MoniCardi , ein Medizintechnik- und Softwareunternehmen der Universität Tampere, entwickelt kontinuierlich neue Methoden zur Messung der Herzfrequenzvariabilität (HRV), um die komplexen Phänomene des menschlichen Körpers zu entschlüsseln. Das MoniCardi-Team möchte die verschiedenen physiologischen Merkmale, die vom Herzverhalten beeinflusst werden, enthüllen und so neue Wege in der Gesundheits- und Leistungsmessung eröffnen.
Die Grundlage: Validierung mit riesigen Datensätzen
MoniCardis bahnbrechende Forschung basiert auf statistischen Methoden und Zeitreihenanalysen, die ursprünglich in der Computerphysik entwickelt wurden. Diese Methoden finden überraschende, aber äußerst wirkungsvolle Anwendung in der Elektrokardiographie, einschließlich der HRV-Analyse.
Die neuartigen Methoden von MoniCardi und ihr Nutzen wurden in verschiedenen wissenschaftlichen Studien [1-9] bestätigt und auf führenden kardiologischen Konferenzen wie den Scientific Sessions der American Heart Association vorgestellt. Die Studien nutzen umfangreiche Datensätze, wie beispielsweise die umfangreiche finnische Herz-Kreislauf-Studie (FINCAVAS), die umfassende Messdaten von 4386 Teilnehmern eines klinischen Stresstests enthält. Eine kürzlich durchgeführte bahnbrechende Studie [1] zeigte, dass MoniCardis HRV-Analyse einer einminütigen Ruhephase vor dem Test den plötzlichen Herztod signifikant besser vorhersagt als die konventionelle Analyse des vollständigen 20-minütigen Stresstests (Hazard Ratios von ~2,5 bzw. ~1,5). Die Überlegenheit von MoniCardi nimmt noch weiter zu, wenn alle anderen Risikofaktoren in die Analyse einbezogen werden.
Außerhalb klinischer Studien ermöglicht die patentierte Methodik von MoniCardi eine genaue Abschätzung metabolischer Schwellen im Sport. Dies wurde in einer bahnbrechenden Studie bestätigt, die das Team 2023 in der führenden physiologischen Fachzeitschrift veröffentlichte [2]. Die Studie wurde auf mehreren nationalen und internationalen Nachrichtenseiten vorgestellt, darunter in einem ganzseitigen Artikel in der wichtigsten finnischen Zeitung Helsingin Sanomat (Link unten). Die Ergebnisse werden derzeit im Rahmen einer akademischen Zusammenarbeit zwischen der Universität Tampere und dem Finnischen Institut für Hochleistungssport (KIHU) validiert.
Durch eine im Jahr 2024 gestartete Partnerschaft mit Suunto findet die neuartige Technologie von MoniCardi nun Eingang in den Einsatz bei Profisportlern, Sportbegeisterten und allen Verbrauchern, die an diesen neuartigen Funktionen interessiert sind, die die HRV-Analyse auf ein völlig neues Niveau heben und praktische und umsetzbare Ergebnisse gewährleisten.
Herzfrequenzvariabilität (HRV) verstehen
Die Herzfrequenzvariabilität (HRV) misst die Variation der Zeitintervalle zwischen aufeinanderfolgenden Herzschlägen. Durch die Analyse der Schwankungen dieser Intervalle lassen sich Rückschlüsse auf den Körperzustand gewinnen, insbesondere auf den Einfluss des autonomen Nervensystems auf das Herz. Herkömmlicherweise wird die HRV verwendet, um den Erholungszustand während des Schlafs mittels RMSSD (Root Mean Square of Successive Differences) zu messen. Dabei werden nächtliche HRV-Veränderungen beobachtet, um das Stressniveau zu ermitteln. Im Ruhezustand zeigt der Körper eine signifikante Variabilität zwischen den Herzschlägen, die sogenannte HRV. Bei erhöhtem Stress schaltet das autonome Nervensystem jedoch in den Kampf-oder-Flucht-Modus, was zu einer minimalen Herzfrequenzvariabilität führt. Diese Verringerung der HRV kann als Indikator zur Beurteilung des Stressniveaus verwendet werden.
Einführung von DDFA: Eine revolutionäre Messtechnologie
HRV-Methoden werden üblicherweise in Zeitbereichs-, Frequenzbereichs- und nichtlineare Methoden unterteilt. Eine der gängigsten nichtlinearen Methoden ist die trendbereinigte Fluktuationsanalyse (DFA), die Anfang der 1990er Jahre entwickelt wurde. Die wichtigsten Informationen der DFA sind die allgemeinen langfristigen Eigenschaften der HRV im Hinblick auf Korrelationen, insbesondere wie sich Veränderungen der Herzschlagintervalle zu einem bestimmten Zeitpunkt auf Veränderungen zu einem anderen Zeitpunkt auswirken. Diese Informationen haben einen hohen prädiktiven Wert, ihr praktischer Nutzen wurde jedoch erst kürzlich mit der Entwicklung der dynamischen DFA (DDFA) [8,9] und ihrer Weiterentwicklung zur zeitsensitiven Bewertung von Veränderungen der HRV-Korrelationen [10] freigelegt. Kurz gesagt nutzt die DDFA eine Vielzahl von Messstäben für 4 bis über 50 aufeinanderfolgende Herzschläge. Zu jedem Zeitpunkt liefert die DDFA dann für alle diese Messstäbe gleichzeitig einen sogenannten Skalierungsexponenten – ein charakteristisches Merkmal von Korrelationen in Herzschlagintervallen. Diese Informationen lassen sich präzise auf den physiologischen Zustand während körperlicher Betätigung übertragen.
Intensitätsüberwachung in Echtzeit
DDFA eignet sich hervorragend zur Beurteilung von Echtzeit-Veränderungen der Herzschlagkorrelationen während des Trainings. Die Trainingsintensität korreliert direkt mit zeit- und skalenabhängigen Schwankungen des DDFA-Skalierungsexponenten. Studien zeigen, dass zunehmende Intensität beim Training die Skalierungsexponenten verringert. Bei sehr hohen Intensitäten können die Schlag-zu-Schlag-Intervalle sogenannte Antikorrelationen aufweisen, bei denen sich große und kleine Schlag-zu-Schlag-Intervalle je nach Zeitskala in spezifischer Weise abwechseln. Diese Informationen ermöglichen eine präzise Überwachung der Trainingsintensität und der physiologischen Schwellenwerte.
Visualisierung von DDFA in Aktion
Eine zentrale Studie mit dem Titel „Estimation of Physiological Exercise Thresholds Based on Dynamical Correlation Properties of Heart Rate Variability“, die 2023 in Frontiers in Physiology veröffentlicht wurde [2], veranschaulicht die Möglichkeiten der DDFA. Die Forschungsarbeit präsentiert ein Trainingsszenario mit zunehmender Intensität. Die cyanfarbenen Linien markieren die beiden metabolischen Schwellen: LT1 (aerobe Schwelle) und LT2 (anaerobe Schwelle), die schwarzen Punkte markieren die Stellen, an denen diese Schwellen auf dem Blutlaktatspiegel basieren.
Dies veranschaulicht ein Idealszenario, in dem die DDFA-basierte Analyse nahezu identische Schwellenwerte liefert wie die laktatbasierten Schwellenwertdefinitionen. Obwohl dies den Optimalfall darstellt, sind in der Praxis Abweichungen zu erwarten. Die DDFA-Analyse und die laktatbasierten Schwellenwerte können von Fall zu Fall unterschiedlich sein, wobei die Herzfrequenzmessungen typischerweise innerhalb einer Toleranz von +-5 Schlägen pro Minute liegen. Auch die Laktatschwellen sind mit Unsicherheiten behaftet, die Interpretationsspielraum bieten.
Validität bis hin zur klinischen Genauigkeit
Die MoniCardi-Methode wurde bereits zur Vorhersage des allgemeinen kardialen Risikos und des plötzlichen Herztods [1] sowie verschiedener Herzerkrankungen wie dem Long-QT-Syndrom [4,5], Vorhofflimmern und kongestiver Herzinsuffizienz [in Vorbereitung] eingesetzt. Die Methoden wurden auch zur Einschätzung von Stress und Schlafphasen eingesetzt [6,7]. Die Vorhersage des plötzlichen Herztods [1] hat an Bedeutung gewonnen und wurde auf allen großen finnischen Nachrichtenseiten (YLE, Helsingin Sanomat, Ilta-Sanomat, Aamulehti) sowie auf mehreren internationalen Nachrichtenseiten (Liste unten) vorgestellt.
Im Bereich Medizintechnik arbeitet MoniCardi derzeit mit Cardiolex Medical zusammen, einem schwedischen MedTech-Unternehmen, das moderne EKG-Geräte und -Systeme entwickelt. Darüber hinaus sucht MoniCardi Partner für tragbare Technologien, um die Herzrisikobewertung massentauglich zu machen.
Quellen:
[1] Jussi Hernesniemi, Teemu Pukkila, Matti Molkkari, Kjell Nikus, Leo-Pekka Lyytikäinen, Terho Lehtimäki, Jari Viik, Mika Kähönen, Esa Räsänen, Vorhersage des plötzlichen Herztodes mit ultrakurzen Herzfrequenzschwankungen, JACC: Clinical Electrophysiology, 2024
[2] Matias Kanniainen, Teemu Pukkila, Joonas Kuisma, Matti Molkkari, Kimmo Lajunen und Esa Räsänen, Estimation of Physiological Exercise Thresholds Based on Dynamical Correlation Properties of Heart Rate Variability, Front. Physiol. 14 (2023).
[3] Teemu Pukkila, Matti Molkkari, Matias Kanniainen, Jussi Hernesniemi, Kjell Nikus, Leo-Pekka Lyytikäinen, Terho Lehtimäki, Jari Viik, Mika Kähönen und Esa Räsänen, Effects of Beta Blocker Therapy on RR Interval Correlations While Exercise, Computing in Cardiology 50 (2023) 10.22489/CinC.2023.104
[4] Matias Kanniainen, Teemu Pukkila, Matti Molkkari und Esa Räsänen, Effect of Diurnal Rhythm on RR Interval Correlations of Long QT Syndrome, Computing in Cardiology 50 (2023) 10.22489/CinC.2023.287
[5] T. Pukkila, M. Molkkari, J. Kim und E. Räsänen, Reduzierte RR-Intervallkorrelationen bei Patienten mit Long-QT-Syndrom, Computing in Cardiology 49 (2022) 10.22489/CinC.2022.284
[6] Teemu Pukkila, Matti Molkkari und Esa Räsänen, Dynamische Herzschlagkorrelationen bei komplexen Aufgaben – Eine Fallstudie zum Autofahren, Computing in Cardiology 48 (2021) 10.23919/CinC53138.2021.9662676
[7] M. Molkkari, M. Tenhunen, A. Tarniceriu, A. Vehkaoja, S.-L. Himanen und E. Räsänen,
Nichtlineare Herzfrequenzvariabilitätsmessungen in der Schlafphasenanalyse mit Photoplethysmographie, Computing in Cardiology 46 (2019); 10.22489/cinc.2019.287
[8] M. Molkkari, G. Angelotti, T. Emig und E. Räsänen, Dynamische Herzschlagkorrelationen beim Laufen, Sci. Rep. 10, 13627 (2020)
[9] M. Molkkari und E. Räsänen, Robuste Schätzung des Skalierungsexponenten in der trendbereinigten Fluktuationsanalyse der Schlagfrequenzvariabilität, Computing in Cardiology 45 (2018); 10.22489/CinC.2018.219
[10] M. Molkkari und E. Räsänen, Interbeat-Intervall des Herzens zur Schätzung des Zustands eines Probanden, Patent angemeldet.
Aktuelle Nachrichten von MoniCardi
Internationale Nachrichten:
Wissenschaft täglich: https://www.sciencedaily.com/releases/2024/06/240613140808.htm
Wissenschaftsalarm: https://www.sciencealert.com/new-algorithm-can-predict-and-help- prevent-sudden-cardiac-death
Mirage-Neuigkeiten: https://www.miragenews.com/tampere-university-researchers- predict-sudden-1255528/
Medical XPress-Neuigkeiten: https://medicalxpress.com/news/2024-01-method-based-series-analysis-thresholds.html
Finnische Nachrichten:
YLE: https://yle.fi/a/74-20093771
Helsingin Sanomat: https://www.hs.fi/tiede/art-2000009847625.html
Ilta-Sanomat: https://www.is.fi/terveys/art-2000010505400.html
Aamulehti: https://www.aamulehti.fi/tiedejateknologia/art-2000010497986.html https://www.aamulehti.fi/tiedejateknologia/art-2000009863997.html
STT: https://www.sttinfo.fi/tiedote/70082024/aikasarja-analyysiin-perustuva-uusi-menetelma-helpottaa-urheilun-kynnysarvojen-maarittamista?publisherId=69818730&lang=fi
