Download PDF
Anästhesiol Intensivmed Notfallmed Schmerzther 2020; 55(04): 246-256
DOI: 10.1055/a-0881-8339
Topthema
Georg Thieme Verlag KG Stuttgart · New York

Update Reanimation – Reanimation 4.0

Update Resuscitation – Resuscitation 4.0
Stephan Seewald
,
Barbara Jakisch
Further Information

Publication History

Publication Date:
21 April 2020 (online)

Also available at
   Permissions and Reprints

Zusammenfassung

Die Zukunft der Notfallmedizin wird wesentlich durch technische Innovationen bestimmt werden: Neben einer virtuellen Lernumgebung im Rahmen der Ausbildung wird vor allem die Erkennung des Herz-Kreislauf-Stillstandes in Zukunft zunehmend digitalisiert werden. Der größte Meilenstein aber wird die individualisierte Reanimation sein – möglicherweise bestimmt schon bald der Computer stärker den Ablauf der Reanimation als standardisierte Algorithmen.

Abstract

The future of emergency medicine is determined by technical innovations. Besides virtual reality in education and training, the detection of a deteriorating patient and a cardiac arrest will become digital. The biggest milestone will be the individualized cardiopulmonary resuscitation (CPR). Maybe in future virtual intelligence will determine the CPR workflow more than standardized algorithm.

Kernaussagen

  • Die Schnappatmung wird häufig nicht erkannt. Dies verzögert den Beginn von Reanimationsmaßnahmen.

  • Künstliche Intelligenz kann Schnappatmung sicherer erkennen und sollte den Leitstellendisponenten bei seiner Entscheidung unterstützen.

  • Radiologische Untersuchungen zeigen, dass der aktuell in den Reanimationsleitlinien des ERC empfohlene Druckpunkt nicht optimal ist.

  • Transösophageale Echokardiografien während der Reanimation konnten zeigen, dass bei Thoraxkompressionen am klassischen Druckpunkt wiederholt der LVOT und/oder die Aortenwurzel komprimiert wurde.

  • Akzelerometrische Feedback-Sensoren ermöglichen nur eine Rückmeldung zur Mechanik der Kompression und nicht zur Auswirkung auf den Patienten.

  • Vitaldaten (z. B. etCO2) liefern Biofeedback und ermöglichen ggf. zukünftig eine individualisierte, auf den Patienten zugeschnittene Reanimation.

  • „Virtual Reality“ ergänzt bestehende Ausbildungskonzepte und stellt zusammen mit „Serious Gaming“ eine Option zur ergänzenden Wissensvermittlung dar.

Schlüsselwörter

Herz-Kreislauf-Stillstand - Schnappatmung - Thoraxkompression - Druckpunkt - transösophageale Echokardiografie

Key words

cardiovascular arrest - gasping - chest compression - pressure point - transesophageal echocardiography
 

  • Literatur

  • 1 Wnent J, Gräsner JT, Seewald S. et al. Jahresbericht des Deutschen Reanimationsregisters Außerklinische Reanimation 2018. Anästh Intensivmed 2019; 60: V91-V93
    PubMedGoogle Scholar
  • 2 Chan J, Rea T, Gollakota S. et al. Contactless cardiac arrest detection using smart devices. NPJ Digit Med 2019; 2: 52
    CrossrefPubMedGoogle Scholar
  • 3 Blomberg SN, Folke F, Ersboll AK. et al. Machine learning as a supportive tool to recognize cardiac arrest in emergency calls. Resuscitation 2019; 138: 322-329
    CrossrefPubMedGoogle Scholar
  • 4 Kouwenhoven WB, Jude JR, Knickerbocker GG. Closed-chest cardiac massage. JAMA 1960; 173: 1064-1067
    CrossrefPubMedGoogle Scholar
  • 5 Perkins GD, Handley AJ, Koster RW. et al. European Resuscitation Council Guidelines for Resuscitation 2015: Section 2. Adult basic life support and automated external defibrillation. Resuscitation 2015; 95: 81-99
    CrossrefPubMedGoogle Scholar
  • 6 Cha KC, Kim YJ, Shin HJ. et al. Optimal position for external chest compression during cardiopulmonary resuscitation: an analysis based on chest CT in patients resuscitated from cardiac arrest. Emerg Med J 2013; 30: 615-619
    CrossrefPubMedGoogle Scholar
  • 7 Nestaas S, Stensaeth KH, Rosseland V. et al. Radiological assessment of chest compression point and achievable compression depth in cardiac patients. Scand J Trauma Resusc Emerg Med 2016; 24: 54
    CrossrefPubMedGoogle Scholar
  • 8 Fair J, Mallin M, Mallemat H. et al. Transesophageal Echocardiography: Guidelines for Point-of-Care Applications in Cardiac Arrest Resuscitation. Ann Emerg Med 2018; 71: 201-207
    CrossrefPubMedGoogle Scholar
  • 9 Hwang SO, Zhao PG, Choi HJ. et al. Compression of the left ventricular outflow tract during cardiopulmonary resuscitation. Acad Emerg Med 2009; 16: 928-933
    CrossrefPubMedGoogle Scholar
  • 10 Teran F, Dean AJ, Centeno C. et al. Evaluation of out-of-hospital cardiac arrest using transesophageal echocardiography in the emergency department. Resuscitation 2019; 137: 140-147
    CrossrefPubMedGoogle Scholar
  • 11 Aiello S, Perez M, Cogan C. et al. Real-time ventricular fibrillation amplitude-spectral area analysis to guide timing of shock delivery improves defibrillation efficacy during cardiopulmonary resuscitation in swine. J Am Heart Assoc 2017; 6: e006749
    PubMedGoogle Scholar
  • 12 Engel TW, Thomas C, Medado P. et al. End tidal CO2 and cerebral oximetry for the prediction of return of spontaneous circulation during cardiopulmonary resuscitation. Resuscitation 2019; 139: 174-181
    CrossrefPubMedGoogle Scholar
  • 13 Lee Y, Shin H, Choi HJ. et al. Can pulse check by the photoplethysmography sensor on a smart watch replace carotid artery palpation during cardiopulmonary resuscitation in cardiac arrest patients? A prospective observational diagnostic accuracy study. BMJ Open 2019; 9: e023627
    CrossrefPubMedGoogle Scholar
  • 14 Widmann N, Sutton R, Buchanan N. et al. Simulating blood pressure and end tidal CO2 in a CPR training manikin. Comput Methods Programs Biomed 2019; 180: 105009
    CrossrefPubMedGoogle Scholar
  • 15 Wang C, Zhang G, Wu T. et al. Closed-loop controller for chest compressions based on coronary perfusion pressure: a computer simulation study. Med Biol Eng Comput 2016; 54: 273-281
    CrossrefPubMedGoogle Scholar
  • 16 Huss R. Künstliche Intelligenz, Robotik und Big Data in der Medizin. Heidelberg: Springer; 2019: 15
    Google Scholar
  • 17 Greif R, Lockey AS, Conaghan P. et al. European Resuscitation Council Guidelines for Resuscitation 2015: Section 10. Education and implementation of resuscitation. Resuscitation 2015; 95: 288-301
    CrossrefPubMedGoogle Scholar
  • 18 Balian S, McGovern SK, Abella BS. et al. Feasibility of an augmented reality cardiopulmonary resuscitation training system for health care providers. Heliyon 2019; 5: e02205
    CrossrefPubMedGoogle Scholar
  • 19 Khanal P, Vankipuram A, Ashby A. et al. Collaborative virtual reality based advanced cardiac life support training simulator using virtual reality principles. J Biomed Inform 2014; 51: 49-59
    CrossrefPubMedGoogle Scholar
  • 20 Ghoman SK, Patel SD, Cutumisu M. et al. Serious games, a game changer in teaching neonatal resuscitation? A review. Arch Dis Child Fetal Neonatal Ed 2020; 105: 98-107
    PubMedGoogle Scholar
  • 21 Aksoy E. Comparing the effects on learning outcomes of tablet-based and virtual reality-based serious gaming modules for basic life support training: Randomized trial. JMIR Serious Games 2019; 7: e13442
    CrossrefPubMedGoogle Scholar
  • 22 Drummond D, Delval P, Abdenouri S. et al. Serious game versus online course for pretraining medical students before a simulation-based mastery learning course on cardiopulmonary resuscitation: A randomised controlled study. Eur J Anaesthesiol 2017; 34: 836-844
    CrossrefPubMedGoogle Scholar