Vorhersage der Folgen eines Herzstillstands innerhalb eines Krankenhauses (PREDIHCA)

Der Herz-Kreislauf-Stillstand innerhalb eines Krankenhauses ist eine der häufigsten Todesursachen bei Krankenhauspatienten. Im Gegensatz zu extramuralen Fällen von Herz-Kreislauf-Stillstand leiden Krankenhauspatienten oft unter schweren Erkrankungen, die das Ergebnis einer Wiederbelebung beeinträchtigen können. Dennoch sind die Überlebensraten durch Reanimation in Krankenhäusern besser als außerhalb, da es oft einen schnellen Beginn von Reanimationsmaßnahmen und vordefinierte Reanimationsstandards gibt. Regelmäßiges HLW-Training und die Verfügbarkeit von Defibrillatoren in allen Bettenstationen können das Ergebnis ebenfalls positiv beeinflussen. Trotz dieser vielen Bemühungen blieben die Überlebensraten, insbesondere von Patienten mit gutem neurologischem Outcome, in den letzten Jahren auch innerhalb der Krankenhäuser auf niedrigem Niveau stabil und verbesserten sich nicht.

Die meisten Outcome-Parameter sind heute gut bekannt. (z. B. Anfangsrhythmus, Alter, Frühdefibrillation etc.) Trotzdem wissen wir heute noch nicht, wie relevant die entsprechenden Faktoren tatsächlich sind, insbesondere in Relation zueinander. Ein Ansatz dazu könnten maschinelle Lernmethoden wie „Random Forest“ sein, die ein Vorhersagemodell erstellen könnten. Dies wurde jedoch bis heute nicht versucht.

Die Hypothese dieser Arbeit ist es herauszufinden, ob es möglich ist, die Überlebenswahrscheinlichkeit einer Reanimation im Krankenhaus mit Hilfe der maschinellen Lernmethode „Random Forest“ genau vorherzusagen und ob besonders relevante Outcome-Parameter identifiziert werden können.

Design: Retrospektive Datenanalyse aller im Reanimationsregister des Kepler University Hospital erfassten Datensätze.

Maßnahmen und Vorgehen: Überprüfung des Registers auf fehlende Daten sowie Fehlalarme des CPR-Teams und ggf. Ausschluss dieser Datensätze; Auswertung der Datensätze mit dem Machine-Learning-Verfahren Random Forest.