Wissenschaft

Paroxysmales Vorhofflimmern

Paroxysmales Vorhofflimmern (pVHF) oder auch anfallartiges Vorhofflimmern entzieht sich auf Grund seiner Charakteristik – dem zufälligen, anfallartigen Auftreten von Flimmerepisoden - meist der Entdeckung.  Symptome sind entweder nicht vorhanden oder sehr unspezifisch.  Es wird vermutet, dass die Dunkelziffer für die Erkrankung genauso hoch ist wie die bekannten Fälle. In Deutschland entspräche das etwa einer Million Menschen mit unerkanntem Vorhofflimmern (Kompetenznetz Vorhofflimmern). Das größte Risiko für diese Menschen ist der Schlaganfall.

Die Diskussion um eine verbesserte Diagnostik für das paroxysmale Vorhofflimmern nimmt in der medizinischen Forschung einen immer größeren Umfang an.  Das betrifft sowohl die klinische Vorgehensweise als auch präklinische Untersuchungen an Tier- und Zellmodellen zur Ursachenforschung und um eventuelle neue Ansätze für pharmakologische Therapien zu finden.

Ärzte- und Patientenorganisationen, speziell in Europa und den USA, weisen auf eine entstehende Schlaganfallkrise durch Vorhofflimmern hin und fordern entsprechende unterstützende Maßnahmen von der Politik, da bei rechtzeitiger Erkennung der Herzrhythmusstörung durch Antikoagulation das Risiko für einen Schlaganfall um bis zu 70% gesenkt werden kann [15].  Insbesondere die neuen Antikoagulantien tragen zu einer größeren Sicherheit bei reduzierten lebensbedrohlichen Blutungen bei.

Bessere Detektion von paroxysmalem Vorhofflimmern

Eine bessere Detektion von paroxysmalem Vorhofflimmern kann mit unterschiedlichen Maßnahmen, aber auch unterschiedlichem Erfolg und Aufwand, erreicht werden. Ziel ist immer die Dokumentation einer der zufällig auftretenden Flimmerepisoden.

Da der Zeitpunkt des Auftretens einer Flimmerepisode nicht vorhergesagt werden kann, ist die Länge der Aufzeichnung eines EKG zur Detektion eines Ereignisses ein entscheidender Faktor. Eine Aufzeichnungszeit von 7 Tagen oder mehr bedeutet aber auch einen wesentlich höheren Zeitaufwand für die Analyse, was in der täglichen Praxis kaum noch zu leisten ist. Auch die Bereitschaft der Patienten, über einen längeren Zeitraum an einem EKG Rekorder angeschlossen zu sein, lässt nach. Daher wird meist auch nur ein 24-Std.-EKG aufgezeichnet, was erwiesenermaßen eine unzureichende Sensitivität hat [1]. Auch der Einsatz von Event-Rekordern bringt zwar eine weitere Erhöhung der Detektionsrate, löst aber das Problem nicht grundsätzlich.  

Eine längere EKG-Aufzeichnung ist daher nur sinnvoll, wenn eine automatische Analyse zur Detektion von Flimmerepisoden zur Verfügung steht.

Die Schlaganfall Risiko Analyse ist ein solches Verfahren dessen Validität und Zuverlässigkeit inzwischen auch in klinischen Studien bewiesen werden konnte.  Die Detektion von Flimmerepisoden > 30 s geschieht mit der gleichen Genauigkeit wie bei einer Auswertung durch einen Kardiologen.

Wissenschaftlicher Hintergrund zur Schlaganfall Risiko Analyse

Zahlreiche wissenschaftliche Untersuchungen der letzten 20 Jahre haben gezeigt, dass in der Dynamik des Herzschlages (definitionsgemäß: Dynamik der RR-Intervalle) wesentlich mehr Informationen über die Funktionalität und Zustandsbilder des Herzens verborgen sind, als nur die Herzrate. Eine Reihe von publizierten Arbeiten haben gezeigt, dass es möglich ist, mit mathematischen Ansätzen, vornehmlich nichtlineare Parameter,  Flimmerepisoden zu erkennen und auch eine Vorhersage zu treffen, ob es sich bei dem entsprechenden EKG um einen Patienten mit paroxysmalem Vorhofflimmern handelt oder nicht. Denn nicht in allen Fällen ist nach dem Ende einer Flimmerepisode reiner Sinusrhythmus zu beobachten, so dass sich auch ohne vorhandene Flimmerepisoden ein Patient mit paroxysmalem Vorhofflimmern mit einer gewissen Wahrscheinlichkeit identifizieren lässt [2,3,4,5,6,7,8].

Die mathematische Bearbeitung eines EKGs, insbesondere mit nichtlinearen Verfahren, ist mit einer Zeitreihenanalyse möglich. Dahinter verbirgt sich die Analyse einer zeitabhängigen Folge von Datenpunkten, im Falle des EKGs der R-Zacken. Am Anfang steht eine graphische Darstellung der Verteilung der Datenpunkte. Hierzu werden aus einer EKG-Aufzeichnung aufeinander folgende RR-Intervalle in einem Koordinatensystem aufgetragen. Das 1. Intervall auf der X-Achse, das 2. Intervall auf der  Y-Achse, usw., wie in der folgenden Abbildung skizziert. Für eine mathematische Analyse können auch 3,4 oder mehr Intervalle aufgetragen werden, was sich aber graphisch nicht mehr darstellen lässt.


Aus einer Kombination von 6 Parametern zur Beschreibung dieser Muster aus den RR-Intervallen und dem Vergleich mit einem Kollektiv gesunder Probanden, konnten Veränderungen der Herzschlagdynamik, die in Zusammenhang mit paroxysmalem Vorhofflimmern stehen, mit hoher Sensitivität identifiziert werden (siehe Publikationen zu SRA).

Im vollkommen automatisierten SRA-Verfahren wird das EKG-Signal vor der eigentlichen Berechnung von Artefakten bereinigt und eventuell vorhandene VES werden identifiziert, da sie nicht in die Berechnung des Risikos für Vorhofflimmern eingehen. Gleichzeitig kann damit zwischen Herzrhythmusstörungen im Zusammenhang mit Vorhofflimmern und anderen Herzrhythmusstörungen unterschieden werden.

Der für SRAdoc entwickelte Algorithmus basiert auf einer Reihe zum Teil publizierter nichtlinearer Parameter der Zeitreihenanalyse zur Vorhersage von paroxysmalem VF [9,10,11], Typ und Anzahl vorzeitiger atrialer Komplexe, geometrische Parameter des Lorenzplots [12], HRV-Parameter [13], ebenfalls HRV-Parameter unter Einbeziehung vorzeitiger atrialer Komplexe und die approximative Entropie [14] als Maß für die Komplexität der Schlagabfolge. Ventrikuläre Schläge sind bei allen Parametern ausgeschlossen. Die meisten Parameter wurden auch für die normalisierten Differenzen der RR Intervalle berechnet.

Diese Parameter gehen ein in eine Klassifizierung der Gruppen:

  • Sinusrhythmus
  • Andere Herzrhythmusstörungen*
  • Atriale Herzrhythmusstörungen
  • Signifikante Anzeichen für paroxysmales Vorhofflimmern
  • Signifikante Anzeichen für akutes Vorhofflimmern

*Ventrikuläre Schläge gehen nicht in die Berechnung des Risikos für VF ein. Da sie vor der Berechnung ausgeschlossen werden müssen, sind sie bekannt und werden im Lorenzplot rot dargestellt.

Literaturverzeichnis
1. Barthélémy, J.-C., Féasson-Gérard, S., Garnier, P., Gaspoz, J.-M., Costa, A. D., Michel, D. and Roche, F. (2003)
Automatic Cardiac Event Recorders Reveal Paroxysmal Atrial Fibrillation after Unexplained Strokes or Transient Ischemic Attacks. Annals of Noninvasive Electrocardiology
8: 194–199. doi: 10.1046/j.1542-474X.2003.08305.x

2. G. Schmidt, G. E. Morfill
Complexity Diagnostics in Cardiology: Fundamental Consideration
PACE (1994), 17,1174-1177; DOI: 10.1111/j.1540-8159.1994.tb01476.x

3. G. Schmidt, G. E. Morfill
Complexity Diagnostics in Cardiology: Methods
PACE (1994), 17,2336-2341; DOI: 10.1111/j.1540-8159.1994.tb02383.x

4. A. Pathak, P. Harwardt, R. Reinhardt, S. Arrenbrecht, J.M. Senard, M. Galinier
Prognostic value for cardiac death of a novel micro-time-domain heart rate variability parameter compactness alone and in conjunction with conventional HRV parameters in CHF patients
European Heart Journal (2004), 25; Suppl.1,P3361

5. Vikman S, Makikallio TH, Yli-Mayry S, Pikkujamsa S, Koivisto AM, Reinikainen P, Airaksinen KE, Huikuri HV:
Altered complexity and correlation properties of R-R interval dynamics before the spontaneous onset of paroxysmal atrial fibrillation.
Circulation 1999;100:2079-2084; doi: 10.1161/01.CIR.100.20.2079

6. A.J.E. Seely, P. T. Macklem
Complex Systems and technology of variability analysis
Critical Care (2004);8:R367-R384; doi:10.1186/cc2948

7. R. Acharya U, A. Kumar, P. S. Bhat, C. M. Lim, S.S. Iyengar, N. Kannathal, S. M. Krishnan
Classification of cardiac abnormalities using heart rate signals
Med.Biol.Eng.Comput.,(2004)42,288-293

8. M. Costa, A. L. Goldberger, C.-K. Peng
Multiscale entropy analysis of biological signals
Physical Review E (2005) 71, 021906

9. Krstacic G, Gamberger D, Smuc T, Krstacic A:
Some Important R-R Interval Based Paroxysmal Atrial Fibrillation Predictors
Computers in Cardiology 2001 Challenge 2007; 2001

10. Thong T, McNames J, Aboy M, Goldstein B:
Prediction of paroxysmal atrial fibrillation by analysis of atrial premature complexes
IEEE Trans.Biomed.Eng 2004;51:561-569

11. Liu Y, Zeng W, Delmar M, Jalife J:
Ionic mechanisms of electronic inhibition and concealed conduction in rabbit atrioventricular nodal myocytes
Circulation 1993;88:1634-1646

12. Stefan Wiese
Falluntersuchungen zur nicht-linearen Dynamik der Arrhythmia absoluta
Dissertation Rheinisch-Westfälische Technische Hochschule Aachen, 1999

13. Task Force of the European Society of Cardiology the North American Society of Pacing Electrophysiology
Circulation. 1996;93:1043-1065

14. Meijler FL, Jalife J, Beaumont J, Vaidya D:
AV nodal function during atrial fibrillation: the role of electrotonic modulation of propagation
J.Cardiovasc.Electrophysiol. 1996;7:843-861

15. Kirchhof P, Adamou A, Knight E, Lip GYH, Norrving B, de Pouvourville G, Ulmer U (2009)
How Can We Avoid a Stroke Crisis?
Working Group Report: Stroke Prevention in Patients with Atrial Fibrillation
ISBN 978-1-903539-09-5
© Oxford PharmaGenesis™ Ltd 2009