Voorspelling van uitkomsten van hartstilstanden in het ziekenhuis (PREDIHCA)

Intrahospitale cardiovasculaire arrestatie is een van de meest voorkomende doodsoorzaken bij gehospitaliseerde patiënten. In tegenstelling tot extramurale gevallen van cardiovasculaire arrestatie, hebben gehospitaliseerde patiënten vaak ernstige medische aandoeningen die het resultaat van reanimatie kunnen beïnvloeden. Desalniettemin zijn de overlevingskansen bij reanimatie in ziekenhuizen beter dan daarbuiten, omdat er vaak een snelle start is met reanimatiemaatregelen en vooraf gedefinieerde reanimatienormen. Regelmatige reanimatietraining en de beschikbaarheid van defibrillatoren in alle bedafdelingen kunnen ook een positieve invloed hebben op het resultaat. Ondanks deze vele inspanningen bleven de overlevingspercentages, vooral van patiënten met een goede neurologische uitkomst, de afgelopen jaren stabiel op een laag niveau, zelfs binnen ziekenhuizen, en verbeterden ze niet.

De meeste uitkomstparameters zijn tegenwoordig welbekend. (bijv. beginritme, leeftijd, vroege defibrillatie, enz.) Toch weten we vandaag nog steeds niet hoe relevant de overeenkomstige factoren eigenlijk zijn, vooral in relatie tot elkaar. Een benadering hiervoor kunnen methoden voor machine learning zijn, zoals "willekeurig bos", waarmee een voorspellend model kan worden gemaakt. Dit is tot op heden echter niet geprobeerd.

De hypothese van dit werk is om erachter te komen of het mogelijk is om de overlevingskans van een reanimatie in het ziekenhuis nauwkeurig te voorspellen met behulp van de machine learning-methode "random forest" en of bijzonder relevante uitkomstparameters kunnen worden geïdentificeerd.

Opzet: retrospectieve data-analyse van alle datasets vastgelegd in het reanimatieregister van het Universitair Ziekenhuis Kepler.

Maatregelen en werkwijze: Reviewen van het register op ontbrekende gegevens alsmede valse alarmen van het reanimatieteam en zo nodig uitsluiten van deze datasets; evaluatie van de datasets met behulp van de machine learning-methode random forest.