Université métropolitaine d'Osaka Lorsqu'il s'agit de traiter un arrêt cardiaque, agir rapidement peut faire la différence entre la vie et la mort.
Des chercheurs de l'Université métropolitaine d'Osaka ont développé un nouveau modèle de notation, utilisant uniquement des données de réanimation préhospitalière, qui prédit avec précision les résultats neurologiques des patients victimes d'un arrêt cardiaque extrahospitalier (ACEH). Ce modèle permet potentiellement aux prestataires de soins de santé de prendre des décisions rapides et précises à l'arrivée du patient à l'hôpital, améliorant ainsi les soins aux patients et l'allocation des ressources.
Leurs conclusions ont été publiées dans Réanimation le 31 mai.
L'arrêt cardiaque peut entraîner la mort en quelques minutes. L'OHCA n'est pas rare et entraîne souvent de faibles taux de survie. Au Japon, plus de 100 000 patients souffrent d'OHCA chaque année, et moins de 10 % d'entre eux retrouvent une vie normale.
Des calculs de prédiction neurologique rapides et précis sont essentiels dans les cas d'OHAC. Des modèles de prédiction efficaces peuvent sauver des vies, réduire les souffrances et réduire les coûts inutiles associés aux efforts de réanimation inutiles.
Les modèles actuels de prédiction du pronostic nécessitent des calculs complexes et des données d'analyses sanguines, ce qui les rend peu pratiques pour une utilisation rapide immédiatement après le transport du patient.
Takenobu Shimada, professeur de médecine, faculté de médecine, université métropolitaine d'Osaka
L'équipe de recherche a comblé cette lacune en élaborant un modèle de notation qui utilise des données préhospitalières facilement disponibles pour prédire les résultats neurologiques défavorables. En analysant les données du registre Utstein de tout le Japon, ils ont examiné les informations recueillies entre 2005 et 2019 sur la réanimation préhospitalière et le rétablissement neurologique un mois après l'arrêt de 942 891 adultes atteints d'un ACOH présumé d'origine cardiaque. Les résultats indésirables comprennent un handicap grave, un état végétatif ou le décès.
Baptisé « score R-EDByUS », le modèle développé est dérivé des initiales de ses cinq variables : l'âge, la durée de retour à la circulation spontanée (ROSC) ou le temps d'arrivée à l'hôpital, l'absence de réanimation cardio-pulmonaire par un témoin, le fait que l'arrêt ait été observé et, enfin, le rythme cardiaque initial (choquable ou non choquable).
Les patients ont été divisés en deux groupes selon qu'ils avaient obtenu un ROSC avant leur arrivée à l'hôpital ou qu'ils étaient encore en cours de réanimation cardiopulmonaire à leur arrivée. Les chercheurs ont développé des modèles détaillés basés sur la régression et simplifiés pour calculer les scores R-EDByUS pour chaque groupe.
Les résultats ont démontré que les scores R-EDByUS prédisaient les résultats neurologiques avec une grande précision, atteignant des valeurs de statistiques C d'environ 0,85 pour les deux groupes. Les statistiques C mesurent la précision prédictive d'un modèle, allant de 0,5 (aucun pouvoir prédictif) à 1,0 (précision parfaite), les valeurs les plus élevées indiquant des performances supérieures.
« Le score R-EDByUS permet une prédiction pronostique de haute précision dès l'arrivée à l'hôpital, et son application via smartphone ou tablette le rend adapté à une utilisation clinique quotidienne », a déclaré Shimada.
Ce modèle de notation devrait devenir un outil précieux pour les prestataires de soins de santé, contribuant à l’évaluation et à la gestion rapides des patients subissant une réanimation.
« Dans les soins d'urgence pour un arrêt cardiaque de l'oreillette droite, les procédures invasives, comme l'assistance circulatoire mécanique, peuvent sauver des vies, mais elles sont également très contraignantes », a déclaré Shimada. « Notre modèle prédictif permet d'identifier les patients susceptibles de bénéficier de soins intensifs tout en réduisant les contraintes inutiles pour ceux dont les pronostics sont défavorables. »
_a3f42f540aed455c9738e0aa4b52aac3-620x480-e1603380534356.jpg)
