Predicción de los resultados del paro cardíaco intrahospitalario (PREDIHCA)

La parada cardiovascular intrahospitalaria es una de las causas más frecuentes de muerte en pacientes hospitalizados. En contraste con los casos extramuros de paro cardiovascular, los pacientes hospitalizados a menudo tienen condiciones médicas graves que pueden afectar el resultado de la reanimación. No obstante, las tasas de supervivencia de la resucitación son mejores en los hospitales que fuera, porque a menudo hay un inicio rápido de las medidas de resucitación y estándares de resucitación predefinidos. La capacitación regular en RCP y la disponibilidad de desfibriladores en todas las unidades de cabecera también pueden influir positivamente en el resultado. A pesar de todos estos esfuerzos, las tasas de supervivencia, especialmente de los pacientes con buen resultado neurológico, permanecieron estables en niveles bajos incluso dentro de los hospitales en los últimos años y no mejoraron.

La mayoría de los parámetros de resultado son hoy en día bien conocidos. (p. ej., ritmo inicial, edad, desfibrilación temprana, etc.). Sin embargo, aún hoy no sabemos cuán relevantes son realmente los factores correspondientes, especialmente en relación entre sí. Un enfoque para esto podría ser métodos de aprendizaje automático como "bosque aleatorio", que podría crear un modelo predictivo. Sin embargo, esto no se ha intentado hasta la fecha.

La hipótesis de este trabajo es averiguar si es posible predecir con precisión la probabilidad de sobrevivir a una reanimación intrahospitalaria utilizando el método de aprendizaje automático "bosque aleatorio" y si se pueden identificar parámetros de resultado particularmente relevantes.

Diseño: análisis de datos retrospectivo de todos los conjuntos de datos registrados en el registro de reanimación del Hospital Universitario Kepler.

Medidas y Procedimiento: Revisión del registro de datos faltantes así como falsas alarmas del equipo de RCP y, si es necesario, exclusión de estos conjuntos de datos; evaluación de los conjuntos de datos utilizando el método de aprendizaje automático random forest.