| Kern, Hartmut : SIRS und Sepsis nach kardiochirurgischen Eingriffen - Vergleich verschiedener Modelle zur Risikostratifizierung |
zur Erlangung der Lehrbefähigung
für das Fach
Anaesthesiologie
vorgelegt dem Fakultätsrat der Medizinischen Fakultät Charité
der Humboldt-Universität zu Berlin
von
Präsident: Prof. Dr. rer.nat. J. Mlynek
Dekan: Prof. Dr. med. Dr.h.c. R. Felix
Gutachter:
1. Prof. Dr. med. D. M. Albrecht
2. Prof. DR. W. Lorenz
Eingereicht am: März 2001
Systemische Inflammation (SIRS) und Sepsis sind bekannte postoperative Komplikationen nach kardiochirurgischen Eingriffen. Bei 77,1 % der untersuchten 3653 kardiochirurgischen Patienten bestanden am ersten postoperativen Tag definierte Symptome eines SIRS. Nur 20 % dieser Patienten entwickelten ein prolongiertes SIRS über mindestens die ersten 72 Stunden postoperativ und 4,4 % eine Sepsis im weiteren primären intensivmedizinischen Verlauf. Aus der Patientengruppe mit prolongiertem SIRS entwickelten immerhin 21,8 % eine Sepsis.
Die 564 Patienten mit prolongiertem SIRS waren durch eine signifikant (p< 0,001) verlängerte Beatmungs- und Behandlungsdauer auf der Intensivstation (ICU), eine erhöhte Krankenhausliegedauer sowie eine um den Faktor 10 signifikant erhöhte ICU- und Krankenhausmortalität im Vergleich zu Patienten ohne prolongiertes SIRS gekennzeichnet. Die 135 Patienten mit einer Sepsis während ihrer primären postoperativen intensivstationären Behandlung hatten eine deutlich erhöhte intensivstationäre Mortalität von 40,7 % gegenüber 1,6 % bei Patienten ohne Sepsis. Die Patienten mit prolongiertem SIRS (15,4 % der Gesamtpopulation) benötigten insgesamt 52,9 % der Bettentage und 57,7 % der Gesamtkosten der intensiv-medizinischen Behandlung. Die septischen Patienten (3,7 %) verursachten alleine 24,6 % der intensivstationären Behandlungstage sowie 28,7 % der Gesamtkosten.
Die fünf Variablen weibliches Geschlecht, das Auftreten definierter intraoperativer Komplikationen, ein APACHE II- Score > 17 bei Aufnahme auf der Intensivstation, der postoperative Bedarf von mehr als einem Inotropikum sowie das Vorhandensein von definierten, therapiebedürftigen metabolischen Störungen innerhalb der ersten 24 Stunden postoperativ diskriminierten in Bezug auf das Vorhandensein oder Nicht-Vorhandensein der Zielvariablen prolongiertes SIRS (> 3 Tage ) mehr als 88 % der Patienten richtig. Jeweils über 96 % der Patienten konnten durch die aus diesen Variablen entwickelten Regressionsgleichungen richtig zugeordnet werden bezüglich des Auftretens oder Nicht-Auftretens einer Sepsis bzw. eines letalen Ausgangs.
Das intern validierten Modell für die Zielvariable prolongiertes SIRS (> 3 Tage) erreichte eine hohe Spezifität von über 97 % bei einer Sensitivität von 39 %. Die vorliegenden Regressionsgleichungen ermöglichen es somit, am Patientengut dieser Institution prospektiv Patienten mit erhöhtem Risiko auf ein prolongiertes SIRS bzw. eine Sepsis mit hoher Spezifität zu selektionieren.
The development of a systemic inflammatory response syndrome (SIRS) and sepsis are well known complications after cardiac surgery. In the present study, 77.1 % of the 3653 cardiac surgical patients developed SIRS or SIRS-like symptoms on the first postoperative day. Only 20 % of these patients, however, showed a prolonged SIRS during the first 3 postoperative days. 4.4 % of all patients had septic complications during their stay on the intensive care unit (ICU). However, 21.8 % of the patients with prolonged SIRS developed sepsis.
The identified 564 patients with prolonged SIRS showed a significantly (p < 0.001) increased duration of mechanical ventilation, ICU- and hospital treatment, respectively. Their ICU- and hospital mortality was tenfold higher than in patients without prolonged SIRS. The ICU-mortality of 135 septic patients was 40.7 % in contrast to 1.6 % in patients without sepsis. Patients with prolonged SIRS (15.4 % of the study population) accounted for 52.9 % of the bed days on ICU and for 57.7 % of the total costs. Septic patients (3.7 % of the study population) required 24.6 % of the bed days and 28.7 % of the total costs during their ICU-stay.
The use of 5 variables including female gender, defined intraoperative complications, an APACHE II- Score of > 17 on ICU-admission, the use of more than one inotrope postoperatively, and the treatment of defined metabolical disorders identified 88 % of the patients with prolonged SIRS (> 3 days) correctly during the first 24 hours postoperativly. The resulting predictive models identified more than 96 % of the patients with sepsis or lethal outcome correctly.
The internal validation of the predictive model for prolonged SIRS (> 3 days) demonstrated a specifity of 97 % and a sensitivity of 39 %. Therefore, the early identification of patients at risk for the development of prolonged SIRS or sepsis in our institution seems to be possible using multiple logistic regression of these predictive models.
Schlagwörter:
Kardiochirurgie, SIRS, Sepsis, Risikostratifizierung
Keywords:
Cardiac Surgery, SIRS, Sepsis, Risk Stratification
| Seiten: | [5] [6] [7] [8] [9] [10] [11] [12] [13] [14] [15] [16] [17] [18] [19] [20] [21] [22] [23] [24] [25] [27] [28] [29] [30] [31] [32] [33] [34] [35] [36] [37] [38] [39] [40] [41] [42] [43] [44] [45] [46] [47] [48] [49] [50] [51] [52] [53] [54] [55] [56] [57] [58] [59] [60] [61] [62] [63] [64] [65] [66] [67] [68] [69] [70] [71] [72] [73] [74] [75] [76] [77] [78] [79] [80] [81] [82] [83] [84] [85] [86] [87] [88] [89] [90] [91] [92] [93] [94] [95] [96] [97] [98] [99] [100] [101] [102] [103] [104] [105] [106] [107] [108] [109] [110] [111] [112] [113] [114] [115] [116] [117] [118] [119] [120] [121] [122] [123] [124] [125] |
Inhaltsverzeichnis | |
| Titelseite | SIRS und Sepsis nach kardiochirurgischen Eingriffen - Vergleich verschiedener Modelle zur Risikostratifizierung |
| Widmung | |
| 1 | Einleitung |
| 1.1 | Mechanismen zur Entstehung von SIRS und Sepsis |
| 1.2 | Systemische Inflammation nach kardiopulmonalem Bypass |
| 1.3 | Wertigkeit von Scoring-Verfahren in der Intensivmedizin |
| 1.4 | Einfluß von SIRS und Sepsis nach kardiochirurgischen Eingriffen auf das Outcome und die Kosten |
| 1.5 | Hypothese |
| 2 | Methodik: |
| 2.1 | Patientengut |
| 2.2 | Perioperatives Management |
| 2.3 | Versuchsablauf |
| 2.3.1 | Datenerhebung |
| 2.3.2 | Angewendete Scoring-Verfahren |
| 2.3.3 | Definitionen für SIRS und Sepsis |
| 2.3.4 | Kostenberechnung |
| 2.4 | Statistische Verfahren |
| 2.4.1 | Univariate Analyse |
| 2.4.2 | Multiple logistische Regression |
| 2.4.3 | Künstliche Neuronale Netze |
| 2.4.4 | Interne Validierung |
| 2.4.5 | Erstellung von Receiver-Operator-Characteristic Kurven |
| 3 | Ergebnisse |
| 3.1 | Deskripte Statistik des untersuchten Patientengutes |
| 3.2 | Inzidenz eines prolongierten SIRS (> 3 Tage) und einer Sepsis |
| 3.3 | Einfluß eines prolongierten SIRS (> 3 Tage) und einer Sepsis auf die intensiv-medizinische Behandlungsdauer, die Krankenhausliegedauer und das Outcome |
| 3.4 | Einfluß eines prolongierten SIRS (> 3 Tage) und einer Sepsis auf die Behandlungskosten |
| 3.5 | Ergebnisse der univariaten Analyse |
| 3.5.1 | Einflußfaktoren zur Entstehung eines prolongierten SIRS (> 3 Tage) nach kardiochirurgischen Eingriffen |
| 3.5.2 | Einflußfaktoren zur Entstehung einer Sepsis nach kardiochirurgischen Eingriffen |
| 3.5.3 | Einflußfaktoren auf das Outcome nach kardiochirurgischen Eingriffen |
| 3.6 | Ergebnisse der multiplen logistischen Regression |
| 3.6.1 | Einflußfaktoren zur Entstehung eines prolongierten SIRS (> 3 Tage) nach kardiochirurgischen Eingriffen |
| 3.6.2 | Einflußfaktoren zur Entstehung einer Sepsis nach kardiochirurgischen Eingriffen |
| 3.6.3 | Einflußfaktoren auf das Outcome nach kardiochirurgischen Eingriffen |
| 3.6.4 | Anwendung des Prädiktionsmodells zur Prognose von SIRS auf die Prognose von Sepsis und Outcome nach kardiochirurgischen Eingriffen |
| 3.7 | Interne Validierung der Vorhersagekapazität |
| 3.7.1 | Logistische Regression |
| 3.7.2 | Künstliche neuronale Netze |
| 4 | Diskussion |
| 4.1 | Systemische Inflammation nach kardiopulmonalem Bypass |
| 4.1.1 | Inzidenz |
| 4.1.2 | Entstehungsmechanismen |
| 4.2 | Einfluß eines prolongierten SIRS und einer Sepsis auf das Outcome nach kardiochirurgischen Eingriffen |
| 4.3 | Einfluß eines prolongierten SIRS und einer Sepsis auf die Kosten nach kardiochirurgischen Eingriffen |
| 4.4 | Wertigkeit von Scoringverfahren im kardiochirurgischen Patientengut |
| 4.5 | Validierung von Prognose-Scores |
| 4.6 | Prädiktion eines erhöhten Risikos zur Entwicklung eines prolongierten SIRS (> 3 Tage), einer Sepsis und eines letalen Ausgangs nach kardiochirurgischen Eingriffen |
| 4.6.1 | Verwendung eines Prädiktionsmodells für prolongiertes SIRS (> 3 Tage), Sepsis und Outcome |
| 4.6.2 | Einzelvariablen des Prädiktionsmodells |
| 4.6.3 | Ausblick |
| 5 | Zusammenfassung und Schlußfolgerung |
| Bibliographie | Literaturliste: |
| Selbständigkeitserklärung | |
| Danksagung | |
Tabellenverzeichnis | |
| Tabelle 1: | Allgemeine Charakteristika des gesamten Patientengutes Angegeben wurde der Median [25%-75% Percentile] bzw. die Mortalität in Prozent. Zur Berechnung der SMR wurde definitionsgemäß der Mittelwert des ROD herangezogen. |
| Tabelle 2: | Analyse vom Einfluss eines prolongierten SIRS auf das Outcome Angegeben wurde der Median [25%-75% Percentile] bzw. die Mortalität in Prozent. Zur Berechnung der SMR wurde definitionsgemäß der Mittelwert des ROD herangezogen. |
| Tabelle 3: | Analyse vom Einfluss einer Sepsis auf das Outcome Angegeben wurde der Median [25%-75% Percentile] bzw. die Mortalität in Prozent. Zur Berechnung der SMR wurde definitionsgemäß der Mittelwert des ROD herangezogen. |
| Tabelle 4: | Analyse vom Einfluß eines prolongierten SIRS auf die Kosten |
| Tabelle 5: | Analyse vom Einfluß einer Sepsis auf die Kosten |
| Tabelle 6: | Univariate Analyse der perioperativen Risikofaktoren für die Entwicklung eines prolongierten SIRS Kategoriale Variablen sind als Gesamtzahl (Prozent), stetige Variablen als Median [25%-75% Percentile] angegeben. |
| Tabelle 7: | Univariate Analyse der perioperativen Risikofaktoren für die Entwicklung einer Sepsis Kategoriale Variablen sind als Gesamtzahl (Prozent), stetige Variablen als Median [25%-75% Percentile] angegeben . |
| Tabelle 8: | Univariate Analyse der perioperativen Risikofaktoren für einen letalen Ausgang Kategoriale Variablen sind als Gesamtzahl (Prozent), stetige Variablen als Median [25%-75% Percentile] angegeben. |
| Tabelle 9: | Risikofaktoren für die Entwicklung eines prolongierten SIRS nach kardiochirurgischen Eingriffen entsprechend der multiplen logistischen Regressionsanalyse |
| Tabelle 10: | Risikofaktoren für die Entwicklung eines SIRS nach Dichotomisierung des APACHE II entsprechend der multiplen logistischen Regressionsanalyse |
| Tabelle 11: | Risikofaktoren für die Entwicklung einer Sepsis nach kardiochirurgischen Eingriffen entsprechend der multiplen logistischen Regressionsanalyse |
| Tabelle 12: | Risikofaktoren für die Entwicklung einer Sepsis nach Dichotomisierung des APACHE II entsprechend der multiplen logistischen Regression |
| Tabelle 13: | Risikofaktoren für ein letales Outcome nach kardiochirurgischen Eingriffen entsprechend der multiplen logistischen Regressionsanalyse |
| Tabelle 14: | Risikofaktoren für ein letales Outcome nach Dichotomisierung des APACHE II entsprechend der multiplen logistischen Regressionsanalyse |
| Tabelle 15: | Risikostratifizierung für die Entwicklung einer Sepsis nach kardiochirurgischen Eingriffen unter Verwendung eines am SIRS entwickelten Modells |
| Tabelle 16: | Risikostratifizierung für ein letales Outcome nach kardiochirurgischen Eingriffen unter Verwendung eines am SIRS entwickelten Modells |
| Tabelle 17: | Interne Validierung mittels logistischer Regression der Vorhersage eines SIRS |
| Tabelle 18: | Interne Validierung mittels logistischer Regression der Vorhersage einer Sepsis |
| Tabelle 19: | Interne Validierung mittels logistischer Regression der Vorhersage eines letalen Outcome |
| Tabelle 20: | Interne Validierung mittels künstlicher neuronaler Netze der Vorhersage eines SIRS unter Verwendung der 5 Variablen des SIRS-Modells |
| Tabelle 21: | Interne Validierung mittels künstlicher neuronaler Netze der Vorhersage eines SIRS unter Verwendung aller univariat signifikanten Variablen |
Abbildungsverzeichnis | |
| Abbildung 1a: | Datenblatt zur Erfassung der Patientenbasisdaten sowie der chronischen Vorerkrankungen entsprechend des APACHE II |
| Abbildung 1b: | Datenblatt zur Kodierung der Spezifischen Diagnosekategorie und der Begünstigenden Faktoren |
| Abbildung 1c: | Datenblatt 1 zur Erfassung der akuten physiologischen Parameter entsprechend des APACHE II bzw. SAPS II |
| Abbildung 1d: | Datenblatt 2 zur Erfassung der akuten physiologischen Parameter entsprechend des APACHE II bzw. SAPS II |
| Abbildung 1e: | Datenblatt 1 zur Erfassung der Parameter entsprechend des TISS |
| Abbildung 1f: | Datenblatt 2 zur Erfassung der Parameter entsprechend des TISS |
| Abbildung 2: | Verwendetes Scoring für das APACHE II-System |
| Abbildung 3: | ROC-Kurven für die unabhängig entwickelten Regressionsgleichungen |
| Abbildung 4: | ROC-Kurven für die am Modell SIRS entwickelte Regressionsgleichung |
© Die inhaltliche Zusammenstellung und Aufmachung dieser Publikation sowie die elektronische Verarbeitung sind urheberrechtlich geschützt. Jede Verwertung, die nicht ausdrücklich vom Urheberrechtsgesetz zugelassen ist, bedarf der vorherigen Zustimmung. Das gilt insbesondere für die Vervielfältigung, die Bearbeitung und Einspeicherung und Verarbeitung in elektronische Systeme.
|
DiML DTD Version 2.0 |
Zertifizierter Dokumentenserver der Humboldt-Universität zu Berlin |
HTML - Version erstellt am: Thu Dec 6 15:40:32 2001 |