Previsione degli esiti dell'arresto cardiaco intraospedaliero (PREDIHCA)

L'arresto cardiovascolare intraospedaliero è una delle più comuni cause di morte nei pazienti ospedalizzati. Contrariamente ai casi extramurali di arresto cardiovascolare, i pazienti ospedalizzati presentano spesso gravi condizioni mediche che possono influenzare l'esito della rianimazione. Tuttavia, i tassi di sopravvivenza dalla rianimazione sono migliori negli ospedali che all'esterno, perché spesso c'è un rapido avvio delle misure di rianimazione e degli standard di rianimazione predefiniti. Anche un regolare addestramento alla RCP e la disponibilità di defibrillatori in tutte le unità al capezzale possono influenzare positivamente l'esito. Nonostante questi numerosi sforzi, i tassi di sopravvivenza, in particolare dei pazienti con buoni risultati neurologici, sono rimasti stabili a livelli bassi anche all'interno degli ospedali negli ultimi anni e non sono migliorati.

La maggior parte dei parametri di risultato sono oggi ben noti. (ad es. ritmo iniziale, età, defibrillazione precoce, ecc.) Tuttavia, ancora oggi non sappiamo quanto siano effettivamente rilevanti i fattori corrispondenti, soprattutto in relazione l'uno con l'altro. Un approccio a questo potrebbe essere metodi di apprendimento automatico come "foreste casuali", che potrebbero essere in grado di creare un modello predittivo. Tuttavia, questo non è stato tentato fino ad oggi.

L'ipotesi di questo lavoro è scoprire se è possibile prevedere con precisione la probabilità di sopravvivere a una rianimazione ospedaliera utilizzando il metodo di apprendimento automatico "foresta casuale" e se è possibile identificare parametri di esito particolarmente rilevanti.

Design: analisi retrospettiva dei dati di tutti i set di dati registrati nel registro di rianimazione del Kepler University Hospital.

Misure e procedura: revisione del registro per dati mancanti e falsi allarmi del team di rianimazione cardiopolmonare e, se necessario, esclusione di questi set di dati; valutazione dei set di dati utilizzando il metodo di machine learning random forest.