Um verschiedene Beanspruchungsfolgen zu objektivieren, wird immer häufiger die Herzratenvariabilität (HRV) genutzt, die die zeitlichen physiologischen Schwankungen zwischen aufeinanderfolgenden Herzschlägen beschreibt. Die HRV wird vorrangig dazu verwendet, Rückschlüsse auf die Funktion und Beanspruchung des autonomen Nervensystems und dessen Anpassungsmöglichkeiten zu ziehen. Die zeitliche Variabilität zwischen den einzelnen Herzschlägen, ausgedrückt als NN-Intervalle (oder auch RR-Intervalle) in Millisekunden, birgt einen großen Informationsgehalt über die Aktivitäten der verschiedenen Regelkreisläufe des Menschen. Es existiert eine Vielzahl von Parametern, welche auf mathematischem Weg die Varianz, Rhythmik oder Komplexität einer Zeitreihe der aufeinanderfolgenden Herzaktionen beschreiben [15]. Allgemein kann gesagt werden: Je geringer das Stresslevel und die Herzschlagfrequenz sind, umso größer ist die HRV [10].

Ein Problem bei der Verwendung von HRV-Analysen stellt die richtige Auswahl der zu betrachtenden Parameter dar. Eine Hilfestellung können Leitlinien geben [15, 16, 18], in denen die Vor- und Nachteile, die Stärken und Schwächen vieler HRV-Parameter beschrieben werden. Übergeordnet lassen sich die etablierten mathematischen Berechnungen der HRV in zeitbezogene, frequenzbezogene und nichtlineare Analysen unterteilen, mit denen jeweils verschiedene Parameter berechnet werden (Tab. 1; [15]). Die älteren, bisher häufig verwendeten Parameter sind in den Leitlinien gut beschrieben [7]. Nachteilig ist jedoch, dass es nur wenige Parameter (rMSSD, HF, SD1) gibt, die eindeutig die Aktivität des Parasympathikus widerspiegeln. Einige Parameter lassen auf die Aktivität sowohl von Sympathikus als auch Parasympathikus schließen (SDNN, LF, SD2), bei vielen Parametern gibt es jedoch keine klare Zuordnung [8].

Tab. 1 Übersicht der untersuchten Parameter der Herzschlagfrequenzvariabilität entsprechend der aktuellen Leitlinie [15], zusätzlich sind die hier neu untersuchten Parameter aufgeführt
Full size table

Neben diesen etablierten und teilweise sehr gut untersuchten Parametern gibt es auch eine Reihe weiterer HRV-Parameter, die zumindest im aktuellen wissenschaftlichen Geschehen der westeuropäischen und nordamerikanischen Forschung noch nicht maßgeblich erforscht wurden, jedoch zunehmend an Interesse gewinnen. Einer dieser Parameter ist der sog. Stressindex (SI), der vor allem die sympathische Aktivität des vegetativen Nervensystems reflektiert und sowohl bei psychischem als auch bei physischem Stress ansteigt [4]. Dieser Parameter wurde bereits in den 1960er-Jahren im Rahmen der bemannten Raumfahrt von Forschern der ehemaligen Sowjetunion, insbesondere bei Kosmonauten in Stresssituationen, als Baevskii-Index verwendet [3]. In neuen klinischen Studien wird der SI genutzt, um z. B. die autonome Dysfunktion im Zusammenhang mit einer Dysmotilität des Dickdarms zu beurteilen [1] oder funktionelle gastrointestinale Störungen (z. B. gastroösophagealer Reflux), die hauptsächlich auf einen unterdrückten vagalen und überaktiven sympathischen Tonus zurückzuführen sind, zu analysieren [2]. Eine weitere Studie nutzte den SI zur Schlaf- und psychometrischen Bewertung [9]. Eine eher häufigere Anwendung ist vor allem in einigen Lifestyleprodukten/Wearables verschiedener Anbieter erkennbar, die die HRV dazu nutzen, das vermeintliche Stresslevel des Benutzers darzustellen. Des Weiteren sind der Adäquanzindex der Regulationsprozesse (RPAI, reflektiert den Zusammenhang zwischen der Aktivität des Parasympathikus und dem Sinusknoten), der vegetative Rhythmusindex (VRI, spiegelt die vegetative Balance wider, niedrige Werte sprechen für ein Überwiegen des Parasympathikus), der Index des vegetativen Gleichgewichts (VBI, spiegelt ebenfalls die vegetative Balance wider) und der Variationskoeffizient (CV, vergleichbar mit SDNN) zu nennen. Diese Parameter werden von den Daten der Varianzanalyse abgeleitet – zählen also somit im engeren Sinne ebenfalls zu den zeitbezogenen Parametern.

Ziel dieser Studie war es zu untersuchen, inwieweit die bisher selten verwendeten Parameter (SI, VRI, RPAI, VBI und CV) ebenfalls die HRV zuverlässig und aussagekräftig widerspiegeln und welche Zusammenhänge es zwischen einer Auswahl von etablierten HRV-Parametern und der zuletzt genannten Auswahl an HRV-Parametern in unterschiedlichen Zeiträumen gibt. Darüber hinaus galt es zu klären, ob die Aussagen der etablierten Parameter durch die neuen Parameter ergänzt werden können.

Methodik

Für die Querschnittsstudie wurden Daten aus Langzeit-EKG-Aufnahmen von 289 ProbandinnenFootnote 1 aus drei Berufsgruppen (Erzieherinnen, Bankangestellte, Arzthelferinnen) genutzt. Das Alter lag im Median bei 44 Lebensjahren (Spannweite 22–66 Jahre). Zur Erfassung soziodemografischer und gesundheitsbezogener Daten füllten die Probandinnen einen Fragebogen nach mündlicher und schriftlicher Aufklärung zur Teilnahme an der Studie aus, der gleichzeitig der Erfassung der relevanten Einflussfaktoren diente. Da es sich hier um intraindividuelle Vergleiche handelt, wurden viele Einflussfaktoren (wie z. B. Alter, körperliche Leistungsfähigkeit) nicht berücksichtigt. Aufgrund des Einflusses von sportlicher Aktivität am Untersuchungstag auf die HRV wurden die Probandinnen gebeten, auf Sport während der Aufzeichnung zu verzichten. Zu einem Ausschluss führten Rhythmusstörungen jeglicher Art, die regelmäßige Einnahme herzschlagfrequenzbeeinflussender Medikamente (z. B. Betablocker) oder leistungssteigernder Substanzen, ein diagnostizierter arterieller Hypertonus und/oder sonstige kardiologische Vorerkrankungen [2].

Für die individuelle HRV-Analyse wurde den Probandinnen ein 24-h-EKG (MT-101, Fa. Schiller, Baar, Schweiz) zur Erfassung der NN-Abstände angelegt. Dieses Gerät zeichnete mit einer Abtastfrequenz von 1000 Hz ein 2‑Kanal-EKG auf. Während der Aufnahmezeit sollten die Probandinnen ihren Tagesablauf mit Aktivitäten und Ereignissen protokollieren, um den Zeitraum des Schlafens festzustellen. Die gewählte Messdauer bzw. Länge der Analysesequenz erfolgte unter der Berücksichtigung der aktuellen Leitlinie [15] nach gewählter Analysemethode bzw. Fragestellung.

Die EKG-Rohdaten wurden zunächst mit der Software medilog® Darwin2 Enterprise (Schiller, Baar, Schweiz) manuell von technischen Aufzeichnungsartefakten bereinigt und auf Vorliegen eventueller Ausschlusskriterien geprüft. Die HRV-Analyse wurde anschließend mit dem Programm Kubios 2.0 (Biosignal Analysis and Medical Imaging Group, University of Kuopio, Finnland) durchgeführt [17]. Die Artefaktbereinigung erfolgte mit der Einstellung „custom, 0,3“ ohne Veränderung der Trendkomponenten. Hierbei handelt es sich um eine schwellenbasierte Artefaktkorrektur, der Schwellenwert beträgt 0,3 s. Weicht ein RR-Intervall vom lokalen Durchschnitt um mehr als 0,3 s ab, so wird es durch interpolierte Werte mithilfe einer kubischen Spline-Interpolation ersetzt. Anschließend wurden die jeweiligen Untersuchungszeiträume unterschiedlicher Dauer von jeweils exakt 24 h, 6 h und 1 h gewählt. Das 6‑h-Zeitfenster wurde auf die Zeit des Schlafens (üblicherweise von 23:00 bis 05:00 Uhr) gelegt, da dieser Zeitraum die höchste Standardisierung der Messbedingungen aufweist. Bei dem 1‑h-Zeitfenster am Tag sollte eine typische Stunde im Arbeitsalltag abgebildet werden. Standardmäßig wurde hier je nach körperlicher Aktivität bzw. Aufnahmebedingungen ein einstündiger Zeitraum mit Beginn zwischen 10:00 und 11:00 Uhr verwendet [14]. Die Auswahl der zu untersuchenden HRV-Parameter wurde aus dem Zeitbereich, Frequenzbereich und nichtlinearen Bereich getroffen (Tab. 1).

Die Parameter SI, RPAI, VRI, VBI und CV wurden in Excel 2016 (Fa. Microsoft, Redmond, WA, USA) berechnet. Hierzu wurden die entsprechenden Formeln von Baevsky und Chernikova [5] verwendet. Die Berechnungen dieser Parameter werden im Supplement beschrieben.

Die statistische Auswertung der Daten erfolgte mit dem Statistikprogramm IBM SPSS Statistics 26 (IBM, Armonk, NY, USA). Das Signifikanzniveau α wurde auf 5 % festgelegt. Aufgrund der zahlreichen Variablen wurde eine Korrektur nach Bonferroni-Holm durchgeführt. Das neue Signifikanzniveau liegt bei p < 0,01.

Zuerst wurden die Daten mit dem Kolmogorov-Smirnow-Anpassungstest auf Normalverteilung geprüft und deskriptiv beschrieben. Da die Daten nicht normalverteilt waren, werden die Angaben von Mittelwert mit Standardabweichung um den Median mit Spannweite (Range) ergänzt. Um Zusammenhänge zwischen den HRV-Parametern zu bestimmen, wurde die Korrelation nach Spearman geprüft.

Die positiven Voten der Ethikkommission der Otto-von-Guericke-Universität an der Medizinischen Fakultät (Reg.-Nr. 40/17, 67/13, 63/13) für die jeweiligen Einzelstudien zu den Berufsgruppen lagen vor.

Ergebnisse

Die Werte der ermittelten HRV-Parameter über die drei verschiedenen Zeiträume (24 h, 6 h und 1 h) sind in Tab. 2 dargestellt. Die ermittelten Messwerte unterschieden sich innerhalb eines HRV-Parameters jeweils zwischen den unterschiedlichen Messzeiträumen signifikant voneinander. Parameter, die in erster Linie die Langzeitvariabilität der HRV abbilden, zeigen die höchste Ausprägung bei Analyse des 24-h-Zeitraumes, während Parameter, die eher die parasympathisch generierten Schwankungen der HR abbilden, im Schlaf (6-h-Nachtfenster) ihre höchste Ausprägung aufweisen.

Tab. 2 Vergleich der HRV-Parameter in den drei gewählten Zeiträumen
Full size table

Zwischen den seltener verwendeten HRV-Parametern und den etablierten HRV-Parametern fanden sich unterschiedliche Korrelationen (Abb. 1). Alle etablierten zeitbezogenen, frequenzbezogenen und nichtlinearen Parameter korrelierten über 24 h signifikant mit den gegenübergestellten selten verwendeten Parametern. Über die verschiedenen Parameter hinweg korrelierten vor allem SI und VRI vergleichsweise hoch mit den etablierten Parametern. CV korrelierte besonders hoch mit SDNN und SD2. Am geringsten fielen die Korrelationen dagegen parameterübergreifend mit dem LF/HF-Quotienten aus.

Abb. 1
figure 1

Korrelationen der verwendeten HRV-Parameter mit ausgewählten etablierten Parametern aus der aktuellen Leitlinie in verschiedenen Zeiträumen (Korrelationskoeffizient nach Spearman). Sehr geringe Korrelationen wurden nicht gesondert farblich gekennzeichnet. Geringe Korrelationen sind in hellem Blau gekennzeichnet, mittlere Korrelationen und hohe Korrelationen wurden in zunehmend intensiverem Blau farblich hervorgehoben. *p < 0,05, **p < 0,01, ***p < 0,001; sehr geringe Korrelation (r < 0,2), geringe Korrelation (r < 0,5), mittlere Korrelation (r < 0,7), hohe Korrelation (r ≤ 0,9)

Full size image

In der nächtlichen Aufnahme korrelierten ebenfalls alle betrachteten Parameter signifikant mit den Vergleichsparametern. Wie auch im 24-h-Messzeitraum standen besonders der SI und der VRI vergleichsweise hoch mit den etablierten Parametern in Wechselbeziehung. Besonders hoch waren die Wechselbeziehungen zwischen VRI und CV mit jeweils SDNN und SD2. Der VBI korrelierte in der nächtlichen Aufnahme etwas höher mit den etablierten Parametern als im 24-h-Aufnahmezeitraum.

In der einstündigen Aufnahme standen alle zeitbezogenen und nichtlinearen etablierten Parameter mit den Vergleichsparametern im Zusammenhang. Bei dem Quotienten der vegetativen Balance (LF/HF) ergaben sich bei beiden Berechnungsmethoden lediglich Korrelationen mit dem SI und dem VRI. Wie schon im nächtlichen Aufnahmezeitraum sind die Zusammenhänge zwischen VRI und CV mit jeweils SDNN und SD2 besonders hoch. Hinzu kommen hier aber ebenfalls die Korrelation zwischen VRI und RMSSD sowie CV und Triangular Index. Insgesamt korrelieren über alle Aufnahmezeiträume hinweg am stärksten die Parameter SI, VRI und CV mit den etablierten Parametern.

Diskussion

Die Studie deckt Korrelationen zwischen etablierten HRV-Parametern und selten verwendeten HRV-Parametern auf. Die Ergebnisse zeigen, dass die fünf selten verwendeten Parameter signifikant mit den etablierten Parametern korrelieren.

Die im Vergleich der HRV-Parameter in den unterschiedlichen Zeiträumen besonders hohe HRV im 6‑stündigen Nachtzeitfenster spiegelt die zu erwartende hohe Aktivität des Parasympathikus wider. Dass diese bei den Parametern SDNN, Triangular Index, SD2 und dem hier neu untersuchten Parameter CV nicht so deutlich und stattdessen die HRV im 24-h-Messzeitraum besonders hoch ist, lässt sich anhand der Berechnungsmethoden dieser Parameter erklären. Bei diesen werden nicht explizit benachbarte RR-Intervalle, sondern vielmehr die Variabilität aller RR-Intervalle zueinander beschrieben, und diese liegt naturgemäß in längeren Aufnahmezeiträumen durch unterschiedliche Herzschlagfrequenzen im Tagesverlauf höher als bei einer nachts dauerhaft niedrigen Herzschlagfrequenz. Hieraus lässt sich schließen, dass es für diese Parameter (SDNN, Triangular Index, SD2 und auch CV) besonders wichtig ist, nur identische Messzeitdauern miteinander zu vergleichen. Die anderen, seltener verwendeten Parameter detektieren die höchste HRV jedoch im kürzesten, einstündigen Aufnahmezeitraum.

Entscheidend ist aber immer, nur Daten gleicher Aufnahmedauer bzw. ähnlicher NN-Intervallzahl miteinander zu vergleichen, da beim Vergleich der HRV-Parameter aus zwei unterschiedlichen Phasen die HRV in der Phase mit längerer Aufnahmedauer größer wird als in der Phase mit kürzerer Aufnahmedauer [13].

Die Ergebnisse der Korrelationsanalyse zeigten, dass alle der fünf seltener verwendeten Parameter vor allem über einen 24-h- und einen nächtlichen Aufnahmezeitraum signifikant mit den etablierten Parametern korrelieren. Über den nächtlichen Zeitraum fällt diese noch etwas stärker aus als über den 24-h-Zeitraum. Dies könnte ein Hinweis darauf sein, dass die fehlende Aktivität der Probanden und die Minimierung der externen Einflüsse während der Nacht zu einer gewissen Standardisierung der Aufnahmebedingungen führen. Im einstündigen Messzeitraum korrelieren die Parameter, mit Ausnahme des Quotienten LF/HF, ebenfalls miteinander, wenn auch in weniger starkem Ausmaß.

Einen besonders großen Zusammenhang gibt es zwischen VRI und CV und den etablierten Parametern. Relativ gering fielen die Korrelationen aller Parameter mit dem Quotienten LF/HF aus. Dies steht im Einklang mit den Erkenntnissen von Billman [6], der die Hypothese von Pagani et al. [11, 12], dass LF/HF die sympathovagale Balance beschreiben kann, grundsätzlich in Frage stellt.

Die besonders hohe Korrelation zwischen CV und SDNN als auch SD2 zeigt erneut, dass diese vor allem die Gesamtvariabilität der RR-Intervalle messen. Dies deckt sich auch mit dem ähnlichen Verhalten in den schon betrachteten unterschiedlichen Aufnahmezeiträumen. Insofern sollte der Parameter CV auch nur nach längerer Aufzeichnungsdauer berechnet und verwendet werden.

Die Untersuchung der Korrelationen zwischen den weniger häufig verwendeten und den etablierten Parametern zeigte, dass VRI und CV über alle Aufnahmezeiträume hinweg auf einem mittleren bis hohen Niveau mit den etablierten Parametern korreliert. Aus diesem Grund sind sie durchaus geeignet, als Parameter in entsprechenden Wearables, in Lifestyle-Produkten auch mit kurzer Aufzeichnungsdauer, genutzt zu werden. Der VRI lieferte vor allem in den kurzen Messzeiträumen noch höhere Korrelationen mit den etablierten Parametern. Er ist also in einem solchen (kurzen) Anwendungsbereich ein weiterer gut geeigneter Parameter für die HRV-Analyse. Zu beachten ist allerdings, dass hier ausschließlich Messzeiträume von einer Stunde und mehr betrachtet wurden. Wearables nutzen allerdings lediglich Aufnahmedauern von einigen Sekunden bis wenigen Minuten. Hier herrscht also noch weiterer Forschungsbedarf, ob die genannten Parameter tatsächlich für solch kurze Aufnahmezeiträume sinnvoll einsetzbar sind. Für zukünftige Studien wäre es daher gut, einen direkten Vergleich von Wearables mit der Aufzeichnung der Herzaktivitäten mithilfe eines EKG-Geräts durchzuführen.

Eine Stärke der vorliegenden Arbeit ist die große Anzahl von Probandinnen und die Berücksichtigung von HRV-beeinflussbaren Erkrankungen, wodurch ein möglichst homogenes Probandenkollektiv gewählt werden konnte. Wenngleich im intraindividuellen Vergleich dies nur wenig Einfluss auf die Ergebnisse gehabt haben wird, konnte somit sichergestellt werden, dass Probandinnen mit einer möglichst breiten HRV-Streuung in die Studie eingeschlossen wurden.

Limitationen

Es wurden in dieser Studie ausschließlich Daten von Frauen verwendet, damit der Einflussfaktor Geschlecht ausgeschlossen werden kann. Fraglich ist, ob sich die Ergebnisse ebenso auf männliche Probanden übertragen lassen. Zwar wurden alle Analysen im intraindividuellen Vergleich durchgeführt, dennoch können hormonelle Einflüsse nicht ausgeschlossen werden.

Eine weitere Limitation ist der festgelegte Nachtzeitraum von 6 h auf die Zeit von 23:00–05:00 Uhr. Eine flexiblere Herangehensweise wäre besser gewesen, um auch die individuelle Tages- und Nachtplangestaltung zu berücksichtigen und so mehr Probandinnen in die Auswertung einzubeziehen.

Wenngleich in dieser Studie alle Probandinnen mit Nachtarbeit ausgeschlossen wurden, variierten die Arbeitszeiten teilweise durch Früh- und Spätdienste. Hierdurch war es nicht für alle Probandinnen möglich, ein einstündiges Fenster mit Arbeitstätigkeit zu wählen, sondern teilweise musste ein entsprechendes Fenster am Vormittag ohne diese gewählt werden. Wir gehen jedoch davon aus, dass die intraindividuellen Vergleiche dennoch genutzt werden können und das für die Überprüfung der seltenen und häufiger verwendeten HRV-Parametern dies keinen Einfluss gehabt haben wird.

Fazit für die Praxis

  • Abschließend bleibt festzuhalten, wie wichtig das Einbeziehen des Aufnahmezeitraums bei der Interpretation von HRV-Daten ist.

  • Deshalb sind vergleichende Aussagen nur bei gleichen Aufnahmezeiträumen möglich.

  • Ebenso erscheint zukünftig – insbesondere in kürzeren Aufnahmezeiträumen – die Nutzung von VRI und CV als mögliche Alternativen denkbar zu sein.