Prediksjon av utfall av intrahospital hjertestans (PREDIHCA)

Intrahospital kardiovaskulær stans er en av de vanligste dødsårsakene hos innlagte pasienter. I motsetning til ekstramurale tilfeller av hjerte- og karstans, har pasienter på sykehus ofte alvorlige medisinske tilstander som kan påvirke utfallet av gjenopplivning. Likevel er overlevelsesrater fra gjenoppliving bedre på sykehus enn utenfor, fordi det ofte er rask oppstart av gjenopplivningstiltak og forhåndsdefinerte gjenopplivningsstandarder. Regelmessig HLR-trening og tilgjengeligheten av hjertestartere i alle sengeenheter kan også påvirke resultatet positivt. Til tross for disse mange anstrengelsene, holdt overlevelsesraten, spesielt for pasienter med godt nevrologisk resultat, seg stabilt på lave nivåer selv innenfor sykehus de siste årene og ble ikke bedre.

De fleste utfallsparametere er i dag velkjente. (f.eks. startrytme, alder, tidlig defibrillering osv.) Likevel vet vi fortsatt ikke i dag hvor relevante de tilsvarende faktorene faktisk er, spesielt i forhold til hverandre. En tilnærming til dette kan være maskinlæringsmetoder som «tilfeldig skog», som kanskje kan lage en prediktiv modell. Dette har imidlertid ikke blitt forsøkt til dags dato.

Hypotesen for dette arbeidet er å finne ut om det er mulig å nøyaktig forutsi sannsynligheten for å overleve en gjenoppliving på sykehus ved hjelp av maskinlæringsmetoden «random forest» og om spesielt relevante utfallsparametere kan identifiseres.

Design: retrospektiv dataanalyse av alle datasett registrert i gjenopplivingsregisteret til Kepler universitetssykehus.

Tiltak og prosedyre: Gjennomgang av registeret for manglende data samt falske alarmer fra HLR-teamet og om nødvendig utelukkelse av disse datasettene; evaluering av datasettene ved hjelp av maskinlæringsmetoden random forest.