelsesraterne, især for patienter med godt neurologisk resultat, stabile på lave niveauer selv inden for hospitaler i de seneste år og blev ikke forbedret.

De fleste udfaldsparametre er i dag velkendte. (f.eks. begyndelsesrytme, alder, tidlig defibrillering osv.) Ikke desto mindre ved vi stadig ikke i dag, hvor relevante de tilsvarende faktorer faktisk er, især i forhold til hinanden. En tilgang til dette kunne være maskinlæringsmetoder som "tilfældig skov", som måske kunne skabe en forudsigelig model. Dette er dog ikke forsøgt til dato.

Hypotesen for dette arbejde er at finde ud af, om det er muligt præcist at forudsige sandsynligheden for at overleve en genoplivning på hospitalet ved hjælp af maskinlæringsmetoden "random forest", og om særligt relevante udfaldsparametre kan identificeres.

Design: retrospektiv dataanalyse af alle datasæt registreret i genoplivningsregisteret på Kepler Universitetshospital.

Foranstaltninger og procedure: Gennemgang af registret for manglende data samt falske alarmer fra CPR-teamet og om nødvendigt udelukkelse af disse datasæt; evaluering af datasættene ved hjælp af maskinlæringsmetoden random forest.