Predictive algorithms in perioperative haemodynamic management

Dit proefschrift richt zich op de effectiviteit van de Hypotension Prediction Index (HPI), een voorspeller van lage bloeddruk, bij het verminderen van hypotensie tijdens hartchirurgie en intensivecare-opname (IC). Het evalueert de vergelijkbaarheid van invasieve en niet-invasieve HPI-modaliteiten, waarbij op groepsniveau grotendeels vergelijkbare prestaties werden gevonden, met kleine verschillen in voorspellende tijdvensters.
Daarnaast worden zorgen besproken over de voorspellende nauwkeurigheid van eerdere HPI-validatiestudies. Hoewel HPI veelbelovend is, suggereren sommige bevindingen dat standaard bloeddrukparameters vergelijkbare resultaten kunnen bieden. Daarom werd in een nieuwe vergelijkende analyse gekozen voor een klinisch relevante benadering om deze suggesties te onderzoeken. Hierbij werd de vergelijking gemaakt tussen HPI-pop-upalarmen en de MAP-alarmen in veelgebruikte bloeddrukmonitoren, ingesteld op een drempelwaarde tussen 70 en 75 mmHg. Deze analyses tonen aan dat het machine-learning-gebaseerde HPI-algoritme voordelen biedt op het gebied van voorspellen en mogelijk voorkomen van hypotensie. Een belangrijke exploratieve analyse liet echter zien dat een kleine aanpassing aan de MAP-alarmen, door het toevoegen van een tijdsafhankelijke functie, de voorspellende prestaties vergelijkbaar maakte.
Tot slot wordt een gerandomiseerde studie besproken die is uitgevoerd tijdens hartchirurgie en postoperatieve IC-verblijven om HPI-geleide zorg te vergelijken met standaardzorg. HPI bleek effectief in het verminderen van hypotensie zonder een toename van hypertensieve gebeurtenissen. De studie toont aan dat HPI minder onnodige alarmen genereert dan conventionele bloeddrukmonitoren en voordelen biedt in de klinische praktijk. De resultaten ondersteunen de haalbaarheid en effectiviteit van HPI bij complexe chirurgische procedures en benadrukken het potentieel van innovatieve technologieën om de hemodynamische zorg te verbeteren.