Comparaison directe avec le gold standard pour les maladies cardiovasculaires

Une étude récente a examiné la concordance entre la variabilité de la fréquence cardiaque dérivée du signal photopléthysmographique d’une montre intelligente disponible dans le commerce et la variabilité de la fréquence cardiaque dérivée de l’électrocardiogramme haute résolution (gold standard) chez des patients atteints de maladies cardiovasculaires.

La variabilité de la fréquence cardiaque (VFC) reflète la variation des intervalles de battements cardiaques et constitue un outil non invasif éprouvé pour évaluer l’état fonctionnel du système nerveux autonome cardiaque [2]. Un dysfonctionnement du système nerveux autonome, souvent caractérisé par une hyperactivité du système sympathique et un repli vagal, joue un rôle clé dans la pathogenèse de plusieurs maladies cardio- et cérébrovasculaires et est donc associé à un moins bon pronostic [3,4]. En conséquence, les mesures de la VRC ont été proposées pour prédire le risque chez les patients atteints de maladies cardiovasculaires, y compris l’infarctus du myocarde, l’insuffisance cardiaque chronique, le diabète sucré, l’accident vasculaire cérébral ischémique et d’autres [5–8].

A partir des mesures traditionnelles de VRC standard dans le domaine temporel et fréquentiel, un grand nombre de mesures non standard [9] ont été développées, notamment des marqueurs de complexité à court terme [10], d’entropie [11] ainsi que l’analyse Poincare Plot [12], de capacité de décélération (DC) [13] et de turbulence de fréquence cardiaque [14]. Bien que certaines de ces mesures aient donné des résultats prometteurs en tant que prédicteurs de risque dans le cadre d’essais cliniques de grande envergure, la VRC a été peu utilisée en pratique clinique.

Même un enregistrement de 5 minutes de l’électrocardiogramme (ECG) permet d’analyser le VRC [2]. Cependant, à des fins de prédiction des risques, l’analyse de la VRC est généralement effectuée avec des enregistrements ECG plus longs, en particulier lorsque les paramètres de la VRC qui capturent les composantes à basse fréquence de la VRC sont évalués. Cela peut limiter l’applicabilité de la VRC dans la vie quotidienne, en particulier si la VRC doit être utilisée comme outil de surveillance continue dans un environnement ambulatoire. Avec certaines restrictions, la VRC peut également être calculée à partir d’enregistrements d’ondes de pouls par photopléthysmographie (PPG) [15]. Par conséquent, l’adoption croissante par la population de wearables intégrant des capteurs PPG pourrait faire de l’analyse VRC basée sur la PPG avec des appareils intelligents disponibles dans le commerce une approche future prometteuse. Deux petites études dans des groupes de population en bonne santé ont déjà montré la faisabilité générale des marqueurs VRC basés sur les smartwatches [16,17]. Cependant, la précision de la VRC basée sur la PPG dérivée d’une smartwatch dans des populations plus larges souffrant de maladies cardiovasculaires ou cérébrovasculaires et qui pourraient bénéficier d’une surveillance continue des risques est inconnue.

L’objectif d’une étude récente était donc de déterminer la précision des marqueurs VRC standard et non standard calculés à partir des enregistrements PPG d’une montre intelligente disponible dans le commerce, par rapport aux mesures VRC dérivées de l’ECG, chez un nombre pertinent de patients atteints de maladies cardio- et cérébrovasculaires [1].

Conception de l’étude et participants

L’étude a porté sur trois cohortes différentes qui se sont présentées dans un service ambulatoire de cardiologie entre juin 2021 et juillet 2022 : Patients après un infarctus du myocarde avec sus-décalage du segment ST (cohorte STEMI), patients après un accident vasculaire cérébral ischémique (cohorte STROKE) et patients sans maladie cardiovasculaire structurelle connue (cohorte CONTROL).

Les critères d’inclusion de la cohorte STEMI étaient les patients présentant un premier STEMI et traités par une intervention coronarienne percutanée primaire dans les 24 heures suivant l’apparition des symptômes. Les critères d’inclusion de la cohorte STROKE étaient les patients ayant subi un AVC ischémique aigu confirmé par scanner ou IRM et dont les symptômes avaient débuté dans les 30 jours précédant l’hospitalisation. La cohorte CONTROL comprenait des patients sans antécédents connus de maladies cardiovasculaires structurelles manifestes. Les critères d’inclusion généraux comprenaient un âge ≥18 ans et la présence d’un rythme sinusal. Les patients présentant des battements ventriculaires prématurés fréquents (>10% du nombre total de battements) ou de mauvaise qualité ont été exclus.

Enregistrements et traitement du signal

L’ECG et le PPG de tous les sujets ont été enregistrés simultanément pendant 30 minutes. Les enregistrements ont été effectués dans des conditions standardisées, en position couchée sur le dos et en respiration spontanée. Les stimuli externes (bruit, etc.) ont été réduits au minimum et les patients ont reçu l’instruction de se détendre.

Sur les 282 sujets pour lesquels des enregistrements ECG et PPG simultanés ont été réalisés, 263 répondaient aux critères d’inclusion et ont été inclus dans l’étude. Parmi eux, 104 ont eu un STEMI, 129 un AVC et 30 faisaient partie de la cohorte CONTROL. L’âge moyen de la cohorte totale était de 61 ans et 71 (27%) étaient des femmes. La durée médiane d’enregistrement était de 32,1 minutes. Dans les cohortes STEMI et STROKE, les enregistrements ont été effectués respectivement trois jours et cinq jours après les événements de l’indice. Les mesures VRC étaient significativement plus faibles dans les cohortes STEMI et STROKE par rapport à la cohorte CONTROL (P <0,05 pour toutes, sauf pour DF-α2).

Évaluation de la variabilité de la fréquence cardiaque

La concordance entre les mesures PPG et ECG a été évaluée à l’aide du coefficient de corrélation de concordance de Lin (ρc), du coefficient de corrélation intraclasse (ICC ; modèle à effets mixtes bidirectionnels), de l’erreur moyenne absolue (MAE), de l’erreur moyenne absolue en pourcentage (MAPE) et des diagrammes de Bland-Altman avec les distorsions calculées et les limites de concordance (LoA). Les concordances entre les métriques VRC dérivées de l’ECG et celles dérivées de la PPG sont présentées dans la figure 1 [1]. Les concordances les plus élevées ont été observées pour la fréquence cardiaque moyenne (ρc=0,9998), le SDANN (ρc=0,9617), la puissance VLF (ρc = 0,9613) et le SD2 (ρc=0,9523). A l’inverse, SD1 (ρc=0,6617), rMSSD (ρc=0,6617) et DF-α1 (ρc=0,5919) ont présenté les concordances les plus faibles. En ce qui concerne la puissance RF, les concordances SD1, rMSSD et DF-α1 étaient plus faibles dans les cohortes STEMI et STROKE par rapport aux témoins. Pour tous les autres marqueurs, les concordances étaient similaires dans les trois cohortes. Les coefficients de corrélation intra-classe allaient de 0,6318 pour le DF-α1 à 0,9998 pour la fréquence cardiaque moyenne. La concordance a été jugée excellente pour sept (50%), bonne pour trois (21%), moyenne pour quatre (29%) et mauvaise pour aucun des marqueurs. Aucun écart systématique n’a été observé, les écarts étant proches de zéro pour toutes les analyses. Une correspondance presque parfaite a été trouvée pour VLF et SD2, tandis que DCt4, SDNN, SDANN, HRVi et DF-α2 ont montré une correspondance importante. En revanche, une faible concordance a été observée pour rMSSD et SD1.

De plus, la concordance entre le contenu de puissance dérivé de l’ECG et celui dérivé de la PPG a été calculée dans des bandes de fréquence se chevauchant arbitrairement afin d’évaluer une éventuelle relation entre la fréquence spectrale VRC et la concordance respective. Comme le montre la figure 2 [1], une relation inverse a été observée entre la fréquence spectrale VRC et la concordance entre les métriques VRC dérivées de l’ECG et celles dérivées de la PPG (r=-0,94, p<0,0001). Cette tendance a été observée dans les trois cohortes.

Les paramètres RH dérivés de la smartwatch offrent une alternative pratique

En résumé, l’étude fournit des preuves suffisantes que le calcul des marqueurs VRC à partir du signal PPG d’une smartwatch est possible dans des conditions de repos. La concordance entre la VRC dérivée de la montre intelligente et la VRC dérivée de l’ECG haute résolution est excellente pour les paramètres à basse fréquence, mais modérée pour les métriques à haute fréquence, en particulier chez les patients souffrant de maladies cardio- ou cérébrovasculaires connues. Des études futures sont nécessaires pour valider ces résultats dans des situations réelles.

Littérature :

1. Theurl F, et al : Smartwatch-derived heart rate variability : a head-to-head comparison with the gold standard in cardiovascular disease. European Heart Journal 2023 ; doi : https://doi.org/10.1093/ehjdh/ztad022.
2. Task Force of the ESC : Heart rate variability standards of measurement, physiological interpretation, and clinical use. Circulation 1996 ; 93:1043-1065.
3. Corr P, et al. : Mechanisms Controlling Cardiac Autonomic Function and Their Relation to Arrhythmogenesis. New York : Raven Press ; 1986.
4. Lown B, Verrier RL : Activité neuronale et fibrillation ventriculaire. N Engl J Med 1976 ; 294 : 1165-1170.
5. Kleiger RE, et al : Decreased heart rate variability and its association with increased mortality after acute myocardial infarction. Am J Cardiol 1987 ; 59 : 256-262.
6. Adamson PB, et al : Évaluation continue de l’autonomie chez les patients souffrant d’insuffisance cardiaque symptomatique : valeur pronostique de la variabilité de la fréquence cardiaque mesurée par un dispositif de resynchronisation cardiaque implanté. Circulation 2004 ; 110 : 2389-2394.
7. Gerritsen J, et al : Une fonction autonome déficiente est associée à une augmentation de la mortalité, en particulier chez les sujets diabétiques, hypertendus ou ayant des antécédents de maladie cardiovasculaire : l’étude Hoorn. Diabetes Care 2001 ; 24 : 1793-1798.
8. Yperzeele L, et al : Heart rate variability and baroreceptor sensitivity in acute stroke : a systematic review. Int J Stroke 2015 ; 10 : 796-800.
9. Sassi R, et al : Advances in heart rate variability signal analysis : joint position statement by the e-Cardiology ESC Working Group and the European Heart Rhythm Association co-endorsed by the Asia Pacific Heart Rhythm Society. Europace 2015 ; 17 : 1341-1353.
10. Peng CK, et al : Quantification of scaling exponentials and crossover phenomena in non-stationary heartbeat time series. Chaos 1995 ; 5 : 82-87.
11. Richman JS, Moorman JR : Analyse physiologique des séries temporelles en utilisant l’entropie approximative et l’entropie d’échantillon. Am J Physiol Heart Circ Physiol 2000 ; 278 : H2039-H2049.
12. Huikuri HV, et al : Abnormalities in beat-to-beat dynamics of heart rate before the spontaneous onset of life-threatening ventricular tachyarrhythmias in patients with prior myocardial infarction. Circulation 1996 ; 93 : 1836-1844.
13. Bauer A, et al : Capacité de décélération du rythme cardiaque en tant que prédicteur de mortalité après infarctus du myocarde : étude de cohorte. Lancet 2006 ; 367 : 1674-1681.
14. Schmidt G, et al : La turbulence du rythme cardiaque après des battements ventriculaires prématurés comme prédicteur de mortalité après une infarctus du myocarde. Lancet 1999 ; 353 : 1390-1396.
15. Vescio B, et al : Comparaison entre la détection électrocardiographique et la détection photopléthysmographique des pulsations auriculaires pour l’évaluation de la variabilité de la fréquence cardiaque chez des sujets sains dans des enregistrements à court et à long terme. Sensors (Bâle) 2018 ; 18 : 844.
16. Hernando D, et al. : Validation de la montre Apple pour la mesure de la variabilité du rythme cardiaque pendant la relaxation et le stress mental chez des sujets en bonne santé. Sensors (Bâle) 2018 ; 18:2619.
17. Miller DJ, Sargent C, Roach GD : A validation of six wearable devices for estimating sleep, heart rate and heart rate variability in healthy adults. Sensors (Bâle) 2022 ; 22 : 6317.

CARDIOVASC 2023 ; 22(3) : 46-48