Ny statistisk model stiller mere sikre prognoser efter hjertestop
Algoritmer, som prognosticerer udkomme efter hjertestop, tager sjældent hensyn til de data, der løbende opsamles under behandlingsforløbet. Det gør en ny model ved hjælp af bayesiansk statistik, og det giver en mere sensitiv prognose med relativt få falske positive.
Den nye model er udviklet af forskere ved University of Pittsburgh i USA, og den blev præsenteret d. 13. september i en artikel i det videnskabelige tidsskrift Neurology. Modellen blev afprøvet på 2.692 patienter med hjertestop, hvoraf 864 (35 procent) efterfølgende blev udskrevet med et godt eller rimeligt udkomme (Cerebral Performance Category [CPC] = 1-3), mens resten havde et dårligt udkomme (CPC = 4-5). Den nye bayesianske model blev sammenlignet med en etableret algoritme (2021 ERC/ESICM guidelines) i evnen til at prognosticere et dårligt udkomme.
Bliver efterhånden bedre
Undervejs i behandlingsforløbet opdaterede den nye model sig selv ved hjælp af bayesiansk regression under hensyntagen til blandt andet neurologisk eksamination, laboratorieresultater, terapeutisk intervention, hjernescanning og EEG. Denne løbende opdatering medførte, at posterior probability distribution (PPD) for den enkelte patients udkomme blev indsnævret og nærmede sig 0 eller 1. Det er en statistisk indikator for, at modellen arbejder og efterhånden bliver bedre.
Den nye model var i stand til at prognosticere dårligt udkomme med en sensitivitet på 51 procent og en falsk positiv-rate på 0,6 procent. En mere omfattende model, der tog højde for flere parametre, opnåede en sensitivitet på 76 procent og en uændret falsk positiv-rate på 0,6 procent. Til sammenligning opnåede den etablerede algoritme en sensitivitet på blot 36 procent og en falsk positiv-rate på 0 procent.
Forskerne konkluderer, at den nye model kan hjælpe lægerne til bedst muligt at vurdere, om man skal opretholde eller afbryde livsforlængende behandling.
