Intelligente Entscheidungs-unterstützung Intelligente Entscheidungs-unterstützung

Acumen Hypotension Prediction Index Software

Die Acumen Hypotension Prediction Index (HPI) Software ist eine innovative Technologie, die Ärzten Informationen über die Wahrscheinlichkeit eines Patienten liefert, der zu einem hypotensiven Ereignis neigt.*

Im Rahmen mehrerer Studien wurden die folgenden Vorteile der Acumen HPI Software gezeigt:

  • Statistisch signifikante Verringerung von Hypotonien beim Vergleich von nicht-kardialen chirurgischen Eingriffen mit der Standardversorgung, wenn die Software in Kombination mit einem Behandlungsprotokoll verwendet wird1,2
  • Besserer prognostischer Wert im Vergleich zu standardmäßigen hämodynamischen Parametern, wie Herzzeitvolumen (CO), Schlagvolumen (SV) und Veränderungen des mittleren arteriellen Drucks (MAP)3
  • Bewährte und zuverlässige Genauigkeit4

Hier finden Sie die Ergebnisse dieser klinischen Studien.

*Ein hypotensives Ereignis ist definiert als MAP <65 mmHg für eine Dauer von mindestens einer Minute.
Acumen Hypotension Prediction Index Software

Edwards Lifesciences hat eine lange Tradition in der Zusammenarbeit mit Ärzten, um Fortschritte in der Patientenversorgung auf den Markt zu bringen. Diese Tradition ist das Herzstück der Acumen Hypotension Prediction Index Software. Die Acumen Hypotension Prediction Index Software wurde in Zusammenarbeit mit Ärzten auf der ganzen Welt entwickelt und ist die erste in einer neuen Produktkategorie. Sie bietet den einzigen in Europa verfügbaren prädiktiven Überwachungsparameter für Hypotonie.

 Acumen Hypotension Prediction Index Software

Diese weltweit erste prädiktive Software zur Entscheidungsunterstützung erkennt die Wahrscheinlichkeit eines hypotensiven Ereignisses, bevor es eintritt. Außerdem gibt der HPI Einblicke in die eigentlichen Ursachen des Ereignisses und hilft Ihnen dabei, eine mögliche Vorgehensweise bei Ihrem Patienten zu erkennen.

Erfahren Sie mehr über die Risiken der Hypotonie.

Als Teil der Acumen Entscheidungshilfe-Suite wird die Acumen Hypotension Prediction Index Software mit dem Acumen IQ-Sensor aktiviert.

Drei Schlüsselelemente der Acumen Hypotension Prediction Index Software

HPI-Parameter

HPI-Parameter

Der HPI-Parameter zeigt einen Wert im Bereich von 0 bis 100 an, wobei höhere Werte eine größere Wahrscheinlichkeit für ein hypotensives Ereignis anzeigen.**

Der proprietäre Algorithmus – entwickelt aus Daten von fast 59.000 hypotensiven Ereignissen und über 144.000 nichthypotensiven Ereignissen – kann kombiniert mit maschinellen Lerntechniken die Möglichkeit einer Hypotonie erkennen, noch bevor sie auftritt. Der HPI-Parameterwert wird alle 20 Sekunden aktualisiert und liefert kontinuierliche prädiktive Erkenntnisse über die Entwicklung hypotensiver Ereignisse.

Je höher der Wert des HPI-Parameters desto größer ist die Wahrscheinlichkeit, dass ein hypotensives Ereignis eintritt.

Die diagnostische Leistung des HPI-Parameters wurde durch klinische Validierungsstudien bewertet:

**Ein hypotensives Ereignis ist definiert als MAP <65 mmHg für eine Dauer von mindestens einer Minute.

Zusammenfassung der klinischen Validierungsstudien

Zusammenfassung der klinischen Validierungsstudien

*Die vollständige Ergebnistabelle der klinischen Validierungsstudien finden Sie in Tabelle 12-6 im Benutzerhandbuch.

  1. Spezifität: Verhältnis von wahren Negativen zur Gesamtzahl der Nicht-Ereignisse (Negative) mit einem Negativ, das als Datenpunkt definiert ist, der mindestens 20 Minuten von jedem hypotensiven Ereignis entfernt ist.
  2. PPV
  3. Sensitivität: Verhältnis von wahren Positiven zur Gesamtzahl der Ereignisse (Positive), wobei positiv als Datenpunkt definiert ist, der höchstens 5 Minuten vor einem hypotensiven Ereignis liegt.
  4. NPV

Alarmhinweis über erhöhten HPI

HPI-Warnfenster

Der HPI-Alarmhinweis warnt Sie, wenn Ihr Patient zu einem hypotensiven Ereignis neigt oder dieses erlebt.

Der Alarmhinweis erscheint, wenn der HPI-Parameter 85 für zwei aufeinanderfolgende 20-Sekunden-Updates überschreitet oder 100 in einem bestimmten Update erreicht. Das Warnfenster erscheint und fordert Sie auf, die Hämodynamik des Patienten mithilfe des HPI-Sekundärbildschirms zu überprüfen.

Zweiter HPI-Bildschirm

Wenn Ihr Patient zu einem hypotensiven Ereignis neigt oder eines erlebt, sollten Sie die Ursache untersuchen, um proaktiv eine mögliche Handlungsweise zu eruieren. Die erweiterten hämodynamischen Druck- und Flussparameter auf dem zweiten HPI-Bildschirm liefern Informationen zur Untersuchung und Identifizierung der Grundursachen für die Entwicklung hypotensiver Ereignisse.

HPI-Sekundärbildschirm

Der zweite HPI-Bildschirm wird über den HPI-Alarmhinweis durch Berühren der HPI-Informationsleiste (wenn aktiviert), durch Drücken der Taste auf dem HPI-Hauptparameter oder zu einem beliebigen anderen Zeitpunkt über das Menü „Klinische Maßnahmen“ auf dem Monitor aufgerufen. Der zweite HPI-Bildschirm zeigt konsolidierte Werte für die klinischen Parameter des Patienten von MAP, CO, SVR, PR, SV und SVV sowie zwei zusätzliche Indikatoren für Kontraktilität und Nachlast, um ein vollständiges hämodynamisches Profil des Patienten zu liefern. Die erweiterten hämodynamischen Parameter auf dem zweiten Bildschirm sind visuell nach Vorlast, Kontraktionskraft und Nachlast angeordnet.

Diese fortgeschrittenen hämodynamischen Parameter geben Ihnen potenzielle Einblicke in die Ursache eines hypotensiven Ereignisses.

Vorlast

Vorlast

Schlagvolumenvariation (SVV)

Die prozentuale Differenz zwischen minimalem und maximalem SV während eines Atemzyklus. SVV dient als genaue Markierung des Positionsstatus auf der Frank-Starling-Kurve.

Kontraktilität

Kontraktilität

dP/dt

Ein empfindliches Maß für Veränderungen in der Kontraktilität der linken Herzkammer.

Nachlast

Nachlast

Dynamische arterielle Elastanz (Eadyn)

Das Verhältnis von Impulsdruckänderung zu Schlagvolumenvariation (PPV/SVV).

Preload

Pulsdruckvariation (PPV)

Pulsdruckvariation, der prozentuale Unterschied zwischen dem Minimum und dem Maximum des Pulsdrucks (PP) während eines Beatmungszyklus.

Zusammenfassung klinischer Studien

Die Acumen HPI Software erreichte in Kombination mit einem Behandlungsprotokoll eine statistisch signifikante Verringerung von Hypotonien ggü. der Standardbehandlung1,2

Zwei randomisierte kontrollierte Studien konnten zeigen, dass die Acumen HPI Software in Kombination mit einem hämodynamischen Behandlungsprotokoll die Inzidenz und Dauer von hypotonen Ereignissen bei Patienten, bei denen ein nicht-kardialer chirurgischer Eingriff durchgeführt wurde, signifikant verringern konnte.1,2

Die Ergebnisse der HYPE-Studie im JAMA1

Höhepunkte aus 2020 Wijnberge, et al.1

Publication in JAMA: „Effect of a Machine Learning–Derived Early Warning System for Intraoperative Hypotension vs Standard Care on Depth and Duration of Intraoperative Hypotension During Elective Noncardiac Surgery: The HYPE Randomized Clinical Trial“

  • Patienten mit elektiven, nicht-kardialen chirurgischen Eingriffen, die mit der Acumen HPI Software überwacht wurden, hatte eine mediane Hypotoniezeit pro Patient von 8 Minuten im Vergleich zu 32,7 Minuten bei der Kontrollgruppe
  • Bei der zeitlich gewichteten Hypotonie werden die Dauer und die Schwere der Hypotonie kombiniert und um die Gesamtdauer des Eingriffs korrigiert. Für die Acumen HPI Software zeigte die Studie eine mediane Differenz von 0,38 mmHg zwischen der Interventions- und der Kontrollgruppe.
  • Der zweite Bildschirm der Acumen HPI Software stellte Informationen über die mögliche zugrunde liegende Ursache dieser Hypotonie zur Verfügung und ermöglichte damit dem Klinikpersonal damit, eine geeignete Behandlung zu ermitteln

HYPE-Studie: primäre und sekundäre Endpunkte1

Abbildung Tabelle

HYPE-Studie: hämodynamische Diagnostikhilfe und Behandlungsprotokoll12

Das untenstehende Studienprotokoll ist nur zu Referenzzwecken aufgeführt, da es lediglich für diese Studie gültig ist.

Diagramm

Bei der HYPE-Studie zeigte sich kein signifikanter Unterschied bei der kumulativen Dosis von Vasopressoren oder Flüssigkeiten und Hypotonien wurden ohne Erhöhung der Anzahl hypertoner Ereignisse verhindert.1

Ergebnisse des Einsatzes von Acumen HPI bei einer prospektiven Studie mit Hüfttotalendoprothesen2

Höhepunkte aus 2019 Schneck, et al.2

Publication in the Journal of Clinical Monitoring and Computing: „Hypotension Prediction Index based protocolized haemodynamic management reduces the incidence and duration of intraoperative hypotension in primary total hip arthroplasty: a single centre feasibility randomised blinded prospective interventional trial“

Die Acumen Hypotension Index Software hat in Kombination mit einer Behandlung nach Protokoll nachweislich die relative und absolute Dauer von hypotonen Ereignissen bei Patienten mit einer Hüfttotalendoprothese im Vergleich zu einer historischen und prospektiven Kontrollgruppe verringert.

Studie: primäre Endpunkte2

HPICTRLhCTRL
Anzahl hypotoner Ereignisse pro Stunde (n/h) 0 5 2
Absolute IOH-Zeit (s) 0 640 660
Relative IOH-Zeit (IOH-Zeit in % der Gesamtanästhesiezeit) 0 6 7
HPI = Hypotonievorhersage-Index-Software; CTRL = Kohorte mit standardmäßiger Anästhesieversorgung; hCTRL = historische Kontrollgruppe
HPI-Gruppe, n = 25; CTRL, n = 24; hCTRL, n = 50. Gesamt n = 99
Primary-Endpoints-HPI-A
Primary-Endpoints-HPI-B
Primary-endpoints-hpi-c
Primary-Endpoints-HPI-A
Primary-Endpoints-HPI-B
Primary-endpoints-hpi-c
Anhand der Diagramme ist die Inzidenz (a), absolute (b) und relative (c) Dauer hypotoner Ereignisse bei den drei Studienkohorten dargestellt. Signifikante Unterschiede zwischen den Studiengruppen sind durch „**p < 0,01“ und „***p < 0,001“ gekennzeichnet.

Prospektive Studie mit Hüfttotalendoprothesen: Protokoll2

Das untenstehende Studienprotokoll ist nur zu Referenzzwecken aufgeführt, da es lediglich für diese Studie gültig ist.

Diagramm

Die Acumen HPI Software erzielte eine deutlich bessere Prädiktion hypotoner Ereignisse als die standardmäßigen hämodynamischen Parameter3

Höhepunkte aus 2019 Davies, et al.3

Publication in Anesthesia and Analgesia: „Ability of an Arterial Waveform Analysis–Derived Hypotension Prediction Index to Predict Future Hypotensive Events in Surgical Patients“

Im Vergleich mit hämodynamischen Parametern wie z. B. SV, CO, SVV und MAP zeigte die Acumen HPI Software in dieser Studie eine bessere prädiktive Leistung 5 bzw. 10 Minuten vor der Hypotonie3.

Prädiktion einer Hypotonie 5 Minuten vor einem Ereignis3

Bild

Prädiktion einer Hypotonie 10 Minuten vor einem Ereignis3

Bild

Receiver-Operating-Characteristic-Kurven für HPI, CO, SV, MAP, PP, HR, SVV und Schockindex für Hypotonieprädiktion
5 und 10 Minuten vor dem Ereignis.

Die Acumen HPI Software zeigte eine hohe Genauigkeit bei der Prädiktion von Hypotonien4

Höhepunkte aus Hatib, et al.4

Publication in Anesthesiology: „Machine-learning Algorithm to Predict Hypotension Based on High-fidelity Arterial Pressure Waveform Analysis“

  • Prädiktive Algorithmen werden üblicherweise anhand einer ROC-Kurve beurteilt, dabei zeigt die AUC die Vorhersagekraft des Algorithmus4,14
  • 10 Minuten vor einem Ereignis konnte die Acumen HPI Software eine Hypotonie mit einer Spezifität und Sensitivität von 89% bzw. 90% vorhersagen, bei dieser Studie betrug die AUC 0,95.4

Je mehr die ROC-Kurve sich der Y-Achse annähert, desto größer ist die Annäherung an ein perfektes Modell mit weniger falsch positiven und falsch negativen Werten13

Bild

ROC 10 Minuten vor einem hypotonen Ereignis4

Bild

AUC = Fläche unter der Kurve, Integral; ROC = Receiver Operating Characteristic.
Hypotonie-Risiko

Bei Patienten ohne kardiale Chirurgie haben Forschungsergebnisse starke Zusammenhänge zwischen intraoperativer Hypotonie und erhöhtem Risiko sowohl für akute Nierenverletzungen (AKI) als auch für Myokardverletzungen nach nichtkardialen Operationen (MINS) gezeigt.1,2,3

MINS – die häufigste kardiovaskuläre Komplikation, die nach einer nichtkardialen Operation auftritt – ist die häufigste Todesursache innerhalb eines Monats nach der Operation.1,4 Es handelt sich um ein wesentliches Problem der öffentlichen Gesundheit.4

 Hypotonie-Risiko

Mehr als 200 Millionen Erwachsene auf der ganzen Welt werden sich jährlich einer nichtkardialen Operation unterziehen sich jährlich einer nichtkardialen Operation, und diese Zahl nimmt jedes Jahr weiter zu.5,6 Weltweit erleiden jedes Jahr schätzungsweise 8 Millionen Patienten im Alter von über 45 Jahren – mehr als 1 von 12 Patienten – eine Myokardverletzung nach einer nichtkardialen Operation.4,6,7

Niedrigster MAP (mmHg)

Sobald der mittlere arterielle Druck (MAP) eines Patienten 65 mmHg erreicht hat, dauert es nur noch 10 Minuten, um höhere Korrelationen zwischen intraoperativer Hypotonie und MINS zu sehen.1

Niedrigster MAP (mmHg)

Wenn zudem der MAP eines Patienten 50 mmHg erreicht, braucht es nur eine Exposition von einer Minute, um eine signifikante Eskalation der MINS zu bewirken, sodass eine frühzeitige Identifizierung eines hypotensiven Ereignisses umso wichtiger ist.1

Die Acumen Hypotension Prediction Index Software ist die erste prädiktive Technologie, die Ihnen Informationen über die Wahrscheinlichkeit eines Patienten liefert, der zu einem hypotensiven Ereignis* neigt, und Ihnen dabei hilft, die Ursache für die Verschlechterung der hämodynamischen Stabilität zu verstehen.

* Ein hypotensives Ereignis ist definiert als MAP <65 mmHg für eine Dauer von mindestens einer Minute.
Der Acumen IQ Sensor aktiviert die Funktion Acumen Hypotension Prediction Index (Hypotonievorhersage-Index)
Acumen IQ

Der Acumen IQ-Sensor – Teil der Acumen-Familie hämodynamischer Sensoren – aktiviert die Acumen Hypotension Prediction Index Software. Der minimalinvasive Acumen IQ-Sensor wird an einen radialen arteriellen Zugang angeschlossen. Das Acumen IQ-System aktualisiert erweiterte Parameter automatisch alle 20 Sekunden und spiegelt schnelle physiologische Veränderungen bei Operationen mit mittlerem bis hohem Risiko wider. Die erweiterten hämodynamischen Parameter des Acumen IQ-Sensors bieten Ihnen einen kontinuierlichen Einblick in den hämodynamischen Status Ihres Patienten.

Weitere informationen zur Acumen IQ sensor

Acumen Analytics software

Die Acumen Analytics Software ermöglicht das Herunterladen bzw. die Analyse der Daten Ihrer Patienten auf einen bzw. einem PC. Überwachungssitzungen, einschließlich demographische Daten, können von der HemoSphere multifunktionale Überwachungsplattform oder der Klinischen Plattform EV1000 zur Organisation und Analyse in die Acumen Analytics Software heruntergeladen werden. Patientennummern werden nicht erfasst.

Acumen Analytics software
Weitere informationen zur Acumen Analytics software

Verfügbar auf der Plattform der Zukunft

HPI secondary screen

Die HemoSphere multifunktionale Überwachungsplattform bietet erweiterte hämodynamische Parameter, die in verschiedenen klinischen Situationen und Bereichen proaktive Entscheidungen unterstützen, damit Sie eine optimale Durchblutung beim Patienten aufrechterhalten können.

Weitere Informationen zur HemoSphere
multifunktionale Überwachungsplattform

Klinische Evidenz

Die Erstellung eines vollständigen hämodynamischen Profils mithilfe von Pulmonalarterienkathetern im kardiogenen Schock ist mit einer geringeren Mortalität im Krankenhaus assoziiert

Das Ziel der von Garan et al. durchgeführten Studie besteht darin, den potenziellen Nutzen der Erstellung eines vollständigen hämodynamischen Profils mithilfe von Pulmonalarterienkathetern (PACs) vor der Anwendung einer mechanischen Kreislaufunterstützung (MCS) bei Patienten mit kardiogenem Schock (CS) zu untersuchen. Im Rahmen der Studie wurde beobachtet, dass CS-Patienten, für die vor der MCS vollständige PAC-Daten gewonnen wurden,eine höhere Überlebenschance hatten als Patienten, für die keine vollständigen PAC-Daten vor der MCS gewonnen wurden.

Des Weiteren zeigte die Studie, dass ein unvollständiger hämodynamischer Datensatz gleichzusetzen war mit gar keinen PAC-Daten bezüglich der Mortalität im Krankenhaus. Zu den zusätzlichen Vorteilen einer Erhebung vollständiger PAC-Daten gehört die frühzeitige Erkennung einer hämodynamischen Beeinträchtigung, die eine sofortige MCS erfordert, um eine potenziell irreversible Endorgandysfunktion als Folge von Behandlungsverzögerungen abzuwenden.

  • Geringere Mortalität bei Patienten mit CS in fortgeschrittenen Stadien
  • Geringste Mortalität im Krankenhaus in den Subgruppen und SCAI-Stadien
  • Frühzeitige Erkennung einer hämodynamischen Beeinträchtigung
  • Ein unvollständiger hämodynamischer Datensatz ist gleichzusetzen mit gar keinen PAC-Daten
Studie anzeigen

„Die Gruppe mit vollständiger PAC-Beurteilung zeigte die geringste Mortalität im Krankenhaus im Vergleich zu den anderen Gruppen mit sämtlichen SCAI-Stadien.“

Studie von Garan et al.

Verwendung eines Pulmonalartierenkatheters bei erwachsenen Patienten, die sich einer kardiochirurgischen Operation unterziehen: eine retrospektive Kohortenstudie

Im Rahmen dieser retrospektiven Studie von Shaw et al. wurden die Nützlichkeit von Pulmonalarterienkathetern (PACs) bei komplexen kardiochirurgischen Operationen und der Zusammenhang mit anschließenden klinischen Ergebnissen, einschließlich der Mortalität nach 30 Tagen Krankenhausaufenthalt, schwere Morbidität und Dauer des Krankenhausaufenthalts (LOS), untersucht.

Es wurden zwei Kohorten mit insgesamt 6844 Patienten analysiert, die ein CABG erhielten, sich einer isolierten Klappenoperation, Operation an der Aorta oder anderen komplexen Eingriffen im Zeitraum vom 1. Januar 2011 bis zum 30. Juni 2015 unterzogen. Die Studie ergab, dass die Anwendung von PACs nicht zur Mortalität im Krankenhaus beitrug und mit einer statistisch signifikanten Verkürzung des Krankenhausaufenthalts und einer signifikanten Abnahme der kombinierten kardiopulmonalen Morbidität assoziiert ist.

  • Verkürzte LOS
  • Geringe pulmonale Morbidität
  • Kein erhöhtes Risiko für Mortalität im Krankenhaus
Studie anzeigen

„Die Anwendung von PACs war mit einer statistisch signifikanten Verkürzung des Krankenhausaufenthalts und einer signifikanten Abnahme der kombinierten kardiopulmonalen Morbidität assoziiert.“

Studie von Shaw et al.
Kontaktieren Sie uns

Der Edwards Vorteil

Unser Anspruch ist es, Ihrer Einrichtung sowie Ihren Ärzten und Mitarbeitern einen erstklassigen Kundendienst und Support zu bieten, um eine reibungslose Produktimplementierung und laufende Nutzung zu gewährleisten:


Einen Vertreter kontaktieren

Haben Sie Feedback zu unseren Produkten? Bitte klicken Sie hier

Referenzen:
  1. Wijnberge, M., Geerts, B., Hol, L., Lemmers, N., Mulder, M., Berge, P., Schenk, J., Terwindt, L., Hollman, M., Vlaar, A., Veelo, D. (2020) Effect of a Machine Learning-Derived Early Warning System for Intraoperative Hypotension vs Standard Care on Depth and Duration of Intraoperative Hypotension During Elective Noncardiac Surgery: The HYPE Randomized Clinical Trial. JAMA Online, February 17, 2020. doi:10.1001/jama.2020.0592 https://jamanetwork.com/journals/jama/article-abstract/2761469
  2. Schneck, E., Schulte, D., Habig, L., Ruhrmann, S., Edinger, F., Markmann, M., Habicher, M., Rickert, M., Koch, C., Sander, M. (2019) Hypotension Prediction Index based protocolized haemodynamic management reduces the incidence and duration of intraoperative hypotension in primary total hip arthroplasty: a single centre feasibility randomized blinded prospective interventional trial. Journal of Clinical Monitoring and Computing online, November 29, 2019. https://link.springer.com/article/10.1007/s10877-019-00433-6
  3. Davies SJ, Vistisen ST, Jian Z, et al. Ability of an arterial waveform analysis-derived hypotension prediction index to predict future hypotensive events in surgical patients. Anesth Analg 2020;doi: 10.1213/ANE.0000000000004121. https://journals.lww.com/anesthesia-analgesia/Citation/2020/02000/Ability-of-an-Arterial-Waveform-Analysis-Derived.16.aspx
  4. Hatib, F., Zhongping, J., Buddi, S., Lee, C., Settels, J., Sibert, K., Rinehart, J., Cannesson, M. (2018). Machine-learning Algorithm to Predict Hypotension Based on High-fidelity Arterial Pressure Waveform Analysis. Anesthesiology 129, 663-74. https://anesthesiology.pubs.asahq.org/article.aspx?articleid=2685008
  5. Salmasi, V., Maheshwari, K., Yang, G., Mascha, E.J., Singh, A., Sessler, D.I., & Kurz, A. (2017). Relationship between intraoperative hypotension, defined by either reduction from baseline or absolute thresholds, and acute kidney injury and myocardial injury. Anesthesiology, 126(1), 47-65.
  6. Sun, L.Y., Wijeysundera, D.N., Tait, G.A., & Beattie, W.S. (2015). Association of Intraoperative Hypotension with Acute Kidney Injury after Elective non-cardiac Surgery. Anesthesiology, 123(3), 515-523.
  7. Walsh, M., Devereaux, P.J., Garg, A.X., Kurz, A., Turan, A., Rodseth, R.N., Cywinski, J., Thabane, L., & Sessler, D.I. (2013). Relationship between Intraoperative Mean Arterial Pressure and Clinical Outcomes after non-cardiac Surgery. Anesthesiology, 119(3), 507-515.
  8. Kahn, Alonso-Coello and Devereaux, Myocardial injury after non-cardiac surgery, Curr Opin Cardiol, 2014, 29:307-311
  9. Devereaux and Sessler, Cardiac complications in patients undergoing major non-cardiac surgery, N Engl J Med, 2015, 373(23):2258-2269.
  10. Sellers, D., Srinivas, C., Djaiani, G. (2018). Cardiovascular complications after non-cardiac surgery. Anaesthesia, 73 (Suppl. 1), 34 - 42.
  11. van Waes, J., Nathoe, H., Graaff, J., Kemperman, H., de Borst, G., Peelen, L., van Klei, W. (2013). Myocardial Injury After Noncardiac Surgery and its Association With Short-Term Mortality. Circulation, 127, 2264 - 2271.
  12. Wijnberge et al. HYPE Protocol supplement: Intraoperative implementation of the hypotension probability indicator (HPI) algorithm – A pilot randomized controlled clinical trial, Supplemental to Effect of a machine learning-derived early warning system for intraoperative hypotension vs standard care on depth and duration of intraoperative hypotension during elective noncardiac surgery: The HYPE Randomized Clinical Trial. JAMA 2020.16 Appendix I.
  13. Vining, David & Gladish, Gregory. (1992). Receiver operating characteristic curves: a basic understanding. Radiographics : a review publication of the Radiological Society of North America, Inc. 12. 1147-54. 10.1148/radiographics.12.6.1439017.
  14. Huang, Jin, and C.X. Ling. (2005) Using AUC and Accuracy in Evaluating Learning Algorithms. IEEE Transactions on Knowledge and Data Engineering, vol. 17, no. 3, 2005, pp. 299–310., doi:10.1109/tkde.2005.50.

Nur für Angehörige medizinischer Fachkreise

Nur für Angehörige medizinischer Fachkreise

Für Indikationen, Gegenanzeigen, Vorsichtsmaßnahmen, Warnhinweise und mögliche Nebenwirkungen bitte die Packungsbeilage beachten (ggf. unter eifu.edwards.com abzurufen).

Produkte von Edwards Lifesciences, die in Europa in Verkehr gebracht werden und die grundlegenden Anforderungen nach Artikel 3 der Medizinprodukte-Richtlinie 93/42/EWG erfüllen, sind mit dem CE-Zeichen versehen.

Please update your browserClose this window

Please update to a current version of your preferred browser, this site will perform effectively on the following:

Unable to update your browser?

If you are on a computer, that is maintained by an admin and you cannot install a new browser, ask your admin about it. If you can't change your browser because of compatibility issues, think about installing a second browser for browsing and keep this old one for compatibility