Neues Tool verbessert die Schlaganfallbewertung bei Patienten
Ein neues Bewertungsinstrument soll die Identifizierung von Gehirnblutungen bei Schlaganfallpatienten verbessern.
― 8 min Lesedauer
Inhaltsverzeichnis
- Studienentwurf und Setting
- Variablen, Datensammlung und Messung
- Stichprobengrösse
- Statistische Analyse
- Patienten-Einwilligung und Ethik
- Basismerkmale
- Unterschiede zwischen den Patientengruppen
- Multivariate Analyse und Skalendesign
- Genauigkeit der PreICH-Skala
- Wichtige Ergebnisse und Interpretation
- Einschränkungen und Übertragbarkeit
- Fazit
- Originalquelle
- Referenz Links
Schlaganfall ist heute immer noch eine grosse Ursache für Krankheiten und Tod. Die Idee, dass "Zeit Gehirn ist", macht klar, dass schnelles Handeln und Behandlung wichtig sind, weil die Chancen für eine vollständige Genesung mit jeder Minute Verzögerung sinken. Bei ischämischen Schlaganfällen, die durch grosse Blutgefässblockaden verursacht werden, hat sich ein Verfahren namens Mechanische Thrombektomie als effektiver erwiesen als nur medizinische Behandlung. Allerdings wird dieses Verfahren nur in bestimmten Krankenhäusern durchgeführt, die möglicherweise weit entfernt von dem Ort sind, wo sich der Patient befindet. Das wirft eine wichtige Frage auf: Sollten Patienten direkt zu einem Krankenhaus geschickt werden, das das Verfahren durchführen kann, oder sollten sie zuerst ins nächstgelegene Krankenhaus gebracht werden?
Um diese Entscheidungen zu treffen, können Gesundheitsdienstleister Werkzeuge zur Bewertung vor dem Krankenhaus nutzen, wie die RACE-, G-FAST- oder LAMS-Skalen. Diese können helfen, das Risiko einer grossen Gefässblockade basierend auf klinischen Anzeichen zu identifizieren. Eine aktuelle Studie in Katalonien hat ergeben, dass es keine signifikanten Unterschiede zwischen Patienten gab, die direkt zu Thrombektomie-Zentren geschickt wurden, und denen, die ins nächstgelegene Krankenhaus geschickt wurden. Sie wies auch darauf hin, dass es wichtig ist, Patienten mit Gehirnblutungen zu identifizieren, da diese in der Regel schlechter abschneiden, wenn sie in ein Krankenhaus gebracht werden, das keine sofortige Versorgung bieten kann.
Vor diesem Hintergrund scheint es wichtig zu sein, diese Vor-Hospital-Skalen zu verbessern. Das würde helfen, falsche Bewertungen zu reduzieren und besser zwischen Patienten mit grossen Gefässverschlüssen und denen mit Gehirnblutungen zu unterscheiden. Aktuelle Leitlinien betonen die Notwendigkeit zu untersuchen, wie gut diese Wege Patienten mit der einen oder anderen Erkrankung identifizieren.
Wir glauben, dass bestimmte klinische Anzeichen, die während der Versorgung vor dem Krankenhaus gesammelt werden, dazu beitragen könnten, Fälle von Gehirnblutungen zu identifizieren und die aktuellen Werkzeuge zur Bewertung vor dem Krankenhaus zu verbessern.
Studienentwurf und Setting
Unsere Studie fand im Hospital Arnau de Vilanova de Lleida, Spanien, von April 2021 bis Juli 2023 statt. Wir haben die Studie in zwei Teile unterteilt: Zuerst die Identifizierung von Anzeichen für Gehirnblutungen vor dem Krankenhaus und zweitens die Erstellung eines Werkzeugs zur Screening auf das Risiko von Gehirnblutungen. Die Daten wurden während der Rekrutierung der Patienten gesammelt und über ein sicheres elektronisches System verwaltet. Wir haben die Richtlinien zur Berichterstattung über Beobachtungsstudien befolgt.
Unsere Patientengruppe bestand aus Erwachsenen über 18 Jahren, die in die Notaufnahme kamen, nachdem ein Schlaganfall-Alarm aktiviert wurde und letztendlich mit entweder einem akuten ischämischen Schlaganfall aufgrund einer grossen Gefässblockade oder einer Gehirnblutung diagnostiziert wurden. Eine grosse Gefässokklusion wurde durch fortgeschrittene Bildgebung festgestellt, die bei der Ankunft durchgeführt wurde. Eine Gehirnblutung wurde festgestellt, wenn eine spezifische Art von Blutung im Gehirnscan zu sehen war. Die Bildgebungsergebnisse wurden von einem Experten überprüft, der keine klinischen Informationen über den Patienten hatte.
Patienten wurden ausgeschlossen, wenn sie ischämische Schlaganfälle ohne sichtbare Blockaden hatten, wenn ihre Symptome durch andere Erkrankungen verursacht wurden oder wenn sie Anzeichen von Trauma zeigten. Auch Personen, die keine Einwilligung geben konnten, wurden nicht eingeschlossen.
Variablen, Datensammlung und Messung
In einigen Fällen wurde ein Schlaganfall-Alarm aktiviert, während die Patienten noch im Feld waren, und sie wurden in unser Krankenhaus transportiert. In anderen Situationen aktivierte das Ambulanzteam den Alarm, als sie am Einsatzort ankamen. Jeder Patient, bei dem innerhalb von 24 Stunden nach Beginn der Symptome ein Schlaganfall vermutet wurde und der zuvor eine gute Lebensqualität hatte, konnte bewertet werden.
Die Daten wurden während der Rekrutierung mit einem anonymen Formular gesammelt. Wir haben grundlegende Informationen wie Alter und Geschlecht, frühere Gesundheitsprobleme und frühere Behandlungen gesammelt. Zu den Gesundheitsproblemen gehörten Diabetes, Bluthochdruck, hohe Cholesterinwerte, chronische Nierenerkrankungen, Herzprobleme, Rauchen und frühere Schlaganfälle.
Der Blutdruck wurde mit standardmässigen Geräten des Ambulanzteams gemessen, als die Patienten eintrafen. Weitere Details, die notiert wurden, waren, wann die Symptome begonnen hatten, ob jemand es miterlebt hatte, das Vorhandensein von Kopfschmerzen, Sprachproblemen, sensorischen oder motorischen Problemen, das Bewusstseinsniveau (mit der Glasgow Coma Scale), ob Anfälle auftraten und der National Institutes of Health Stroke Scale-Wert. Basierend auf ihrem Glasgow-Score wurden die Patienten in solche mit einem Score von weniger als acht und solche mit einem Score von acht oder mehr eingeteilt. Alle Patienten erhielten während des gesamten Prozesses eine Standardversorgung. Die RACE-Skala wurde auch für die Patienten, die im Vorfeld des Krankenhauses bewertet wurden, aufgezeichnet.
Stichprobengrösse
Wir berechneten die benötigte Stichprobengrösse basierend auf dem Hauptresultat. Wir stellten fest, dass wir mindestens 252 Patienten benötigten, aufgeteilt in 168 mit Gefässblockade und 84 mit Blutungen. Wir schlossen zusätzliche Patienten ein, um die Analyse anderer Ergebnisse zu ermöglichen.
Statistische Analyse
Wir analysierten die Daten am Ende der Studie von jemandem, der nicht an der Patientenversorgung oder Datensammlung beteiligt war. Wir begannen mit einer deskriptiven Analyse, bei der wir Demografie, Krankengeschichte und durchgeführte Behandlungen betrachteten und die Ergebnisse als Durchschnitte oder Bereiche berichteten. Wir verglichen die Eigenschaften und den Schweregrad der Schlaganfälle zwischen den beiden Patientengruppen.
Um die Zahlen zu vergleichen, verwendeten wir den Student’s t-Test und den Mann-Whitney U-Test für kontinuierliche Variablen basierend auf ihrer Verteilung. Für kategoriale Daten verwendeten wir Chi-Quadrat- und Fisher’s exakte Tests nach Bedarf. Wir analysierten auch gepaarte Daten und erstellten eine logistische Regressionsanalyse, um wichtige Risikofaktoren zu identifizieren, die mit Gehirnblutungen verbunden sind. Jeder dieser signifikanten Faktoren erhielt eine Punktzahl, um ein neues Risiko-Bewertungswerkzeug zu entwickeln.
Schliesslich bewerteten wir, wie genau dieses Werkzeug war, um Patienten zu identifizieren, indem wir eine spezifische Leistungskennzahl untersuchten, die als Fläche unter der Receiver Operating Characteristic Curve bekannt ist.
Patienten-Einwilligung und Ethik
Alle Teilnehmer erhielten Informationen über die Studie und unterschrieben Einwilligungsformulare. Das lokale Ethikkomitee genehmigte unsere Studie im Rahmen eines grösseren Forschungsprogramms.
Basismerkmale
Von 989 Schlaganfall-Patienten, die in unserem Krankenhaus bewertet wurden, wurden letztendlich 285 in unsere Studie aufgenommen. Das durchschnittliche Alter betrug 75 Jahre, wobei der Grossteil weiblich war. Von diesen Patienten wiesen 190 grosse Gefässokklusionen auf, während 95 eine Gehirnblutung hatten. In 60 % der Fälle wurden die Patienten per Ambulanz transportiert, nachdem eine Vorbenachrichtigung an das Krankenhaus geschickt wurde.
Unterschiede zwischen den Patientengruppen
Wir fanden einen höheren Anteil von Frauen und Patienten mit Diabetes oder Herzproblemen in der Gruppe mit grosser Gefässokklusion. Es gab jedoch keine signifikanten Unterschiede in den erhaltenen Behandlungen oder der Schwere der Schlaganfälle zwischen den beiden Gruppen. Bluthochdruck, Kopfschmerzen, niedrige Bewusstseinswerte und Anfälle waren bei Patienten mit Gehirnblutungen häufiger, während visuelle Probleme in der Gruppe mit Blockaden häufiger vorkamen. Die RACE-Werte zeigten keinen signifikanten Unterschied zwischen den beiden Patiententypen.
Multivariate Analyse und Skalendesign
Mit einer logistischen Regressionsanalyse identifizierten wir wichtige Anzeichen, die mit Gehirnblutungen verbunden sind, wie Bluthochdruck, Kopfschmerzen, niedrige Bewusstseinswerte und männliches Geschlecht. Im Gegensatz dazu war eine Vorgeschichte von hohen Cholesterinwerten mit grossen Gefässokklusionen verbunden.
Basierend auf diesen Ergebnissen haben wir ein neues Bewertungswerkzeug namens PreICH erstellt. Dieses Werkzeug vergibt Punkte für spezifische Anzeichen, die auf eine Gehirnblutung hindeuten könnten. Bei allen bis auf vier Patienten konnten die Punktzahlen berechnet werden. Wir stellten eine Verteilung der Punktzahlen unter den Patienten fest, wobei höhere Punktzahlen eine grössere Wahrscheinlichkeit für eine Gehirnblutung anzeigten.
Genauigkeit der PreICH-Skala
Die Analyse zeigte, dass unser neuer Score eine starke Leistung bei der Identifizierung von Patienten mit Gehirnblutungen hatte. Der beste Cutoff-Score wurde auf 4 Punkte festgestellt, mit einer sehr hohen Spezifität. Die meisten Patienten mit den niedrigsten möglichen Scores hatten grosse Gefässokklusionen, während die mit den höchsten Scores eher eine Gehirnblutung hatten.
Wichtige Ergebnisse und Interpretation
Wir haben ein einfaches Werkzeug entwickelt, um zwischen Patienten mit Gehirnblutungen und denen mit grossen Gefässblockaden mithilfe klinischer Anzeichen zu unterscheiden, die während der ersten Bewertungen leicht beobachtet werden können. Bestimmte Faktoren, wie Bluthochdruck, Kopfschmerzen und vermindertes Bewusstsein, standen in Zusammenhang mit Gehirnblutungen, während eine Vorgeschichte von hohen Cholesterinwerten mit Blockaden verknüpft war.
Da die Behandlungen für grosse Gefässokklusionen sich verbessern, wird es immer wichtiger, Kandidaten für diese Interventionen zu identifizieren. Patienten mit Gehirnblutungen haben oft schlechtere Ergebnisse, wenn sie Verzögerungen bei der Behandlung erfahren, was schnelle und präzise Bewertungen lebenswichtig macht.
Dieses neue Bewertungswerkzeug soll bestehende Methoden zur Identifizierung von Blockaden ergänzen und betont die Spezifität, um sicherzustellen, dass Patienten mit einem Risiko für Blutungen zeitgerecht behandelt werden.
Einschränkungen und Übertragbarkeit
Unsere Studie hat einige Einschränkungen, die es wert sind, bemerkt zu werden. Während wir eine notwendige Stichprobengrösse berechnet haben, bedarf das von uns entwickelte Werkzeug weiterer Validierung. Einige Patienten konnten aufgrund ihrer Erkrankungen möglicherweise keine Kopfschmerzen berichten, und wir konnten nicht immer Anfälle genau erkennen. Ausserdem basierten unsere Definitionen für hohe Cholesterinwerte auf früheren Diagnosen und Medikamenteneinnahme, was zu Verzerrungen führen könnte.
Trotz dieser Einschränkungen glauben wir, dass unsere Ergebnisse relevant sind, da sie ein ähnliches Patientenprofil wie andere Studien widerspiegeln. Unser Werkzeug bietet eine unkomplizierte Methode, um die Bewertung in vorhospitalären Umgebungen zu verbessern. Weitere Validierungen werden erforderlich sein, um seine Nützlichkeit in der Praxis zu bestätigen.
Fazit
Unsere Arbeit bietet eine einfache, effektive Methode zur Bewertung von Schlaganfallpatienten in vorhospitalären Umgebungen, was möglicherweise die Identifizierung von Gehirnblutungsfällen verbessert. Dieses Werkzeug kann, wenn es zusammen mit etablierten Methoden zur Erkennung von grossen Gefässblockaden verwendet wird, dazu beitragen, die Patientenversorgung zu optimieren.
Titel: Prehospital scale to differentiate intracerebral hemorrhage from large-vessel occlusion patients
Zusammenfassung: Background and rationaleEvaluating scales to detect large vessel occlusion (LVO) could aid in considering early referrals to a thrombectomy-capable center in the prehospital stroke code setting. Nevertheless, they entail a significant number of false positives, corresponding to intracranial hemorrhages (ICH), which could result in a delay in medical attention and potential harm. Our study aims to identify easily collectible variables for the development of a scale to differentiate patients with ICH from LVO in a prehospital context. MethodsWe conducted a prospective cohort study of stroke code patients between May 2021 and January 2023. Patients were evaluated with CT/CT-Angiography at arrival. We compared clinical variables and vascular risk factors between ICH and LVO patients to design a prehospital ICH screening scale (PreICH). ResultsOut of 989 stroke code patients, we included 190 (66.7%) LVO cases and 95 (33.3) ICH cases. In the multivariate analysis, headache (odds ratio [OR] 3.56; 1.50-8.43), GCS160mmHg (OR 6.43; 3.37-12.26) and male sex (OR 2.07; 1.13-3.80) were associated with ICH, while previous hypercholesterolemia (HCL) (OR 0.35; 0.19-0.65) with LVO. The scale design was conducted, assigning a score to each significant variable based on its specific weight: +2 points for SBP > 160, +1 points for headache, +1 points for male sex, +2 points for GCS
Autoren: Francisco Purroy, A. Freixa, G. Jimenez-Jimenez, G. Mauri-Capdevila, Y. P. Gallego-Sanchez, A. Garcia-Diaz, R. Mijana, M. Paul-Arias, C. Pereira, E. Ruiz-Fernandez, S. Salvany, A. Sancho-Saldana, E. San Pedro-Murillo, E. Saureu-Rufach, D. Vazquez-Justes
Letzte Aktualisierung: 2023-09-24 00:00:00
Sprache: English
Quell-URL: https://www.medrxiv.org/content/10.1101/2023.09.20.23295876
Quell-PDF: https://www.medrxiv.org/content/10.1101/2023.09.20.23295876.full.pdf
Lizenz: https://creativecommons.org/licenses/by-nc/4.0/
Änderungen: Diese Zusammenfassung wurde mit Unterstützung von AI erstellt und kann Ungenauigkeiten enthalten. Genaue Informationen entnehmen Sie bitte den hier verlinkten Originaldokumenten.
Vielen Dank an medrxiv für die Nutzung seiner Open-Access-Interoperabilität.