Esistono differenze di HRV tra i sessi? Perché età, misura e metodo cambiano la risposta

Prima di tutto: una differenza tra sessi è una media di gruppo

Nella maggior parte degli studi, una differenza tra sessi significa che la media del gruppo femminile differiva da quella del gruppo maschile. Non significa che le due distribuzioni fossero separate o che l’HRV possa identificare il sesso di ogni persona. I valori di donne e uomini della stessa età si sovrappongono ampiamente anche quando una differenza media è rilevabile statisticamente.

Molti set di dati più datati registrano il sesso soltanto come variabile binaria femmina/maschio. È questa la variabile trattata qui. L’HRV non rivela identità di genere, fase mestruale, gravidanza, menopausa o terapia ormonale.

L’HRV non è una sola misura

SDNN descrive la dispersione complessiva degli intervalli tra battiti normali durante una registrazione. RMSSD descrive i cambiamenti tra intervalli consecutivi e, in brevi registrazioni a riposo, è relativamente strettamente associato alla modulazione vagale cardiaca. Apple HealthKit memorizza l’HRV come SDNN.

Le misure nel dominio della frequenza includono LF, HF e LF/HF. LF ha più contributi fisiologici, quindi LF/HF non può essere letto direttamente come attività simpatica divisa per attività parasimpatica. Inoltre LF_norm e HF_norm sono vincolati a una somma fissa e non sono prove indipendenti.

• SDNN: variazione complessiva degli intervalli tra battiti durante la registrazione
• RMSSD: variazioni a breve termine tra intervalli consecutivi
• HF: componente ad alta frequenza fortemente influenzata dalla respirazione
• LF/HF: rapporto dipendente dal contesto, non un semplice indicatore di equilibrio autonomico

Che cosa mostrano i grandi studi?

Una meta-analisi del 2016 ha combinato 172 studi con 63.612 partecipanti sani. In media, il gruppo femminile aveva un intervallo RR medio più breve — e quindi una frequenza cardiaca più alta — oltre a SDNN, potenza totale e LF più bassi; la quota relativa di HF era più alta e LF/HF più basso. Le differenze medie standardizzate, espresse come g di Hedges, erano −0,44 per RR medio, −0,24 per SDNN, −0,38 per LF normalizzato, +0,38 per HF normalizzato e −0,39 per LF/HF. RMSSD e pNN50 non mostravano una differenza significativa coerente nei modelli a effetti fissi e casuali.

Uno studio Lifelines su 149.205 ECG di dieci secondi, invece, ha rilevato RMSSD costantemente più alto nelle donne. Uno studio PPG da polso su circa 8,2 milioni di utenti Fitbit ha trovato differenze tra sessi per SDRR e LF, ma nessuna differenza chiara per RMSSD o HF.

Che cosa ha fatto Feelmo nella rianalisi di quattro set di dati

L’analisi principale comprendeva 1.073 persone da Autonomic Aging, 40 da Fantasia, 42 dal PhysioNet/Computing in Cardiology Challenge 2018 e 18 dal MIT-BIH Normal Sinus Rhythm Database: 1.173 persone in quattro set. Un’analisi di sensibilità separata ha aggiunto 47 persone dal MIT-BIH Arrhythmia Database. Il totale di 1.220 include quelle registrazioni di aritmia.

All’interno di ciascun set, i segmenti ripetuti della stessa persona sono stati prima mediati, in modo che ogni persona contribuisse un solo insieme di caratteristiche. Abbiamo calcolato il g di Hedges come media del gruppo femminile meno media del gruppo maschile, poi combinato le quattro stime con un modello a effetti casuali DerSimonian–Laird. Non era un’analisi causale e non vi era un aggiustamento uniforme per età, respirazione, BMI, farmaci o altre possibili spiegazioni.

• Analisi principale: quattro set di dati e 1.173 persone
• Analisi di sensibilità: aggiunte 47 registrazioni di aritmia, per un totale di 1.220 persone
• Dimensione dell’effetto: media del gruppo femminile meno media del gruppo maschile, espressa come g di Hedges
• Metodo di combinazione: modello a effetti casuali DerSimonian–Laird

Differenze medie di gruppo nella rianalisi esplorativa

Le stime puntuali combinate nei quattro set erano −0,80 per LF_norm, +0,80 per HF_norm, −0,63 per LF/HF e −0,72 per DFA α1. Al contrario, RMSSD era −0,09 e pNN50 −0,16, e in entrambi i casi gli intervalli di confidenza al 95% attraversavano lo zero. L’analisi non può quindi stabilire una direzione coerente della differenza di gruppo per RMSSD o pNN50.

Le direzioni di LF_norm, HF_norm e LF/HF erano coerenti con la precedente grande meta-analisi. Le dimensioni dell’effetto maggiori non mostrano che la differenza «vera» sia maggiore. Popolazioni, condizioni di registrazione e calcoli erano diversi, quindi confrontare le analisi come semplici multipli non ha un chiaro significato fisiologico.

• LF_norm: g = −0,80, intervallo di confidenza al 95% da −0,93 a −0,68
• HF_norm: g = +0,80, intervallo di confidenza al 95% da +0,68 a +0,93
• LF/HF: g = −0,63, intervallo di confidenza al 95% da −0,75 a −0,50
• DFA α1: g = −0,72, intervallo di confidenza al 95% da −0,84 a −0,60
• RMSSD: g = −0,09, intervallo di confidenza al 95% da −0,46 a +0,28
• pNN50: g = −0,16, intervallo di confidenza al 95% da −0,71 a +0,38

Perché LF/HF non può essere chiamato «equilibrio autonomico»

A riposo, HF è relativamente strettamente collegato alla modulazione vagale cardiaca, ma è anche fortemente influenzato da frequenza e profondità della respirazione. LF ha più contributi, tra cui influenze simpatiche e parasimpatiche e il baroriflesso. LF/HF non può quindi essere letto come «simpatico diviso per parasimpatico» o come misura diretta dell’equilibrio complessivo del sistema nervoso autonomo.

Nelle definizioni comuni, LF_norm e HF_norm sono calcolati dagli stessi valori LF e HF e vincolati in modo che uno diminuisca quando l’altro aumenta. LF/HF è un altro rapporto formato dalle stesse due componenti. Non possono essere contati come tre repliche indipendenti. DFA α1 descrive la correlazione frattale a breve termine negli intervalli tra battiti; non è l’equilibrio autonomico in sé.

Perché I²=0% non significa accordo completo

Per LF_norm, HF_norm, LF/HF e DFA α1, la stima puntuale di I² — una statistica che descrive l’incoerenza tra set di dati — era 0%. Significa che in questa analisi il modello non ha stimato ulteriore varianza tra set. Non prova che ogni set avesse un effetto identico o che la stessa differenza esista in ogni popolazione.

L’analisi principale comprendeva soltanto quattro set e tre avevano 42 persone o meno. Con così pochi set e piccoli campioni, la capacità di rilevare eterogeneità è limitata e sia I² sia la varianza tra set sono incerti. I² era 51% per RMSSD e 75% per pNN50, indicando differenze sostanziali tra set nelle misure nel dominio del tempo.

Un andamento con l’età non prova che la causa sia la menopausa

Uno studio con ECG di cinque minuti su 1.906 persone sane ha riportato associazioni di età e sesso con varie misure HRV. Le differenze tra i gruppi di sesso non erano più osservate per la maggior parte degli indici nella fascia 55–64 anni e per tutti gli indici tranne la dimensione frattale (FD) nella fascia 65–74 anni. Era uno studio trasversale: non seguiva le stesse persone nel tempo e non spiegava l’andamento soltanto con livelli ormonali o fase della menopausa.

I gruppi d’età possono differire anche per farmaci, malattie, composizione corporea, attività fisica, respirazione e ora di misurazione. L’HRV da solo non permette di partire da un cambiamento dopo i 50 anni e identificarne la menopausa come causa.

Come usare un valore di Apple Watch?

Apple Watch registra l’HRV in HealthKit come SDNN. RMSSD di uno studio, ECG a riposo di cinque minuti, ECG di 24 ore e valore PPG da polso di un altro produttore non sono intercambiabili soltanto perché sono tutti chiamati HRV.

Nell’uso quotidiano, confronta misure dello stesso dispositivo in condizioni simili di ora, postura e sonno e segui la tua tendenza per diverse settimane. Non usare l’HRV da solo per diagnosticare salute, fatica, stress o menopausa. Se hai sintomi, chiedi un parere medico sulla base dei sintomi, non del numero.

Limiti scientifici

• La maggior parte degli studi descritti è osservazionale e non prova che il sesso abbia causato una differenza HRV
• Una variabile binaria femmina/maschio nei dati di origine non misura identità di genere o stato ormonale
• I quattro set non sono stati selezionati tramite revisione sistematica; erano dati pubblici disponibili usati per un’analisi esplorativa
• Autonomic Aging forniva circa il 92% dei partecipanti dell’analisi principale e influenza quindi fortemente il risultato combinato
• Sono state mescolate registrazioni a riposo, nel sonno e di lunga durata, senza aggiustamento uniforme per età, respirazione, BMI o farmaci
• CinC 2018 comprende persone valutate per una diagnosi di disturbo del sonno, quindi i quattro set non possono essere tutti descritti come coorti sane
• Le stime DerSimonian–Laird e I² ottenute da soli quattro set hanno notevole incertezza
• ECG e PPG da polso, e registrazioni di dieci secondi, cinque minuti o 24 ore, non sono direttamente confrontabili
• Una differenza media di popolazione non misura la precisione nel classificare sesso, salute o stato autonomico di un individuo
• La rianalisi di Feelmo non è sottoposta a revisione paritaria e non ha ancora una replica indipendente o una validazione esterna