Gibt es Geschlechtsunterschiede bei der HRV? Warum Alter, Kennzahl und Messmethode die Antwort verändern

Zuerst: Ein Geschlechtsunterschied ist ein Gruppenmittelwert

In Studien bedeutet ein Geschlechtsunterschied meist, dass sich der Mittelwert einer weiblichen und einer männlichen Gruppe unterschied. Das heißt nicht, dass beide Verteilungen getrennt sind oder dass sich aus der HRV das Geschlecht jeder Person bestimmen lässt. Selbst bei einem statistisch erkennbaren Mittelwertunterschied überlappen die Werte gleichaltriger Frauen und Männer stark.

Viele ältere Datensätze erfassen Geschlecht nur binär als weiblich oder männlich. Dieser Artikel behandelt genau dieses Datenfeld. Aus HRV lassen sich weder Geschlechtsidentität noch Menstruationsphase, Schwangerschaft, Menopause oder Hormonbehandlung ablesen.

HRV ist keine einzelne Messgröße

SDNN beschreibt, wie stark normale Abstände zwischen Herzschlägen über eine Aufzeichnung insgesamt streuen. RMSSD beschreibt kurzfristige Änderungen zwischen benachbarten Abständen und hängt bei kurzen Ruhemessungen vergleichsweise eng mit der kardialen vagalen Modulation zusammen. Apple HealthKit speichert HRV als SDNN.

Zu Frequenzmaßen gehören LF, HF und LF/HF. LF hat mehrere physiologische Einflussfaktoren. Deshalb lässt sich LF/HF nicht direkt als sympathische Aktivität geteilt durch parasympathische Aktivität lesen. Auch LF_norm und HF_norm sind auf eine feste Summe begrenzt und daher keine unabhängigen Belege.

• SDNN: gesamte Streuung der Schlagabstände während der Aufzeichnung
• RMSSD: kurzfristige Änderungen zwischen benachbarten Schlagabständen
• HF: hochfrequenter Anteil, der stark von der Atmung beeinflusst wird
• LF/HF: kontextabhängiges Verhältnis, kein einfacher Messwert des autonomen Gleichgewichts

Was zeigen große Studien?

Eine Metaanalyse von 2016 fasste 172 Studien mit 63.612 gesunden Teilnehmenden zusammen. Im Mittel hatte die weibliche Gruppe einen kürzeren mittleren RR-Abstand — und damit eine höhere Herzfrequenz — sowie niedrigere Werte für SDNN, Gesamtleistung und LF. Der relative HF-Anteil war höher und LF/HF niedriger. Die standardisierten Mittelwertunterschiede, angegeben als Hedges g, betrugen −0,44 für den mittleren RR-Abstand, −0,24 für SDNN, −0,38 für normalisiertes LF, +0,38 für normalisiertes HF und −0,39 für LF/HF. Für RMSSD und pNN50 zeigte sich über Fixed- und Random-Effects-Modelle hinweg kein konsistenter signifikanter Unterschied.

Eine Lifelines-Studie mit 149.205 Zehn-Sekunden-EKGs berichtete dagegen durchgehend höhere RMSSD-Werte bei Frauen. Eine Handgelenk-PPG-Studie mit etwa 8,2 Millionen Fitbit-Nutzenden fand Geschlechtsunterschiede bei SDRR und LF, aber keinen klaren Unterschied bei RMSSD oder HF.

Was Feelmo in der Neuanalyse von vier Datensätzen gemacht hat

Die Hauptanalyse verwendete 1.073 Personen aus Autonomic Aging, 40 aus Fantasia, 42 aus dem PhysioNet/Computing in Cardiology Challenge 2018 und 18 aus der MIT-BIH Normal Sinus Rhythm Database: insgesamt 1.173 Personen aus vier Datensätzen. Eine getrennte Sensitivitätsanalyse fügte 47 Personen aus der MIT-BIH Arrhythmia Database hinzu. Die Gesamtzahl 1.220 schließt diese Arrhythmie-Aufzeichnungen ein.

Innerhalb jedes Datensatzes wurden mehrere Abschnitte derselben Person zuerst gemittelt, sodass jede Person einen Merkmalssatz beitrug. Wir berechneten Hedges g als Mittelwert der weiblichen minus Mittelwert der männlichen Gruppe und fassten die vier Datensatzschätzungen mit einem DerSimonian-Laird-Random-Effects-Modell zusammen. Dies war keine Kausalanalyse mit einheitlicher Kontrolle von Alter, Atmung, BMI, Medikamenten oder anderen möglichen Erklärungen.

• Hauptanalyse: vier Datensätze und 1.173 Personen
• Sensitivitätsanalyse: 47 Arrhythmie-Aufzeichnungen zusätzlich, insgesamt 1.220 Personen
• Effektstärke: weibliche Gruppe minus männliche Gruppe, angegeben als Hedges g
• Zusammenführung: DerSimonian-Laird-Random-Effects-Modell

Unterschiede der Gruppenmittelwerte in der explorativen Neuanalyse

Die zusammengefassten Punktschätzungen über vier Datensätze betrugen −0,80 für LF_norm, +0,80 für HF_norm, −0,63 für LF/HF und −0,72 für DFA α1. RMSSD lag dagegen bei −0,09 und pNN50 bei −0,16; beide 95-%-Konfidenzintervalle schlossen null ein. Aus dieser Analyse lässt sich daher keine einheitliche Richtung eines Gruppenunterschieds für RMSSD oder pNN50 ableiten.

Die Richtungen von LF_norm, HF_norm und LF/HF entsprachen der früheren großen Metaanalyse. Die größeren Effektstärkenschätzungen zeigen aber nicht, dass der „wahre“ Unterschied größer ist. Populationen, Aufzeichnungsbedingungen und Berechnungen unterschieden sich; ein Vergleich als einfaches Vielfaches hat keine klare physiologische Bedeutung.

• LF_norm: g = −0,80, 95-%-Konfidenzintervall −0,93 bis −0,68
• HF_norm: g = +0,80, 95-%-Konfidenzintervall +0,68 bis +0,93
• LF/HF: g = −0,63, 95-%-Konfidenzintervall −0,75 bis −0,50
• DFA α1: g = −0,72, 95-%-Konfidenzintervall −0,84 bis −0,60
• RMSSD: g = −0,09, 95-%-Konfidenzintervall −0,46 bis +0,28
• pNN50: g = −0,16, 95-%-Konfidenzintervall −0,71 bis +0,38

Warum LF/HF nicht „autonomes Gleichgewicht“ genannt werden kann

In Ruhe hängt HF vergleichsweise eng mit der kardialen vagalen Modulation zusammen, wird aber auch stark von Atemfrequenz und -tiefe beeinflusst. LF hat mehrere Beiträge, darunter sympathische und parasympathische Einflüsse sowie den Baroreflex. Deshalb lässt sich LF/HF weder als „sympathisch geteilt durch parasympathisch“ noch als direktes Maß des gesamten autonomen Gleichgewichts lesen.

Nach üblichen Definitionen werden LF_norm und HF_norm aus denselben LF- und HF-Werten berechnet und so begrenzt, dass der eine Wert sinkt, wenn der andere steigt. LF/HF ist ein weiteres Verhältnis aus denselben zwei Komponenten. Sie sind keine drei unabhängigen Replikationen. DFA α1 beschreibt kurzfristige fraktale Korrelationen der Schlagabstände und ist ebenfalls nicht das autonome Gleichgewicht selbst.

Warum I²=0 % keine vollständige Übereinstimmung bedeutet

Für LF_norm, HF_norm, LF/HF und DFA α1 lag die Punktschätzung von I² — einer Statistik zur Beschreibung von Unterschieden zwischen Datensätzen — bei 0 %. Das bedeutet, dass das Modell in dieser Analyse keine zusätzliche Varianz zwischen den Datensätzen schätzte. Es beweist weder identische Effekte in jedem Datensatz noch denselben Unterschied in jeder Population.

Die Hauptanalyse umfasste nur vier Datensätze, drei davon mit höchstens 42 Personen. Bei so wenigen Datensätzen und kleinen Stichproben ist die Fähigkeit, Heterogenität zu erkennen, begrenzt; sowohl I² als auch die Varianz zwischen Datensätzen sind unsicher. Für RMSSD lag I² bei 51 %, für pNN50 bei 75 %, was bei den Zeitbereichsmaßen deutliche Unterschiede zwischen Datensätzen zeigt.

Ein Altersmuster beweist nicht, dass die Menopause die Ursache ist

Eine Studie mit Fünf-Minuten-EKGs von 1.906 gesunden Personen berichtete Zusammenhänge von Alter und Geschlecht mit mehreren HRV-Maßen. Geschlechtsgruppenunterschiede waren im Alter von 55–64 Jahren bei den meisten Kennzahlen und im Alter von 65–74 Jahren bei allen Kennzahlen außer der fraktalen Dimension (FD) nicht mehr zu beobachten. Die Untersuchung war querschnittlich: Sie verfolgte nicht dieselben Menschen über die Zeit und erklärte das Muster nicht allein durch Hormonwerte oder Menopausenstadium.

Altersgruppen können sich außerdem bei Medikamenten, Krankheiten, Körperzusammensetzung, Bewegung, Atmung und Messzeit unterscheiden. Aus einer HRV-Veränderung nach 50 lässt sich daher nicht rückwärts auf die Menopause als Ursache schließen.

Wie lässt sich ein Apple-Watch-Wert sinnvoll verwenden?

Die Apple Watch speichert HRV in HealthKit als SDNN. RMSSD aus Studien, ein Fünf-Minuten-Ruhe-EKG, ein 24-Stunden-EKG und der Handgelenk-PPG-Wert eines anderen Herstellers sind nicht austauschbar, nur weil alle „HRV“ heißen.

Vergleiche im Alltag Messungen desselben Geräts zu ähnlicher Uhrzeit, Haltung und Schlafsituation und betrachte den eigenen Verlauf über mehrere Wochen. Nutze HRV allein nicht zur Beurteilung von Gesundheit, Müdigkeit, Stress oder Menopause. Bei Beschwerden sollte die medizinische Abklärung den Symptomen folgen, nicht einer einzelnen Zahl.

Wissenschaftliche Grenzen

• Die meisten besprochenen Studien sind Beobachtungsstudien und können nicht beweisen, dass Geschlecht einen HRV-Unterschied verursacht hat
• Eine binäre Einteilung in weiblich und männlich in Ausgangsdaten ist kein Maß für Geschlechtsidentität oder Hormonstatus
• Die vier Datensätze wurden nicht in einer systematischen Übersichtsarbeit ausgewählt, sondern waren verfügbare öffentliche Daten für eine explorative Analyse
• Autonomic Aging stellte rund 92 % der Personen in der Hauptanalyse und beeinflusst das zusammengefasste Ergebnis daher stark
• Ruhe-, Schlaf- und Langzeitaufzeichnungen wurden gemischt, ohne Alter, Atmung, BMI oder Medikamente einheitlich zu kontrollieren
• CinC 2018 enthält Personen, die zur Schlafstörungsdiagnostik untersucht wurden; daher lassen sich nicht alle vier Datensätze als gesunde Kohorten bezeichnen
• DerSimonian-Laird- und I²-Schätzungen aus nur vier Datensätzen haben erhebliche Unsicherheit
• EKG und Handgelenk-PPG sowie Aufzeichnungen über zehn Sekunden, fünf Minuten oder 24 Stunden sind nicht direkt vergleichbar
• Ein Unterschied im Populationsmittel misst nicht, wie genau Geschlecht, Gesundheit oder autonomer Zustand einer Einzelperson eingeordnet werden können
• Feelmos Neuanalyse ist nicht begutachtet und wurde noch nicht unabhängig reproduziert oder extern validiert