Finns det könsskillnader i HRV? Varför ålder, mått och mätmetod ändrar svaret

Först: en könsskillnad är ett gruppgenomsnitt

I de flesta studier betyder en könsskillnad att genomsnittet i en kvinnlig grupp skilde sig från genomsnittet i en manlig grupp. Det betyder inte att de två fördelningarna var separata eller att HRV kan identifiera varje persons kön. Värden hos kvinnor och män i samma ålder överlappar i stor utsträckning även när en genomsnittlig skillnad går att upptäcka statistiskt.

Många äldre datamängder registrerar kön endast som kvinna/man. Det är den variabel som diskuteras här. HRV visar inte könsidentitet, menstruationsfas, graviditet, klimakterium eller hormonbehandling.

HRV är inte ett enda mått

SDNN beskriver den totala spridningen av normala intervall mellan hjärtslag i en registrering. RMSSD beskriver förändringar mellan intilliggande intervall och är i korta registreringar i vila relativt nära kopplat till vagal modulering av hjärtat. Apple HealthKit lagrar HRV som SDNN.

Mått i frekvensdomänen omfattar LF, HF och LF/HF. LF har flera fysiologiska bidrag, så LF/HF kan inte läsas direkt som sympatisk aktivitet delad med parasympatisk aktivitet. LF_norm och HF_norm begränsas också till en fast summa och är därför inte oberoende belägg.

• SDNN: total variation i intervallen mellan hjärtslag under registreringen
• RMSSD: kortsiktiga förändringar mellan intilliggande hjärtslagsintervall
• HF: en högfrekvent komponent som påverkas starkt av andningen
• LF/HF: en kvot som beror på sammanhanget, inte en enkel mätare av autonom balans

Vad visar stora studier?

En metaanalys från 2016 kombinerade 172 studier med 63,612 friska deltagare. I genomsnitt hade den kvinnliga gruppen ett kortare genomsnittligt RR-intervall — och därmed högre puls — samt lägre SDNN, total effekt och LF, medan den relativa andelen HF var högre och LF/HF lägre. De standardiserade medelvärdesskillnaderna, rapporterade som Hedges g, var −0.44 för genomsnittligt RR, −0.24 för SDNN, −0.38 för normaliserat LF, +0.38 för normaliserat HF och −0.39 för LF/HF. RMSSD och pNN50 visade ingen konsekvent signifikant skillnad mellan modeller med fasta och slumpmässiga effekter.

En Lifelines-studie av 149,205 tiosekunders-EKG rapporterade däremot konsekvent högre RMSSD hos kvinnor. En studie med handleds-PPG av ungefär 8.2 miljoner Fitbit-användare fann könsskillnader i SDRR och LF, men ingen tydlig könsskillnad i RMSSD eller HF.

Vad Feelmo gjorde i nyanalysen av fyra datamängder

Huvudanalysen använde 1,073 personer från Autonomic Aging, 40 från Fantasia, 42 från datamängden PhysioNet/Computing in Cardiology Challenge 2018 och 18 från MIT-BIH Normal Sinus Rhythm Database: 1,173 personer i fyra datamängder. En separat känslighetsanalys lade till 47 personer från MIT-BIH Arrhythmia Database. Totalsumman 1,220 omfattar dessa arytmiregistreringar.

Inom varje datamängd beräknades först ett genomsnitt av flera segment från samma person så att varje person bidrog med en uppsättning variabler. Vi beräknade Hedges g som den kvinnliga gruppens medelvärde minus den manliga gruppens medelvärde och vägde sedan samman de fyra datamängdernas estimat med en DerSimonian–Laird-modell med slumpmässiga effekter. Detta var ingen kausal analys med konsekvent justering för ålder, andning, BMI, läkemedel eller andra möjliga förklaringar.

• Huvudanalys: fyra datamängder och 1,173 personer
• Känslighetsanalys: 47 arytmiregistreringar tillagda, totalt 1,220 personer
• Effektstorlek: kvinnlig grupp minus manlig grupp, rapporterad som Hedges g
• Sammanvägningsmetod: DerSimonian–Laird-modell med slumpmässiga effekter

Skillnader i gruppgenomsnitt i den utforskande nyanalysen

De sammanvägda punktestimaten från de fyra datamängderna var −0.80 för LF_norm, +0.80 för HF_norm, −0.63 för LF/HF och −0.72 för DFA α1. Däremot var RMSSD −0.09 och pNN50 −0.16, och båda 95%-konfidensintervallen sträckte sig över noll. Analysen kan därför inte fastställa en konsekvent riktning på gruppskillnaden för RMSSD eller pNN50.

Riktningarna för LF_norm, HF_norm och LF/HF stämde med den tidigare stora metaanalysen. De större effektstorleksestimaten visar inte att den ”sanna” skillnaden är större. Populationerna, registreringsförhållandena och beräkningarna skilde sig, så det har ingen tydlig fysiologisk innebörd att jämföra analyserna som enkla multiplar.

• LF_norm: g = −0.80, 95% konfidensintervall −0.93 till −0.68
• HF_norm: g = +0.80, 95% konfidensintervall +0.68 till +0.93
• LF/HF: g = −0.63, 95% konfidensintervall −0.75 till −0.50
• DFA α1: g = −0.72, 95% konfidensintervall −0.84 till −0.60
• RMSSD: g = −0.09, 95% konfidensintervall −0.46 till +0.28
• pNN50: g = −0.16, 95% konfidensintervall −0.71 till +0.38

Varför LF/HF inte kan kallas ”autonom balans”

I vila är HF relativt nära kopplat till vagal modulering av hjärtat, men påverkas också starkt av andningsfrekvens och andningsdjup. LF har flera bidrag, bland annat sympatisk och parasympatisk påverkan samt baroreflexen. LF/HF kan därför inte läsas som ”sympatisk delad med parasympatisk” eller som ett direkt mått på den övergripande autonoma balansen.

Enligt vanliga definitioner beräknas LF_norm och HF_norm från samma LF- och HF-värden och begränsas så att det ena sjunker när det andra stiger. LF/HF är en annan kvot av samma två komponenter. De kan inte räknas som tre oberoende upprepningar. DFA α1 beskriver kortsiktig fraktal korrelation i hjärtslagsintervall; det är inte autonom balans i sig.

Varför I²=0% inte betyder fullständig överensstämmelse

För LF_norm, HF_norm, LF/HF och DFA α1 var punktestimatet för I² — ett statistiskt mått som beskriver inkonsekvens mellan datamängder — 0%. Det betyder att modellen inte uppskattade någon ytterligare varians mellan datamängder i denna analys. Det bevisar inte att varje datamängd hade en identisk effekt eller att samma skillnad finns i varje population.

Huvudanalysen hade bara fyra datamängder, och tre innehöll 42 personer eller färre. Med så få datamängder och små urval är förmågan att upptäcka heterogenitet begränsad och både I² och variansen mellan datamängder är osäkra. I² var 51% för RMSSD och 75% för pNN50, vilket visar betydande skillnader mellan datamängder för tidsdomänmåtten.

Ett åldersmönster bevisar inte att klimakteriet är orsaken

En studie av femminuters-EKG hos 1,906 friska personer rapporterade samband mellan ålder och kön och flera HRV-mått. Könsgruppsskillnader observerades inte längre för de flesta index i åldrarna 55–64 och för alla index utom fraktal dimension (FD) i åldrarna 65–74. Det var en tvärsnittsstudie: den följde inte samma personer över tid och förklarade inte mönstret enbart med hormonnivåer eller klimakteriestadium.

Åldersgrupper kan också skilja sig i läkemedel, sjukdom, kroppssammansättning, fysisk aktivitet, andning och mättidpunkt. HRV ensamt kan inte resonera baklänges från en förändring efter 50 års ålder och identifiera klimakteriet som orsak.

Hur bör du använda ett Apple Watch-värde?

Apple Watch registrerar HRV i HealthKit som SDNN. RMSSD från forskning, femminuters-EKG i vila, 24-timmars-EKG och ett värde från en annan tillverkares handleds-PPG är inte utbytbara bara för att alla kallas HRV.

I vardagen bör du jämföra mätningar från samma enhet vid liknande tidpunkt, kroppsställning och sömnförhållanden och följa din egen trend över flera veckor. Använd inte HRV ensamt för att diagnostisera hälsa, trötthet, stress eller klimakterium. Om du har symtom, sök medicinsk rådgivning utifrån symtomen snarare än värdet.

Vetenskapliga begränsningar

• De flesta studier som diskuteras är observationsstudier och kan inte bevisa att kön orsakade en HRV-skillnad
• En uppdelning i kvinna/man i källdata är inget mått på könsidentitet eller hormonellt tillstånd
• De fyra datamängderna valdes inte genom en systematisk översikt; de var tillgängliga offentliga data som användes i en utforskande analys
• Autonomic Aging bidrog med ungefär 92% av huvudanalysens deltagare och påverkar därför starkt det sammanvägda resultatet
• Registreringar i vila, under sömn och över lång tid blandades, utan konsekvent justering för ålder, andning, BMI eller läkemedel
• CinC 2018 innehåller personer som bedömts för diagnostik av sömnstörningar, så de fyra datamängderna kan inte alla beskrivas som friska kohorter
• DerSimonian–Laird- och I²-estimat från bara fyra datamängder har betydande osäkerhet
• EKG och handleds-PPG samt registreringar som varar i 10 sekunder, fem minuter eller 24 timmar är inte direkt jämförbara
• En skillnad i populationsgenomsnitt mäter inte träffsäkerheten för att klassificera en individs kön, hälsa eller autonoma tillstånd
• Feelmos nyanalys är ogranskad och har ännu inte genomgått oberoende replikation eller extern validering