Targeted temperature management is recommended for patients after cardiac arrest, but the supporting evidence is of low certainty.In an open-label trial with blinded assessment of outcomes, we randomly assigned 1900 adults with coma who had had an out-of-hospital cardiac arrest of presumed cardiac or unknown cause to undergo targeted hypothermia at 33°C, followed by controlled rewarming, or targeted normothermia with early treatment of fever (body temperature, ≥37.8°C). The primary outcome was death from any cause at 6 months. Secondary outcomes included functional outcome at 6 months as assessed with the modified Rankin scale. Prespecified subgroups were defined according to sex, age, initial cardiac rhythm, time to return of spontaneous circulation, and presence or absence of shock on admission. Prespecified adverse events were pneumonia, sepsis, bleeding, arrhythmia resulting in hemodynamic compromise, and skin complications related to the temperature management device.A total of 1850 patients were evaluated for the primary outcome. At 6 months, 465 of 925 patients (50%) in the hypothermia group had died, as compared with 446 of 925 (48%) in the normothermia group (relative risk with hypothermia, 1.04; 95% confidence interval [CI], 0.94 to 1.14; P = 0.37). Of the 1747 patients in whom the functional outcome was assessed, 488 of 881 (55%) in the hypothermia group had moderately severe disability or worse (modified Rankin scale score ≥4), as compared with 479 of 866 (55%) in the normothermia group (relative risk with hypothermia, 1.00; 95% CI, 0.92 to 1.09). Outcomes were consistent in the prespecified subgroups. Arrhythmia resulting in hemodynamic compromise was more common in the hypothermia group than in the normothermia group (24% vs. 17%, P<0.001). The incidence of other adverse events did not differ significantly between the two groups.In patients with coma after out-of-hospital cardiac arrest, targeted hypothermia did not lead to a lower incidence of death by 6 months than targeted normothermia. (Funded by the Swedish Research Council and others; TTM2 ClinicalTrials.gov number, NCT02908308.).

Background— Transnasal evaporative cooling has sufficient heat transfer capacity for effective intra-arrest cooling and improves survival in swine. The aim of this study was to determine the safety, feasibility, and cooling efficacy of prehospital transnasal cooling in humans and to explore its effects on neurologically intact survival to hospital discharge. Methods and Results— Witnessed cardiac arrest patients with a treatment interval ≤20 minutes were randomized to intra-arrest cooling with a RhinoChill device (treatment group, n=96) versus standard care (control group, n=104). The final analysis included 93 versus 101 patients, respectively. Both groups were cooled after hospital arrival. The patients had similar demographics, initial rhythms, rates of bystander cardiopulmonary resuscitation, and intervals to cardiopulmonary resuscitation and arrival of advanced life support personnel. Eighteen device-related adverse events (1 periorbital emphysema, 3 epistaxis, 1 perioral bleed, and 13 nasal discolorations) were reported. Time to target temperature of 34°C was shorter in the treatment group for both tympanic (102 versus 282 minutes, P =0.03) and core (155 versus 284 minutes, P =0.13) temperature. There were no significant differences in rates of return of spontaneous circulation between the groups (38% in treated subjects versus 43% in control subjects, P =0.48), in overall survival of those admitted alive (44% versus 31%, respectively, P =0.26), or in neurologically intact survival to discharge (Pittsburgh cerebral performance category scale 1 to 2, 34% versus 21%, P =0.21), although the study was not adequately powered to detect changes in these outcomes. Conclusions— Prehospital intra-arrest transnasal cooling is safe and feasible and is associated with a significant improvement in the time intervals required to cool patients. Clinical Trial Registration— URL: http://www.clinicaltrials.gov. Unique identifier: NCT00808236.

Importance

 International resuscitation guidelines recommend targeted temperature management (TTM) at 33°C to 36°C in unconscious patients with out-of-hospital cardiac arrest for at least 24 hours, but the optimal duration of TTM is uncertain. 

Objective

 To determine whether TTM at 33°C for 48 hours results in better neurologic outcomes compared with currently recommended, standard, 24-hour TTM. 

Design, Setting, and Participants

 This was an international, investigator-initiated, blinded-outcome-assessor, parallel, pragmatic, multicenter, randomized clinical superiority trial in 10 intensive care units (ICUs) at 10 university hospitals in 6 European countries. Three hundred fifty-five adult, unconscious patients with out-of-hospital cardiac arrest were enrolled from February 16, 2013, to June 1, 2016, with final follow-up on December 27, 2016. 

Interventions

 Patients were randomized to TTM (33 ± 1°C) for 48 hours (n = 176) or 24 hours (n = 179), followed by gradual rewarming of 0.5°C per hour until reaching 37°C. 

Main Outcomes and Measures

 The primary outcome was 6-month neurologic outcome, with a Cerebral Performance Categories (CPC) score of 1 or 2 used to define favorable outcome. Secondary outcomes included 6-month mortality, including time to death, the occurrence of adverse events, and intensive care unit resource use. 

Results

 In 355 patients who were randomized (mean age, 60 years; 295 [83%] men), 351 (99%) completed the trial. Of these patients, 69% (120/175) in the 48-hour group had a favorable outcome at 6 months compared with 64% (112/176) in the 24-hour group (difference, 4.9%; 95% CI, −5% to 14.8%; relative risk [RR], 1.08; 95% CI, 0.93-1.25;P = .33). Six-month mortality was 27% (48/175) in the 48-hour group and 34% (60/177) in the 24-hour group (difference, −6.5%; 95% CI, −16.1% to 3.1%; RR, 0.81; 95% CI, 0.59-1.11;P = .19). There was no significant difference in the time to mortality between the 48-hour group and the 24-hour group (hazard ratio, 0.79; 95% CI, 0.54-1.15;P = .22). Adverse events were more common in the 48-hour group (97%) than in the 24-hour group (91%) (difference, 5.6%; 95% CI, 0.6%-10.6%; RR, 1.06; 95% CI, 1.01-1.12;P = .04). The median length of intensive care unit stay (151 vs 117 hours;P < .001), but not hospital stay (11 vs 12 days;P = .50), was longer in the 48-hour group than in the 24-hour group. 

Conclusions and Relevance

 In unconscious survivors from out-of-hospital cardiac arrest admitted to the ICU, targeted temperature management at 33°C for 48 hours did not significantly improve 6-month neurologic outcome compared with targeted temperature management at 33°C for 24 hours. However, the study may have had limited power to detect clinically important differences, and further research may be warranted. 

Trial Registration

 clinicaltrials.gov Identifier:NCT01689077

To assess the ability of quantitative pupillometry [using the Neurological Pupil index (NPi)] to predict an unfavorable neurological outcome after cardiac arrest (CA).We performed a prospective international multicenter study (10 centers) in adult comatose CA patients. Quantitative NPi and standard manual pupillary light reflex (sPLR)-blinded to clinicians and outcome assessors-were recorded in parallel from day 1 to 3 after CA. Primary study endpoint was to compare the value of NPi versus sPLR to predict 3-month Cerebral Performance Category (CPC), dichotomized as favorable (CPC 1-2: full recovery or moderate disability) versus unfavorable outcome (CPC 3-5: severe disability, vegetative state, or death).At any time between day 1 and 3, an NPi ≤ 2 (n = 456 patients) had a 51% (95% CI 49-53) negative predictive value and a 100% positive predictive value [PPV; 0% (0-2) false-positive rate], with a 100% (98-100) specificity and 32% (27-38) sensitivity for the prediction of unfavorable outcome. Compared with NPi, sPLR had significantly lower PPV and significantly lower specificity (p < 0.001 at day 1 and 2; p = 0.06 at day 3). The combination of NPi ≤ 2 with bilaterally absent somatosensory evoked potentials (SSEP; n = 188 patients) provided higher sensitivity [58% (49-67) vs. 48% (39-57) for SSEP alone], with comparable specificity [100% (94-100)].Quantitative NPi had excellent ability to predict an unfavorable outcome from day 1 after CA, with no false positives, and significantly higher specificity than standard manual pupillary examination. The addition of NPi to SSEP increased sensitivity of outcome prediction, while maintaining 100% specificity.

AimAssess the prognostic ability of a non-highly malignant and reactive EEG to predict good outcome after cardiac arrest (CA).MethodsProspective observational multicentre substudy of the "Targeted Hypothermia versus Targeted Normothermia after Out-of-hospital Cardiac Arrest Trial", also known as the TTM2-trial. Presence or absence of highly malignant EEG patterns and EEG reactivity to external stimuli were prospectively assessed and reported by the trial sites. Highly malignant patterns were defined as burst-suppression or suppression with or without superimposed periodic discharges. Multimodal prognostication was performed 96 h after CA. Good outcome at 6 months was defined as a modified Rankin Scale score of 0–3.Results873 comatose patients at 59 sites had an EEG assessment during the hospital stay. Of these, 283 (32%) had good outcome. EEG was recorded at a median of 69 h (IQR 47–91) after CA. Absence of highly malignant EEG patterns was seen in 543 patients of whom 255 (29% of the cohort) had preserved EEG reactivity. A non-highly malignant and reactive EEG had 56% (CI 50–61) sensitivity and 83% (CI 80–86) specificity to predict good outcome. Presence of EEG reactivity contributed (p < 0.001) to the specificity of EEG to predict good outcome compared to only assessing background pattern without taking reactivity into account.ConclusionNearly one-third of comatose patients resuscitated after CA had a non-highly malignant and reactive EEG that was associated with a good long-term outcome. Reactivity testing should be routinely performed since preserved EEG reactivity contributed to prognostic performance.

Abstract Vegetation-plot resurvey data are a main source of information on terrestrial biodiversity change, with records reaching back more than one century. Although more and more data from re-sampled plots have been published, there is not yet a comprehensive open-access dataset available for analysis. Here, we compiled and harmonised vegetation-plot resurvey data from Germany covering almost 100 years. We show the distribution of the plot data in space, time and across habitat types of the European Nature Information System (EUNIS). In addition, we include metadata on geographic location, plot size and vegetation structure. The data allow calculating temporal biodiversity change at the community scale and reach back further into the past than most comparable data yet available. They also enable tracking changes in the incidence and distribution of individual species across Germany. In summary, the data come at a level of detail that holds promise for broadening our understanding of the mechanisms and drivers behind plant diversity change over the last century.

Background Predictive machine learning models have made use of a variety of scoring systems to identify clinical deterioration in ICU patients. However, most of these scores include variables that are dependent on medical staff examining the patient. We present the development of a real-time prediction model using clinical variables that are digital and automatically generated for the early detection of patients at risk of deterioration. Methods Routine monitoring data were used in this analysis. ICU patients with at least 24 h of vital sign recordings were included. Deterioration was defined as qSOFA ≥ 2. Model development and validation were performed internally by splitting the cohort into training and test datasets and validating the results on the test dataset. Five different models were trained, tested, and compared against each other. The models were an artificial neural network (ANN), a random forest (RF), a support vector machine (SVM), a linear discriminant analysis (LDA), and a logistic regression (LR). Results In total, 7156 ICU patients were screened for inclusion in the study, which resulted in models trained from a total of 28,348 longitudinal measurements. The artificial neural network showed a superior predictive performance for deterioration, with an area under the curve of 0.81 over 0.78 (RF), 0.78 (SVM), 0.77 (LDA), and 0.76 (LR), by using only four vital parameters. The sensitivity was higher than the specificity for the artificial neural network. Conclusions The artificial neural network, only using four automatically recorded vital signs, was best able to predict deterioration, 10 h before documentation in clinical records. This real-time prediction model has the potential to flag at-risk patients to the healthcare providers treating them, for closer monitoring and further investigation.