Patroonherkenning in hartslag variabiliteit met draagbare gezondheidsmonitor bij patienten met cardiovasculaire ziekte.

Hartslagvariabiliteit (HRV) is een niet-invasieve parameter die de variatie in
de hartslag binnen een tijdsbestek aangeeft. HRV biedt een maat voor hoe
proefpersonen reageren en zich aanpassen aan stress, fysieke vermoeidheid en
veranderingen in de stofwisseling en ziekte. Verschillende andere onderzoeken
hebben aangetoond dat HRV een prognostische indicator is van aritmische
gebeurtenissen en mortaliteit bij deelnemers aan de studie die een
myocardinfarct hebben ondergaan en bij deelnemers aan een congestief
hartfalenonderzoek. Bij studiedeelnemers met hartfalen zijn verminderde of
abnormale HRV indicatoren voor een verhoogd risico op mortaliteit.

Draagbare gezondheidsmonitor, zoals de FitBit, zijn niet-invasieve hulpmiddelen
die de HRV van studiedeelnemers in een poliklinische setting gemakkelijk kunnen
volgen met behulp van een fotoplethysmo-grafische (PPG) sensor.
De herkenning van een uniek HRV-patroon met behulp van artificial intelligence
bij hart- en vaatziekten zou klinisch relevant kunnen zijn bij het vroegtijdig
opsporen van cardiovasculaire events zoals optreden van boezemfibrilleren of
decompensatio cordis bij hartfalen patienten, zonder de deelnemer in het
ziekenhuis aan potentiële invasieve en belastende tests te onderwerpen.
Met behulp van machine learning veronderstellen we dat voor elke
respectievelijke hart- en vaatziekte, zoals permanent atriumfibrilleren en
systolisch hartfalen, een uniek op HRV gebaseerd patroon worden kan gevonden.

Doel van deze studie is om te onderzoeken of een hart- en vaatziekte
gerelateerd HRV-patroon kan worden gevonden met behulp van een draagbare
gezondheidsmonitor,met als doel om vroegtijdig cardiovasculaire ziekten op te
sporen.

Single-center observationele feasibility studie.

Geen