Open Access

Sabine Kassner

• Im Fokus der PRV_Koro-Studie steht die nichtinvasive Diagnostik der Koronaren Herzerkrankung (KHK), welche als eine der bedeutendsten Volkskrankheiten gilt. Insbesondere asymptomatische Personen beziehungsweise Patienten mit mittlerer Vortestwahrscheinlichkeit, stellen eine diagnostische Herausforderung dar. Aktuell existiert noch keine Methode als Alternative zur meist nur eingeschränkt auswertbaren Ergometrie, den kostenintensiven und nur selten vorhandenen bildmorphologischen Belastungsuntersuchungen sowie der Koronar-Computertomographie, die nichtinvasiv, belastungsfrei und unkompliziert anwendbar ist sowie im besten Falle als Screening-Verfahren im Hausarztbereich zur Identifikation der KHK genutzt werden kann. Wir untersuchten daher zwei potenzielle Methoden zur Überbrückung dieser diagnostischen Versorgungslücke, die Pulsratenvariabilität (PRV) und die Kardiogoniometrie (CGM). Die PRV stellt einen Marker des autonomen Nervensystems dar und kann als Variation zweier Herzschläge entweder bezüglich der Herzrate oder als Variation der Dauer des Intervalls zwischen zwei Schlägen beschrieben werden. Aus der PRV wurden nach Registrierung der Pulskurve durch eine Smartphone-App 12 PRV-Indizes (PPI_median, PPI_lquartile, PPI_uquartile, HR, rrHRV, rrHRV_qr, Annularity, RMSSD, SDNN, SD1, SD2, SD1/SD2-ratio) extrahiert. Basierend auf einer Koronarangiographie als Referenzmethode wurden die Probanden in KHK-positiv und -negativ eingeteilt. Für ein aus den sieben prädiktionsstärksten PRV-Indizes (RMSSD, PPI_lquartile, SD1, HR, rrHRV, rrHRV_qr, Annularity) bestehendes reduziertes Grundmodell konnte im Vergleich zum kompletten PRV-Parameterset annähernd identische Werte für Sensitivität und Spezifität ermittelt werden. Alter, Geschlecht und der Ausschluss möglicher Störfaktoren (RSB, LSB und/oder gehäuften ventrikulären Extrasystolen) zeigten einen signifikanten Einfluss auf die Prädiktionskraft dieses Modells. Der hier entwickelte Algorithmus könnte eine adäquate belastungs- und strahlenfreie, leicht zu handhabende, sowie zeit- und kosteneffektive Alternative zum Screening in Hinblick auf eine KHK im alltäglichen medizinischen Setting darstellen. Einen weiteren Vorteil bietet die PRV hinsichtlich der Datenerfassung, welche auf Basis einer 5-minütigen Photoplethysmographie geschieht. Diese ermöglicht eine automatisierte Bewertung ohne Hilfe einer medizinischen Fachkraft und somit ein Screening-Verfahren im Hausarztbereich für bisher asymptomatische oder auch Probanden mit mittlerer Vortestwahrscheinlichkeit hinsichtlich einer KHK. Die CGM ist ein computerisiertes, dreidimensionales Verfahren zur belastungsfreien und nichtinvasiven Diagnostik einer KHK. Das dabei vorhandene automatisierte Klassifikationssystems generiert einen CGM-Score, bei dem ≤ -1 als KHK-positiv gewertet wird. Hierbei ergab sich bei guter Sensitivität von 71,4% lediglich eine Spezifität von 52,4%. Letztlich wurden dadurch nur 57,4% der Probanden korrekt als KHK-positiv oder -negativ klassifiziert. Im Vergleich zu vorangegangenen Studien entspricht dies vergleichbaren Werten für die Sensitivität (63 - 84%), während die Spezifität in diversen anderen Studien deutlich höher mit 60 und 90% beschrieben wurde [51, 74, 78, 80]. Für klinische Faktoren wie Alter als auch die Kombination aus Alter und Geschlecht konnte durch eine Steigerung der AUC von 0,6 (95%-KI 0,6/0,7) auf 0,7 (95%-KI 0,6/0,8) ein signifikanter Einfluss auf die Prädiktionskraft nachgewiesen werden. Die Betrachtung des linearen Zusammenhangs des automatisiert ermittelten CGM-Scores zur KHK ergab, dass bei Definition der KHK-positiven Klassifikation durch negativere Scores (beispielsweise bei ≤ -2) zwar die Sensitivität steigt, dies jedoch auf Kosten der Spezifität. Die CGM stellte sich aufgrund niedriger Spezifität zur Detektion einer KHK im Vergleich zur Referenzmethode der Koronarangiographie in unserer Stichprobe als nicht zum Screening geeignet heraus. Im direkten Vergleich zeigten sich zur Detektion einer KHK die PRV-Indizes sowie die dazugehörigen in dieser Studie entwickelten Klassifizierungsmodelle dem CGM für alle diagnostischen Maßzahlen überlegen. Ein additiver Nutzen beider Untersuchungsmethoden konnte nicht nachgewiesen werden. Zusammenfassend könnte der in dieser Studie entwickelte PRV-basierte Algorithmus im Rahmen der medizinischen Diagnostik eine gute Alternative zum Screening in Hinblick auf eine KHK im alltäglichen medizinischen Setting darstellen. Eine Validierung sollte jedoch in größeren, idealerweise multizentrischen, Studien durchgeführt werden.
• Focus of the PRV_Koro study is the non-invasive diagnosis of coronary heart disease (CHD), which is considered to be one of the most important widespread diseases. In particular, asymptomatic people or patients with a medium pre-test probability represent a diagnostic challenge. Currently there is no inexpensive method ubiquitously available, which is non-invasive, stress-free, uncomplicated to use and, in the best case, can be used as a screening method in the primary care physician’s area to identify CHD. Therefore we examined two potential methods to bridge this gap, pulse rate variability (PRV) and cardiogoniometry (CGM). PRV is a marker of the autonomic nervous system and can be described as a variation of two heartbeats either in terms of heart rate (HR) or as a variation in the duration of the interval between two beats. After registering the pulse curve using a smartphone app, 12 PRV indices (PPI_median, PPI_lquartile, PPI_uquartile, HR, rrHRV, rrHRV_qr, annularity, RMSSD, SDNN, SD1, SD2, SD1/SD2 ratio) were extracted from the PRV. Based on coronary angiography as a reference method, subjects were classified as CHD positive and negative. For a reduced basic model consisting of the seven most predictive PRV indices (RMSSD, PPI_lquartile, SD1, HR, rrHRV, rrHRV_qr, Annularity), almost identical values for sensitivity and specificity could be determined in comparison to the complete PRV parameter set. Age, gender and the exclusion of possible confounding factors (RSB, LSB and/or frequent ventricular extrasystoles) showed a significant influence on the predictive power of this model. The developed algorithm could represent an adequate, stress- and radiation-free, easy-to-use, time- and cost-effective method to screen for CHD in the everyday medical setting. Another advantage of PRV is the acquisition, which is based on a 5-minute photoplethysmography. This enables an automated assessment without the help of a medical specialist. CGM is a computerized, three-dimensional method for stress-free and non-invasive diagnosis of CHD. The existing automated classification system generates a CGM score in which ≤ -1 means CHD positive. With a good sensitivity of 71.4%, the specificity was only 52.4%. Only 57.4% of the subjects were correctly classified as CHD positive or negative. For clinical factors such as age as well as the combination of age and sex, a significant increase in AUC from 0.6 (95% CI 0.6/0.7) to 0.7 (95% CI 0.6/0,8) can be demonstrated. Analysis of the linear relationship between the automatically determined CGM score and CHD showed that when the CHD positive classification was defined using more negative scores (e.g. at ≤ -2), the sensitivity increased, but at the expense of specificity. CGM turned out to be unsuitable for screening in our random sample due to its low specificity for detecting CHD compared to the reference method of coronary angiography. In a direct comparison, the PRV indices and the associated classification models developed in this study were superior to the CGM for all diagnostic measures for the detection of CHD. An additive benefit of both examination methods could not be proven. In summary, the PRV-based algorithm developed in this study could represent a good alternative to screening for CHD in the everyday medical setting in the context of medical diagnostics. However, validation should be carried out in larger, ideally multicentre, studies.