Hochempfindliches kardiales Troponin T (hs-cTnT) 0-Stunden/1-Stunden-Algorithmus
Der 0-Stunden/1-Stunden-Algorithmus für hochempfindliches kardiales Troponin T (hs-cTnT) verwendet die hs-cTnT-Blutkonzentration bei der Vorstellung und ihre absolute Veränderung nach 1 Stunde, um Patienten mit Verdacht auf akuten Myokardinfarkt zu stratifizieren.

Der Rechner ist für Patienten gedacht, die mit Brustschmerzen im Alter von 18 Jahren oder älter in die Notaufnahme kommen.
Forschungsautoren: Reichlin T, Schindler C, Drexler B, Twerenbold R, Reiter M, Zellweger C, Moehring B, Ziller R, Hoeller R, Gimenez MR, Haaf P, Potocki M, Wildi K, Balmelli C, Freese M, Stelzig C, Freidank H, Osswald S, and Mueller C.
Version: 1.44
  • Öffentlich
  • Kardiologie
  • {{ modelType }}
V-1.44-2426.24.05.31
(01)08719327522776(8012)v1.44(4326)240531(240)2426
Download des Benutzerhandbuch .
Lesen Sie auch für dieses Medizinprodukt die Bestimmungsgemässe Verwendung.
Einheiten

{{section.title}}

Berechnen Sie das Ergebnis

Legen Sie weitere Parameter zur Durchführung der Berechnung fest

Absolute Veränderung des hs-cTnT: ng/L innerhalb der ersten Stunde

{{ resultSubheader }}
{{ chart.title }}
Ergebnisintervall {{ additionalResult.min }} bis {{ additionalResult.max }}

Bedingte Informationen


Modellleistung:
Der Algorithmus für hochempfindliches kardiales Troponin T (hs-cTnT) 0-Stunden/1-Stunden erreichte einen sehr hohen negativen Vorhersagewert für akuten Myokardinfarkt in der Rule-out-Zone, einen hohen positiven Vorhersagewert in der Rule-in-Zone und war sehr effektiv, indem er etwa 75 % der Patienten, die mit Verdacht auf akuten Myokardinfarkt in die Notaufnahme eingeliefert wurden, entweder einer Rule-out- oder einer Rule-in-Klassifizierung zuordnete.1,2

Im Jahr 2016 wurde der Algorithmus von Mueller et al. in einer externen multizentrischen Kohorte von 1.282 Patienten mit einer 17%igen Rate an akuten Myokardinfarkten weiter validiert.3 Die Verwendung von hs-cTn-Tests bei der Vorstellung und eine Stunde später klassifizierte 63 % der Patienten als ohne akuten Myokardinfarkt, mit einem NPV von 99,1 % (95 % CI 98,2 % bis 99,7 %); 14 % als mit akutem Myokardinfarkt, mit einem PPV von 77 % (95 % CI 70,4 % bis 83,0 %); und 22,5 % als mit einer unbestimmten Klassifizierung nach einer Stunde des Tests.

Verwandte Referenzen:

  1. Reichlin T, Schindler C, Drexler B, et al. One-hour rule-out and rule-in ofacute myocardial infarction using high-sensitivity cardiac troponin T. Arch Intern Med. 2012;172:1211-1218.
     
  2. Reichlin T, Twerenbold R, Wildi K, et al. Prospektive Validierung eines 1-Stunden-Algorithmus zum Ausschluss und zur Feststellung eines akuten Myokardinfarkts unter Verwendung eines hochempfindlichen kardialen Troponin-T-Tests. CMAJ. 2015;187:E243-252.
     
  3. Mueller C, Giannitsis E, Christ M, et al. Multicenter Evaluation of a 0-Hour/1-Hour Algorithm in the Diagnosis of Myocardial Infarction With High-Sensitivity Cardiac Troponin T. Ann Emerg Med. 2016;68(1):76-87.e4.

{{ file.classification }}
PRO
Anmerkung
Notizen sind nur im Ergebnis-Download sichtbar und werden von Evidencio nicht gespeichert.

Berechnungen allein sollten niemals die Patientenversorgung vorschreiben und ersetzen kein professionelles Urteilsvermögen. Sehen Sie unser volles disclaimer.

Zugrunde liegende Modelle Teil von
logo

Bitte melden Sie sich an, um die Evidencio-Druckfunktionen zu aktivieren

Um die Evidencio-Druckfunktionen nutzen zu können, müssen Sie angemeldet sein.
Wenn Sie keinen Evidencio-Community-Account besitzen, können Sie sich kostenlos ein persönliches Konto erstellen:

https: // www. evidencio.com/registration

Gedruckte Ergebnisse - Beispiele {{ new Date().toLocaleString() }}

Vorteile des Evidencio-Community-Kontos

With an Evidencio Community account you can:

  • Create and publish your own prediction models.
  • Share your prediction models with your colleagues, research group, organization or the world.
  • Review and provide feedback on models that have been shared with you.
  • Validate your models and validate models from other users.
  • Find models based on Title, Keyword, Author, Institute, or MeSH classification.
  • Use and save prediction models and their data.
  • Use patient specific protocols and guidelines based on sequential models and decision trees.
  • Stay up-to-date with new models in your field as they are published.
  • Create your own lists of favorite models and topics.

A personal Evidencio account is free, with no strings attached!
Join us and help create clarity, transparency, and efficiency in the creation, validation, and use of medical prediction models.

Disclaimer: Berechnungen allein sollten niemals die Pflege der Patienten vorschreiben und ersetzen kein professionelles Urteilsvermögen.
Bedingungen & Konditionen | Datenschutzrichtlinie | Disclaimer | Kontakt | Cookies ablehnen |
Evidencio v3.31 © 2015 - 2024 Evidencio. Alle Rechte vorbehalten