Page 299 - A Magyar Kardiológusok Társasága 2024. évi Tudományos Kongresszusának programja, az elhangzó előadások kivonatai

E-poszter XI.
Cardiologia Hungarica E-poster XI.

Kó rhá zon kí vü li ú jraé leszté s prognosztikai Factors predicting mortality during the early
faktorainak, é s a post-cardiac-arrest syndroma phase of targeted temperature management in
intenzí v hypothermiá s kezelé sé nek vizsgá lata – the treatment of post-cardiac arrest syndrome –
RAPID score the TTM-RAPID score
Nagy Bettina¹, Pál-Jakab Ádám¹, Orbán Gábor², Bettina Nagy¹, Ádám Pál-Jakab¹, Gábor Orbán²,
Kiss Boldizsár¹, Fekete-Győr Alexa¹, Koós Gábor¹, Boldizsár Kiss¹, Alexa Fekete-Győr¹, Gábor Koós¹,
Merkely Béla³, Hizoh István⁴, Kovács Enikő⁵, Béla Merkely³, István Hizoh⁴, Enikő Kovács⁵, Endre Zima¹
Zima Endre¹ 1 Semmelweis University, Heart and Vascular Center,
1 Semmelweis Egyetem, Városmajori Szív- és Érgyógyászati Cardiology, Cardiac Intensive Care Unit
Klinika, Kardiológia, Kardiológiai Intenzív Osztály 2 Semmelweis University, Heart and Vascular Center,
2 Semmelweis Egyetem, Városmajori Szív- és Érgyógyászati Cardiology, Cardiac Electrophysiology Research Group
Klinika, Kardiológia, Szívelektrofi ziológiai Munkacsoport 3 Semmelweis University, Heart and Vascular Center,
3 Semmelweis Egyetem, Városmajori Szív- és Érgyógyászati Cardiology
Klinika, Kardiológia 4 Semmelweis University, Heart and Vascular Center,
4 Semmelweis Egyetem, Városmajori Szív- és Érgyógyászati Cardiology, Cathlab
Klinika, Kardiológia, Haemodynamika 5 Semmelweis University, Department of Anestesiolgy and
5 Semmelweis Egyetem, Aneszteziológiai és Intenzív Terápiás Intensive Therapy, Budapest
Klinika, Budapest
Keywords: Sudden Cardiac Arrest, Out-of-Hospital
Kulcsszavak: hirtelen szívmegállás, kórházon kívüli Cardiac Arrest, Targeted Temperature Management,
szívmegállás, célhőmérséklet-orientált kezelés, mortal- Prediction of Mortality
itás predikció Background: Survival rates after out-of-hospital cardiac
Háttér: A hirtelen szívmegállás az egyik leggyakoribb arrest remain low, and early prognostication is challeng-
a kardiovaszkuláris halálokok között. A kórházon kívü- ing, notably for patients undergoing prolonged resuscita-
li szívmegállást követő túlélési számok továbbra is ala- tion or remaining in coma after CPR. Our aim was to cre-
csonyak. A korai előrejelzés kihívást jelent, különösen ate a score system that may accurately estimate outcome
az elhúzódó újraélesztésen átesett, vagy az újraélesztés within the fi rst 12 hours after admission in patients receiv-
után kómában maradó betegek esetében. Célunk egy ing targeted temperature management (TTM) based on
pontrendszer megalkotása, amely egyszerű és könnyen simple and easily measurable parameters.
mérhető paraméterek alapján, pontosan becsüli meg a Methods: We analyzed data from 103 out-of-hospital
várható kimenetelt a szívmegállást követő első 12 órán cardiac arrest patients who subsequently underwent TTM
belül, célhőmérséklet-orientált kezelésben (TTM) része- between 2016 and 2022. Patient demographic data, pre-
sülő betegek esetén. hospital characteristics, as well as clinical and laborato-
Módszerek: Vizsgálatunkban 2016–2022 között, 103 ry parameters that were already available in the fi rst 12
kórházon kívüli szívmegállást elszenvedett, majd ezt kö- hours after admission were examined. Multiple statistical
vetően TTM-ben részesült beteg adatait dolgoztuk fel. A analyses, encompassing contingency and Mann-Whitney
páciensek demográfi ai adatait, prehospitális jellemzőit, tests for diff erent data types, single imputation for miss-
továbbá a felvételt követő első 12 órában már rendelke- ing data, nonlinear regression with cubic splines to ex-
zésre álló klinikai és laboratóriumi paramétereket vizs- plore relationships, and predictor selection via Akaike's
gáltuk. A kiértékelés során kontingencia-, és Mann-Whit- criterion and bootstrap resampling, were executed. Model
ney-tesztet alkalmaztunk. A kapcsolatok elemzésére performance was evaluated through ROC analysis, cal-
nemlineáris regressziót végeztünk „cubic spline” segít- ibration measures, and internal validation using 10000
ségével. A prediktorokat Akaike-kritérium és bootstrap replicates of bootstrapping.
mintavételezés alapján választottuk ki. A modell teljesít- Results: Heart rate, age, pH, initial rhythm, and right
ményét ROC-analízissel, kalibrációs mutatókkal és belső ventricular end-diastolic diameter were associated with
validációval értékeltük, melyhez 10000 bootstrap repliká- 30-day mortality and were used to build our predictive
ciót alkalmaztunk. model. The area under the receiver-operating character-
Eredmények: A szívfrekvencia, az életkor, a pH, az ini- istics curve for the model was 0.84. The model achieved
ciális ritmus és a jobb kamrai végdiasztolés átmérő szig- a C-statistic of 0.7974, with internal validation indicating
nifi káns összefüggést mutatott a 30 napos halálozással, good calibration (intercept: -0.0190, slope: 0.7772) and
így ezekből a paraméterekből alkottuk meg prediktív mo- low error rates (mean absolute error: 0.040).
dellünket. A modell ROC-görbe alatti területe 0,84 volt. A Conclusion: The model we have developed may be suit-
modell 0,7974-es C-statisztikát ért el, a belső validáció jó able for early risk assessment of patients receiving TTM
kalibrációt (intercept: -0,0190, slope: 0,7772) és alacsony as part of primary post-resuscitation care. This study may
hibaarányt (átlagos abszolút hiba: 0,040) jelzett. be a basis of further prognostication investigations.
Következtetés: Pontrendszerünk alkalmas lehet az el-
sődleges posztreszuszcitációs ellátás részeként TTM-
ben részesült betegek korai rizikóbecslésére. Vizsgá-
latunk további prognosztikai tanulmányok alapjául
szol gálhat.
C 299