Liste des exposants
>

BD

Stand
N33

BD

Secteur Équipements & Matériels Médicaux
BD est une entreprise mondiale de technologies médicales qui œuvre pour faire progresser la santé en contribuant à renforcer la sécurité des patients, le bien-être des soignants et l'efficience des organisations. Avec plus de 70 000 collaborateurs à travers le monde, et 2600 en France, BD développe des technologies, services et solutions innovantes destinées au service des transformations du système de santé.

Descriptif de l'innovation

La médecine à l'ère de l'IA => Prédisez l'hypotension plus tôt*. La solution HPI/AFM de BD Advanced Patient Monitoring aide les équipes à anticiper l’hypotension et optimiser la gestion des fluides grâce à un algorithme prédictif et un guidage assisté, pour réduire les complications et améliorer la prise en charge periopératoire. Le logiciel Acumen Hypotension Prediction Index (HPI™) a réduit la durée de l'hypotension de plus de 50 %** De plus en plus de preuves suggèrent un lien entre l'hypotension peropératoire et le risque accru d'effets indésirables, notamment d'infarctus du myocarde, et de mortalité après une chirurgie non cardiaque.3-5 Mais le logiciel Acumen HPI™, qui repose sur un algorithme unique en son genre1 développé grâce à l'apprentissage automatique, peut prédire l'apparition de l'hypotension.1,6-8 Lors d'une analyse rétrospective bicentrique de patients subissant une intervention chirurgicale majeure, le logiciel Hypotension Prediction Index™ a démontré une capacité prédictive supérieure à celle des variables hémodynamiques périopératoires couramment mesurées.2 *Les performances prédictives du HPI™ sont supérieures à celles du CO, du SV, du MAP, du PP, du HR, du SVV et de l'indice de choc.2 **Étude de contrôle multicentrique à bras unique, prospective à historique, dans laquelle des patients opérés ont bénéficié d'une surveillance de la ligne artérielle. Références : 1. Hatib F, Jian Z, Buddi S, Lee C, et al. Machine-learning algorithm to predict hypotension based on high-fidelity arterial pressure waveform analysis.Anesthesiology. 2018;129(4):663-674. 2. Davies SJ, Vistisen ST, Jian Z, Hatib F, Scheeren TWL. Ability of an Arterial Waveform AnalysisDerived Hypotension Prediction Index to PredictFuture Hypotensive Events in Surgical Patients. Anesth Analg. 2020 Feb;130(2):352-359. 3.Shah NJ, Mentz G, Kheterpal S. The incidence of intraoperative hypotension in moderate to high risk patients undergoing non-cardiac surgery: Aretrospective multicenter observational analysis. J Clin Anesth. 2020 Nov;66:109961. 4.Gregory A, Stapelfeldt WH, Khanna AK, et al. Intraoperative hypotension is associated with adverse clinical outcomes after noncardiac surgery.Anesth Analg. 2021;132(6):1654-1665. 5.Wesselink EM, Kappen TH, Torn HM, et al. Intraoperative hypotension and the risk of postoperative adverse outcomes: a systematic review. Br JAnaesth. 2018;121(4):706-721. 6.Mathis MR, Kheterpal SK, Najarian K. Artificial intelligence for anesthesia: what the practicing clinician needs to know. Anesthesiology.2018;129(4):619-622. 7.Ward H. van der Ven, Denise P. Veelo, Marije Wijnberge, Björn J.P. van der Ster, Alexander P.J. Vlaar, Bart F. Geerts, One of the first validations ofan artificial intelligence algorithm for clinical use: The impact on intraoperative hypotension prediction and clinical decision-making, Surgery,Volume 169, Issue 6, 2021, Pages 1300-1303, ISSN 0039-6060, https://doi.org/10.1016/j.surg.2020.09.041. 8.Feras Hatib, Zhongping Jian, Sai Buddi, Christine Lee, Jos Settels, Karen Sibert, Joseph Rinehart, Maxime Cannesson; Machinelearning Algorithm toPredict Hypotension Based on Highfidelity Arterial Pressure Waveform Analysis. Anesthesiology 2018; 129:663–674 doi:https://doi.org/10.1097/ALN.0000000000002300.

Découvrir TOUS LES EXPOSANTS

Pour ne rien rater de la préparation de SantExpo 2026 !
→ Voir la liste des exposants
→ Voir la liste des exposants

Descriptif de l'innovation

La médecine à l'ère de l'IA => Prédisez l'hypotension plus tôt*. La solution HPI/AFM de BD Advanced Patient Monitoring aide les équipes à anticiper l’hypotension et optimiser la gestion des fluides grâce à un algorithme prédictif et un guidage assisté, pour réduire les complications et améliorer la prise en charge periopératoire. Le logiciel Acumen Hypotension Prediction Index (HPI™) a réduit la durée de l'hypotension de plus de 50 %** De plus en plus de preuves suggèrent un lien entre l'hypotension peropératoire et le risque accru d'effets indésirables, notamment d'infarctus du myocarde, et de mortalité après une chirurgie non cardiaque.3-5 Mais le logiciel Acumen HPI™, qui repose sur un algorithme unique en son genre1 développé grâce à l'apprentissage automatique, peut prédire l'apparition de l'hypotension.1,6-8 Lors d'une analyse rétrospective bicentrique de patients subissant une intervention chirurgicale majeure, le logiciel Hypotension Prediction Index™ a démontré une capacité prédictive supérieure à celle des variables hémodynamiques périopératoires couramment mesurées.2 *Les performances prédictives du HPI™ sont supérieures à celles du CO, du SV, du MAP, du PP, du HR, du SVV et de l'indice de choc.2 **Étude de contrôle multicentrique à bras unique, prospective à historique, dans laquelle des patients opérés ont bénéficié d'une surveillance de la ligne artérielle. Références : 1. Hatib F, Jian Z, Buddi S, Lee C, et al. Machine-learning algorithm to predict hypotension based on high-fidelity arterial pressure waveform analysis.Anesthesiology. 2018;129(4):663-674. 2. Davies SJ, Vistisen ST, Jian Z, Hatib F, Scheeren TWL. Ability of an Arterial Waveform AnalysisDerived Hypotension Prediction Index to PredictFuture Hypotensive Events in Surgical Patients. Anesth Analg. 2020 Feb;130(2):352-359. 3.Shah NJ, Mentz G, Kheterpal S. The incidence of intraoperative hypotension in moderate to high risk patients undergoing non-cardiac surgery: Aretrospective multicenter observational analysis. J Clin Anesth. 2020 Nov;66:109961. 4.Gregory A, Stapelfeldt WH, Khanna AK, et al. Intraoperative hypotension is associated with adverse clinical outcomes after noncardiac surgery.Anesth Analg. 2021;132(6):1654-1665. 5.Wesselink EM, Kappen TH, Torn HM, et al. Intraoperative hypotension and the risk of postoperative adverse outcomes: a systematic review. Br JAnaesth. 2018;121(4):706-721. 6.Mathis MR, Kheterpal SK, Najarian K. Artificial intelligence for anesthesia: what the practicing clinician needs to know. Anesthesiology.2018;129(4):619-622. 7.Ward H. van der Ven, Denise P. Veelo, Marije Wijnberge, Björn J.P. van der Ster, Alexander P.J. Vlaar, Bart F. Geerts, One of the first validations ofan artificial intelligence algorithm for clinical use: The impact on intraoperative hypotension prediction and clinical decision-making, Surgery,Volume 169, Issue 6, 2021, Pages 1300-1303, ISSN 0039-6060, https://doi.org/10.1016/j.surg.2020.09.041. 8.Feras Hatib, Zhongping Jian, Sai Buddi, Christine Lee, Jos Settels, Karen Sibert, Joseph Rinehart, Maxime Cannesson; Machinelearning Algorithm toPredict Hypotension Based on Highfidelity Arterial Pressure Waveform Analysis. Anesthesiology 2018; 129:663–674 doi:https://doi.org/10.1097/ALN.0000000000002300.