Εισαγωγή: Η μεταβλητότητα της καρδιακής συχνότητας (ΜΚΣ) και οι αιμοδυναμικές ιδιότητες των αρτηριών αποτελούν ανεξάρτητους προγνωστικούς παράγοντες καρδιαγγειακού κινδύνου. Σκοπός: Η μελέτη στοχεύει στη διερεύνηση δύο θεμάτων, ενός με τεχνικό και ενός με κλινικό προσανατολισμό: 1) τη μελέτη των διαφορών που ενδέχεται να προκύψουν στις τιμές των μέτρων μεταβλητότητας της καρδιακής συχνότητας λόγω διαφοροποιήσεων στις μεθόδους υπολογισμού τους (υπολογιστικό εργαλείο, παράθυρο ανάλυσης, είδος καταγραφής), καθώς και 2) τη διερεύνηση των σχέσεων μεταξύ της ΜΚΣ, όπως εκτιμάται από πλήθος αντιπροσωπευτικών δεικτών, και των κεντρικών αιμοδυναμικών χαρακτηριστικών, όπως οι κεντρικές πιέσεις και τα ανακλώμενα κύματα πίεσης. Μέθοδοι: Η ΜΚΣ εκτιμήθηκε από τεχνικές γραμμικής και μη-γραμμικής ανάλυσης σε υγιή άτομα. Οι τεχνικές εφαρμόστηκαν στις ακολουθίες των RR διαστημάτων που καταγράφηκαν με Holter ρυθμού. Οι κεντρικές αιμοδυναμικές ιδιότητες εκτιμήθηκαν μη επεμβατικά με τη μέθοδο της τονομετρίας. Συμπληρωματικά, έγινε σύγκριση στις τιμές των μέτρων ΜΚΣ που προκύπτουν από βραχυπρόθεσμες (20-λεπτες) και μακροπρόθεσμες (24-ωρες) καταγραφές, αντίστοιχα. Ιδιαίτερα για τα μη-γραμμικά μέτρα ΜΚΣ, εξετάστηκε η επίδραση που μπορεί να έχει η χρήση διαφορετικών λογισμικών (software) για τον υπολογισμό τους. Όσον αφορά τις μακροπρόθεσμες καταγραφές, ερευνήθηκε εάν η παράμετρος του παραθύρου κατά τη μέθοδο κατάτμησης επιφέρει σημαντικές αλλαγές στις τιμές των μη-γραμμικών μέτρων ΜΚΣ. Αποτελέσματα: Α) Οι μόνες σημαντικές διαφορές που παρατηρήθηκαν λόγω της χρήσης διαφορετικού υπολογιστικού εργαλείου βρέθηκαν για τη προσεγγιστική εντροπία (ApEn) και τη διάσταση συσχέτισης (CD). Β) Το μέγεθος του παραθύρου ανάλυσης που χρησιμοποιείται, ερμηνεύει ένα σημαντικό μέρος της διακύμανσης των τιμών της προσεγγιστικής εντροπίας (ApEn) και του μακροπρόθεσμου εκθετικού α2 που παρατηρούνται στην βιβλιογραφία. Γ) Οι τιμές όλων των μέτρων ΜΚΣ πλην ενός (pNN50) διαφέρουν μεταξύ 20-λεπτων και 24-ωρων καταγραφών. Ωστόσο, υπάρχουν δείκτες που δεν επηρεάζονται σημαντικά από το μέγεθος της καταγραφής (α1, pNN50 και HF). Δ) Τα μέτρα ΜΚΣ συσχετίστηκαν περισσότερο με τους δείκτες ανάκλασης των σφυγμικών κυμάτων και λιγότερο με τους δείκτες περιφερικών και κεντρικών πιέσεων. Τα γραμμικά μέτρα ΜΚΣ επηρεάζονται κυρίως από παραδοσιακούς παράγοντες καρδιαγγειακού κινδύνου όπως η ηλικία και ο μέσος καρδιακός ρυθμός και σε μικρότερο βαθμό από κάποια αιμοδυναμικά μέτρα (AI@75, τα, α-ΣΠ ). Τα μη-γραμμικά μέτρα ΜΚΣ παρουσιάστηκαν εντελώς ανεξάρτητα από τους αιμοδυναμικούς παράγοντες. Συμπέρασμα: Οι τιμές του δείκτη α1, σε σχέση με τους υπόλοιπους μη-γραμμικούς δείκτες που χρησιμοποιήθηκαν, επιδέχονται τις μικρότερες αλλαγές από την επίδραση παραμέτρων όπως το μέγεθος της καταγραφής, το λογισμικό υπολογισμού και το εύρος του παραθύρου ανάλυσης. Οι συσχετίσεις μεταξύ μέτρων ΜΚΣ και αιμοδυναμικών παραμέτρων ήταν σημαντικές. Στον πληθυσμό της μελέτης, η διακύμανση της πλειοψηφίας των γραμμικών δεικτών ερμηνεύεται ικανοποιητικά από τους κλινικούς και αιμοδυναμικούς παράγοντες που χρησιμοποιήθηκαν. Η διακύμανση των δεικτών SDNN, ASDNN, SDANN, RMSSD, pNN50, TP, VLF και LF οφείλεται κατά κύριο λόγο στην ηλικία και το μέσο καρδιακό ρυθμό και μόνο ένα μικρό ποσοστό αυτής εξηγείται από κάποια κεντρικά αιμοδυναμικά μέτρα (AI@75, τα, α-ΣΠ). Αντίθετα, μόνο ένα μικρό ποσοστό της διακύμανσής των γραμμικών μέτρων HF και LF/HF αλλά και όλων των μη-γραμμικών δεικτών μπορεί να αποδοθεί στους ίδιους παράγοντες.
Introduction: Heart Rate Variability (HRV) and central hemodynamics are independent predictors of cardiovascular risk. Goal: This study aims to explore one technical and one clinical issue: i) The technical issue concerns the study of differences that may occur in HRV measures due to variations of their calculation methods (computational tool, RR segment size, type of recording). ii) The clinical issue investigates relationships between HRV measures and central hemodynamic features as central pressures and aortic wave reflections. Methods: HRV was assessed by linear and non-linear indices in healthy subjects. All mathematical techniques for their calculation were implemented on RR-time series derived from Holter recordings. Central hemodynamic measures were estimated non-invasively, by using applanation tonometry. HRV values were compared between short-term (20-min) and long-term (24-hr) recordings. The effect of computational tool’s selection on the calculated values of non-linear HRV measures was assessed, thoroughly. Regarding long-term recordings, the effect of segment size on the estimation of non-linear HRV indices, was also examined. Results: i) Significant differences were found only for complexity measures (Approximate Entropy-ApEn, Correlation Dimension-CD) when different computational tools were used. ii) Different segment sizes may be responsible for a significant amount of variance in Approximate Entropy’s and long-term correlations exponent’s (α2) values, observed in literature. iii) All HRV measures, except from pNN50, are significantly different between 20-min and 24-hr recordings. However, there are measures (α1, pNN50 και HF) that are less affected by the type and duration of the recording. iv) Correlations between HRV measures and reflected waves were stronger than correlations between HRV measures and peripheral or central pressures. Traditional cardiovascular disease factors (Age, Heart Rate) rather than hemodynamic measures (Augmentation Index-AI@75, arrival time of reflected waves-tr, central systolic pressure-CSP) are predominantly influencing linear HRV indices. Non-linear measures of HRV found as totally independent from hemodynamic factors. Conclusion: Values of short-term correlations exponent (α1), were less affected by parameters as recording’s duration, computational tool’s choice and segment size, compared to other non-linear indices used in this study. A standardization and cocnsensus regarding the computation of HRV indices (especially the non-linear) is demanding. Correlations between HRV measures and hemodynamic parameters were significant. According to multivariate analysis’ results, clinical and hemodynamic factors are adequately interpreting the variance of most linear HRV indices. The variance of SDNN, ASDNN, SDANN, RMSSD, pNN50, TP, VLF and LF is mainly explained by age and average heart rate (HRav), and only a small percentage of it, is attributed to central hemodynamic measures (AI@75, tr, CSP). On the contrary, concerning HF, LF/HF and all non-linear measures only a small fraction of their variance may be interpreted by the same factors.
Εθνικό Κέντρο Τεκμηρίωσης και Ηλεκτρονικού Περιεχομένου (ΕΚΤ)
