Pascal Kuba (Bielefeld / DE), Leona Möller (Bielefeld / DE), Susanne Knake (Bielefeld / DE), Felix Zahnert (Bielefeld / DE), Gunter Kräling (Bielefeld / DE)
Abstract-Text (inklusive Referenzen und Bildunterschriften)
Einleitung: Der Herz-Kreislauf-Stillstand ist der lebensbedrohlichste Notfall für Patient:innen und stellt ein einschneidendes Ereignis im Bereich der Akutmedizin dar. In Deutschland werden etwa 30.000 bis 40.000 Patienten außerhalb der Klinik pro Jahr reanimiert, davon erreichen 60% lebend das Krankenhaus. In der akuten und postakuten Phase des Herz-Kreislauf-Stillstandes ist die Option einer Vorhersage eines möglichst exakt definierten Gesamtergebnisses (Outcome) ein wichtiges Instrument für die Wahl, Dauer und Intensität der Therapie. Bislang wurde kein zuverlässiges Kriterium gefunden, mit dem sich das Outcome in der Frühphase nach Reanimation vorhersagen lässt.
Methoden: Diese prospektive Studie untersucht Biomarker bei Patient:innen mit Zustand nach kardiopulmonaler Reanimation. Es wurden sowohl strukturelle bildgebende Methoden, pharmakologische, und soziodemographische Daten erhoben. Mit Hilfe von Algorithmen aus dem Bereich des maschinellen Lernens soll im Bereich des EEGs das Outcome vorhergesagt werden.
Ergebnisse: In dieser Studie soll durch eine strukturierte Datenerhebung erörtert werden, ob die verwendeten diagnostischen EEG-Parameter ("Features") zur Prädiktion des klinischen Outcomes nach kardio-pulmonaler Reanimation genutzt werden können. Die Ergebnisse dieser Analyse werden bis zur Tagung vorliegen.
Diskussion: ausstehend; Die Ergebnisse dieser Analyse werden bis zur Tagung vorliegen.