Prediction of atrial fibrillation from beat-to-beat correlations

Abstract

Eteisvärinä (AF) vaikuttaa suureen määrään ihmisiä maailmanlaajuisesti ja on yleisin pitkäkestoinen sydämen rytmihäiriö. Yksi sen vakavimmista komplikaatioista on aivohalvaus, mahdollisesti hengenvaarallinen tapahtuma, jossa verihyytymä estää veren virtauksen osaan aivoista. Koska AF-kohtaukset voivat esiintyä ilman havaittavia oireita, riskiryhmään kuuluvien henkilöiden tunnistaminen on edelleen haastavaa. Tämä opinnäytetyö keskittyy siihen, esiintyykö sydämen rytmissä mitattavia muutoksia ennen AF-kohtauksen alkamista, tavoitteena mahdollistaa varhainen puuttuminen. Tässä työssä sydämen sykevaihtelua (HRV) käytetään sydämen rytmidynamiikan tutkimiseen potilailla, joilla on kohtauksittainen eteisvärinä, sekä terveillä verrokkihenkilöillä. Tarkastelussa huomioidaan sekä perinteiset että uudemmat epälineaariset HRV-menetelmät. Erityistä huomiota kiinnitetään trenditpoistavaan fluktuaatio analyysiin (DFA), sen dynaamiseen laajennukseen (DDFA) sekä symboliseen dynamiikkaan. Lisäksi esitellään kaksi uutta symboliseen dynamiikkaan perustuvaa lähestymistapaa, joiden tarkoituksena on huomioida paremmin vaihteleva sydämen syketaajuus. Analyysi perustuu pitkäkestoisiin elektrokardiogrammimittauksiin julkisesti saatavilla olevista aineistoista, jotka sisältävät sekä AF-potilaita että terveitä henkilöitä. Sykevaihtelumittarit lasketaan sydämen lyöntiväleistä ja niitä verrataan ryhmien välillä yleisesti sinusrytmin aikana. Lisäksi tarkastellaan näiden mittareiden kehitystä lähellä AF-kohtauksen alkua. Tulokset osoittavat, että AF-potilailla esiintyy muuttuneita sykevaihtelun malleja sinusrytmin aikana verrattuna terveisiin henkilöihin. Erityisesti havaitaan lisääntynyttä lyhyen aikavälin vaihtelua sekä heikentynyttä korrelaatiorakennetta. Vaikka väestötason trendejä voidaan tunnistaa, luotettavaa ennustavaa merkkiä lähestyvästä AF-kohtauksesta ei löydetä yksilöiden välisen suuren vaihtelun vuoksi. Nämä havainnot viittaavat siihen, että eteisvärinään liittyy pysyviä muutoksia sydämen dynamiikassa myös rytmihäiriökohtausten ulkopuolella. Toisaalta tulokset korostavat AF-kohtausten ennustamisen haasteita. Jatkotutkimuksia tarvitaan suuremmilla ja monipuolisemmilla aineistoilla, jotta voidaan selvittää, voidaanko luotettavia ennustavia tunnusmerkkejä kehittää.

Atrial fibrillation (AF) affects a large number of people worldwide and is the most common sustained cardiac arrhythmia. One of its most serious complications is stroke, a potentially life-threatening event in which a blood clot blocks blood flow to part of the brain. Because AF episodes can occur without noticeable symptoms, identifying individuals at risk remains a challenge. This thesis focuses on whether measurable changes in heart rhythm occur before the onset of an AF episode, with the aim of enabling early intervention. In this thesis, heart rate variability (HRV) is used to study the dynamics of cardiac rhythm in patients with paroxysmal AF and in healthy control subjects. Both conventional and recently developed nonlinear HRV methods are considered. Special emphasis is paid on detrended fluctuation analysis (DFA), its extension dynamical DFA (DDFA), and symbolic dynamics. Two new approaches based on symbolic dynamics are introduced to better account for varying heart rates. The analysis is based on long-term electrocardiogram recordings from publicly available datasets for AF patients and healthy individuals. HRV measures are computed from the heartbeat interval series and compared between groups in general during sinus rhythm and additionally their evolution close to AF onset is examined. The results show that patients with AF exhibit altered variability patterns during sinus rhythm compared to healthy subjects. In particular, increased short-term variability and reduced correlation structure are observed. However, while population-level trends can be identified, no reliable predictive marker for approaching AF onset is found due to large variability between individuals. These findings indicate that AF is associated with persistent changes in cardiac dynamics even outside arrhythmic episodes. On the other hand, the results emphasize the challenges of predicting AF onset. Further studies with larger and more diverse datasets are required to determine whether reliable predictive markers can be established.