心力衰竭患者在昼夜节律周期中心肺耦合的时间特性 Natalia Buitrago-Ricaurte, José Javier Reyes-Lagos, Karsten Berg, Rafael González Ni?o, Thomas Penzel, Niels Wessel

《Entropy》:Temporal Properties of Cardiorespiratory Coupling in Patients with Heart Failure During the Circadian Cycle Natalia Buitrago-Ricaurte, José Javier Reyes-Lagos, Karsten Berg, Rafael González Ni?o, Thomas Penzel and Niels Wessel

【字体: 大 中 小 】 时间:2026年05月08日 来源:Entropy 2

编辑推荐:

  摘要 心力衰竭(HF)伴随着自主神经调节紊乱和生理节律的破坏,然而在日常生活中,心肺耦合(CRC)如何在昼夜周期中重新组织仍未完全阐明。我们研究了88名健康对照组和75名心力衰竭患者的24小时动态心电图(ECG)记录。通过标准的心率变异性(HRV)指数和符

  摘要 心力衰竭(HF)伴随着自主神经调节紊乱和生理节律的破坏,然而在日常生活中,心肺耦合(CRC)如何在昼夜周期中重新组织仍未完全阐明。我们研究了88名健康对照组和75名心力衰竭患者的24小时动态心电图(ECG)记录。通过标准的心率变异性(HRV)指数和符号/熵描述符来量化心脏自主神经动态,并使用24小时余弦模型评估昼夜组织结构。呼吸时序是从ECG衍生的呼吸信号(EDR)中提取的,以获得呼吸间间隔(BB)和脉搏-呼吸商(PRQ)。系统级别的耦合主要通过基于协调图的协调百分比来评估,这些百分比是在两个时间容忍度(ε = 0.1秒和ε = 0.2秒)下计算得出的,覆盖24小时,并通过RR、BB、PRQ和RR-BB交叉熵的熵基不规则性进行补充。心力衰竭患者的整体HRV较低,RR动态的信息内容减少,同时存在昼夜节律紊乱,主要表现为节律表达减弱和个体间相位分散增加。CRC的差异取决于时间容忍度和一天中的时间。在基于熵的轮廓中,RR-BB交叉熵和RR熵没有显示出特定时间的差异;相反,组间差异表现在HF患者的夜间早期ApEn较高,以及对照组在白天/傍晚早期FuzzEn持续较高。这些发现共同表明,心力衰竭患者的心脏自主神经动态和CRC存在时间结构上的重塑,在适当的 时间容忍度和昼夜(小时级)分辨率下,自主神经功能的损害和耦合变化最为明显。

1. 引言
心血管和呼吸功能在24小时周期内表现出振荡活动,这使系统能够对短期挑战具有韧性,同时保持在稳定的生理阈值范围内[1]。与此同时,呼吸功能也遵循昼夜振荡,表现为气道力学、通气和肺免疫活动的日变化,从而在24小时周期内塑造适应性呼吸反应[2]。短期内,心脏表现出规律性的电活动,允许其对代谢、血流动力学和自主神经挑战做出灵活的动态传导-收缩耦合响应。这些短期和长期的时间动态使系统能够与内部和外部信号同步,以优化资源分配、维持稳态并适应环境需求[3]。研究时间特性需要评估生理描述符,如复杂性、多样性及发散性,这些指标反映了系统响应的灵活性、丰富性和鲁棒性[4,5]。通过嵌入在时间模式中的自主神经功能来解释心脏电活动和呼吸活动,对于理解其在健康和疾病状态下的生理意义至关重要[6,7]。

在病理状态下,心脏和呼吸节律的时间结构通常会变得失调,这反映了对外部压力(如代谢、血流动力学和神经激素因素)的不适应性反应,并与氧合不良和临床恶化相关[8,9,10]。在糖尿病、冠状动脉疾病、慢性呼吸道疾病和心力衰竭等可改变的疾病中,心脏电信号的复杂性、多样性及昼夜调节减弱[11,12,13]。这些变化可能由自主神经灵活性降低、同步机制受损以及神经激素调节紊乱解释[11,12]。衰老作为一个不可改变的关键因素,也会对心脏和呼吸信号的时间特性产生显著影响;随着年龄的增长,这些时间动态趋向于幅度减弱、变异性降低和节律复杂性丧失[13,14]。

心力衰竭(HF)是一种高发的疾病,其特征是心脏收缩力、电特性和自主神经调节受损,这些损伤由可改变和不可改变的因素长期作用引起,最终导致适应不良的过程。肾素-血管紧张素系统的激活、向无氧代谢的转变以及自主神经失衡会导致心脏组织重塑,进而引起泵功能失调、心律失常和血流动力学调节障碍[15]。特别是心律失常增加了心力衰竭患者的死亡率和不良预后。众所周知,重塑的心脏表现出传导路径改变、复极化异质性以及纤维化增加,导致电不稳定性和再入回路,最终引发心房颤动和各种室性心律失常[12,16]。除了收缩和电重构外,心力衰竭还伴随着心脏和呼吸节律之间的相互作用改变[17]。心肺耦合(CRC)描述了心脏和呼吸节律在行为状态和机制上的相互作用,为理解自主神经网络的调节及其在健康-疾病连续体中的变化提供了一个综合视角[18]。CRC的一种常见模式是事件时间协调,即心脏事件与呼吸事件的时间对齐。在这项研究中,我们主要通过基于协调图的事件时间协调来评估CRC,并结合基于熵的描述符来描述心脏、呼吸和综合时间动态。例如,在射血分数降低的心力衰竭患者中,CRC指数与心肌恢复表型相关[19],并且将非线性符号动态应用于心脏和呼吸间隔序列可以区分慢性心力衰竭中的异常呼吸模式,突显了考虑交互作用的指标的潜在价值[20]。然而,目前关于心力衰竭的CRC研究受到样本量小、信号处理方法异质性以及关注横截面关联而非机制分析的局限。

心脏心律失常会影响CRC,改变呼吸活动的时间结构,可能加剧心力衰竭中观察到的不稳定的耦合[21]。心律失常是反映心力衰竭功能性、收缩性和自主神经干扰的时间变化。已知心律失常会增加心率变异性(HRV)、信号复杂性和心脏电活动的不可预测性。不幸的是,心律失常可能是无症状的、短暂的,并且在许多情况下难以检测。其次,心力衰竭患者的心脏活动在昼夜周期内的时间动态仍不十分清楚[12]。第三,人们对这些时间干扰与潜在的自主神经调节紊乱、心肺耦合和疾病进展之间的关系了解有限[22]。因此,我们提出了以下研究问题:心力衰竭中昼夜心肺耦合的时间特性是什么?我们的动机是识别加剧脆弱性的关键时间窗口,以帮助早期诊断并改进治疗策略。据此,我们的目标包括:(i)使用熵和符号描述符描述24小时的心脏自主神经动态模式;(ii)表征这些时间指标的昼夜变化;(iii)评估心脏时间组织的改变是否伴随着心肺耦合的破坏和心肺节律的不规则性增加。这项工作对于通过将CRC和节律不规则性整合到24小时框架中来推进心力衰竭中自主神经节律紊乱的表征具有重要意义,从而为临床风险分层提供时间生物标志物,并支持开发基于生理节律的治疗干预措施。

2. 材料与方法
2.1. 受试者
我们进行了一项观察性回顾性研究,分析了163名个体(88名对照组和75名心力衰竭患者)的数据。对照组来自Telemetric and Holter ECG Warehouse(THEW)数据集,其中包含来自多项研究的连续心电图记录和临床信息,包括健康志愿者[23]。我们使用了G*Power 3(版本3.1.9.7,德国杜塞尔多夫海因里希海涅大学)进行了预先功效分析,结果显示样本量为160时可以在0.05的alfa水平下达到0.95的统计功效,以检测独立样本t检验中的中等效应大小。功效分析方法遵循Faul等人的方法[24]。心力衰竭组参与者是波哥大Bucaramanga心脏研究所的门诊患者。根据报告的纳入标准选择了这些组[25]。

如果临床记录中报告或24小时ECG记录中检测到以下情况,则排除心力衰竭患者:心房颤动、存在起搏器或植入式复律除颤器、显著的心律失常(频繁的早搏或室性早搏、室上性或室性心动过速)、中度至重度的瓣膜性心脏病、慢性肺病(COPD)、间质性肺病以及诊断出的睡眠呼吸暂停。其他排除标准包括ECG信号质量差和记录不完整。对照组个体的记录使用SpaceLab-Burdick数字Holter记录仪(美国威斯康星州迪尔菲尔德,SpaceLab-Burdick公司)获得,而心力衰竭患者的记录则使用Sentinel-Pathfinder SL?(美国华盛顿州斯诺夸尔米,Spacelabs Healthcare公司,V.9800)获得。这两种设备的采样率为150 Hz,ADC为12位。由于采集系统固定采样率为150 Hz,因此无法对更高采样率的记录进行直接敏感性分析,因此无法重新分析更高分辨率的相同信号。记录从20分钟的仰卧基线开始,随后是24小时的自由活动期间。这项研究获得了哥伦比亚波哥大Bucaramanga心脏研究所伦理委员会的批准(协议编号06,2023年11月8日)。心电图活动在24小时内使用三个伪正交配置(X、Y和Z)的导联进行监测[26]。采样频率为150 Hz,幅度分辨率为10μV。记录由专业技术人员使用Vision Premier(Vision Premier版本3.5,美国威斯康星州迪尔菲尔德,SpaceLab-Burdick公司)进行视觉监督和手动去伪迹处理。

2.2. 心电图(ECG)信号和RR间隔提取的预处理
ECG预处理遵循既定的指南[27,28]。我们通过使用Kubios(版本4.3.1;芬兰Kuopio,Kubios公司)中的噪声检测和基于阈值的心跳校正来识别和去除伪迹。在402份符合条件的记录中,由于记录不完整、强烈的阈值心跳校正(定义为总心跳的>5%)和异位心跳率>10%,我们排除了近60%的记录(图S1)。五份分析记录需要进行心跳校正,校正后的心跳在1-3%以内。我们同意,仅去除伪迹和异位心跳并不能确保数据的平稳性。为了解决这个问题,我们将数据分割成短窗口(5分钟),并应用Kubios去趋势处理(平滑先验)。因此,假设了近似的局部平稳性,这与HRV标准一致。最后,我们根据每个小时的第一个干净时间段为时间域和频率域参数选择了无伪迹窗口(5分钟),以及每个小时的30分钟用于符号动态指标(图1)。为了提高数据质量,只保留了校正幅度最小(≤3%校正心跳)的记录段进行分析。

2.3. 从ECG导出的呼吸(EDR)、呼吸间间隔(BB)和PRQ的计算
从R波幅度的逐心跳调制中获得了ECG衍生的呼吸(EDR),遵循已发布的基于幅度的ECG衍生呼吸方法[29,30]。简而言之,ECG被过滤以去除电源线干扰并减少基线漂移,然后使用自动算法检测R峰[31]。在检测到的R峰位置采样R峰幅度,以获得EDR的支持点。去除异常值后,使用分段三次Hermite插值方法重建连续的替代呼吸波形。然后对重建的EDR信号进行带通滤波(重建程序的默认设置为0.05–0.8 Hz),并用其识别呼吸开始点并计算呼吸间间隔(BB)序列。先前的研究表明,基于幅度的EDR可以在多种情况下提供临床有用的呼吸动态替代指标,包括与睡眠相关和心力衰竭相关的呼吸评估。然而,由于当前数据集中没有同时记录的参考呼吸信号,因此应将EDR解释为用于时间分析的实用呼吸波形替代品,而不是直接呼吸测量的验证替代品[32]。呼吸开始时间操作定义为EDR信号二阶导数的负零交叉点。这种开始时间的定义被用作推导BB间隔和随后协调分析的可重复时间规则,应理解为当前CRC框架内的特定实现选择。不同的呼吸事件定义可能会产生略有不同的BB时间标记。

心脏节律由同一ECG记录获得的RR间隔序列表示。瞬时脉搏-呼吸商(PRQ)序列是通过RR和BB计算得出的,作为心脏与呼吸速率的比率[33],并与个别RR和BB序列一起进行分析。此外,每小时呼吸频率(RPM)是根据BB间期(BR = 60/BB)计算得出的,并按小时进行总结;结果报告在补充材料中(图S3)。2.4. 时间域和频率域:时间域和频率域的HRV参数是按照之前验证的方法进行分析的。共分析了十三个时间域指标(SDNN、cvNN、SDANN1、SDANN5、SDANN10、RMSSD、pNNl10、pNNl20、pNNl30、pNNl50、pNN50、pNN100和pNN200)以及十三个频率域HRV指标(总功率-TP、ULF、VLF、LF/HF、LF/TP、HF/TP、VLF/TP、ULF/TP、ULF + VLF + LF/TP、ULF + VLF/TP、UVLF、LFn和HFn),这些分析符合标准建议和先前的研究[28]。选择这些参数是因为它们有助于表征全身自主神经调节、交感-副交感神经平衡以及心脏自主调节的振荡成分。2.5. 符号动力学:我们采用了之前发表的方法来识别符号动力学[34]。RR间期序列被转换为基于预定义间隔变化阈值的四个符号的符号序列。然后使用三个连续符号构建符号词,这种配置广泛用于平衡对动态变化的敏感性和鲁棒性。从这个符号表示中,我们使用以下指标量化了词模式的分布:FORBWORD:出现概率小于0.001的词类型数量反映了符号序列的不确定性和信息内容。WSDVAR:符号词分布的方差,反映了符号模式出现的异质性。WPSUM02:属于低变异性模式类别的符号词的概率之和,与规律性动态相关。WPSUM13:属于低变异性模式类别的符号词的概率之和,与更复杂的动态相关。PLVAR:被分类在变异性类别中的符号模式的百分比(5=中等;10=高;20=非常高)。PHVAR:被分类在变异性类别中的符号模式的百分比(20=高;50=非常高)。FWSHANNON:符号词分布的香农熵,量化了符号序列的总体不确定性和信息内容。Rényi熵:(FWRENYI α = 0.25;α = 2和α = 4)给予频繁出现的符号模式更大的权重。2.6. 心肺耦合评估为事件时序协调:在这项工作中,心肺耦合(CRC)主要被定义为R峰和呼吸启动之间的事件时序协调,量化为在±ε(ε = 0.1秒和0.2秒)范围内的协调心跳百分比。事件时序协调是使用坐标图来量化的,即心脏和呼吸事件之间时间关系的二维地图[35,36]。首先,我们从EDR信号中获取了所有R峰和所有呼吸启动的时间戳。呼吸启动被认为是呼吸波形其二阶导数的负零交叉点,这提供了从吸气到呼气的转变的稳健时间。对于每个心跳,我们计算了R峰与其最近呼吸启动之间的时间差,在两个呼吸周期的范围内。将(y轴)与时间或呼吸指数(x轴)绘制出来,可以得到CRC的点表示。为了获得平滑的表示,我们估计了每个连续五个呼吸启动的滑动窗口内的Δt分布,使用核密度估计(带宽=0.1秒;Δt轴从-8秒到8秒,步长为0.05秒)。将这些分布随时间叠加,得到了坐标图,作为心脏和呼吸事件之间时间协调结构的平滑可视化。x轴代表时间(或呼吸次数),y轴代表心脏和呼吸事件之间的滞后Δt,颜色编码了概率密度。本研究中报告的主要定量CRC指标是从ε条带协调曲线得出的,而不是直接从核密度估计本身得出的。正值对应于呼吸启动后的心跳,而负值对应于呼吸之前的心跳。总之,CRC是从坐标图中使用受Berg方法启发的ε条带方法获得的[37]。对于一组容忍值(以秒为单位),我们计算了在水平带[-ε, +ε]内的心跳比例。这个比例,以所有心跳的百分比表示,定义了协调曲线,它量化了心脏节律与呼吸的耦合程度。从协调曲线中提取了在选定容忍度下的总结指标(例如,0.1秒和0.2秒),代表了窄和宽协调窗口内的“协调”心跳百分比。这些值是作为ε条带框架内经验选择的代表性时间窗口使用的,并非作为临床截止值。重要的是,ε仅用于基于坐标图的协调分析,并没有用于基于熵的复杂性分析,后者依赖于第2.7节描述的单独嵌入和容忍度参数。这些指标是为24小时记录中的每个小时段以及整个24小时时间序列计算的,然后作为CRC的标量度量。2.7. 基于熵的复杂性分析:为了分析心脏、呼吸和心肺时序的非线性变异性,我们使用EntropyHub工具箱在MATLAB R2024a(The MathWorks Inc., Natick, MA, USA)[38]中计算了RR、BB和PRQ时间序列的近似熵(ApEn)、样本熵(SampEn)和模糊熵(FuzzEn)。这些度量作为互补的而不是可互换的估计器使用。ApEn作为Pincus[39]提出的经典时间序列规律性参考度量被保留;SampEn作为一种较少偏见的替代方法,避免了Richman和Moorman[4]提出的自我匹配;FuzzEn作为一种更平滑的基于相似性的估计器。这种结合方法使我们能够确定组间差异是否在所有估计器中都是一致的,或者是否特定于某个熵定义。为了量化CRC,我们还计算了RR和BB序列之间的跨样本熵(X-SampEn)和跨模糊熵(X-FuzzEn)。熵的计算使用了每小时、昼夜分辨的工作流程。记录被分成连续的1小时段,并在每个段内测量熵,以观察复杂性的日常波动。在估计熵之前,时间序列被去趋势处理以减少缓慢漂移和非平稳性,然后归一化以便在不同受试者和窗口之间具有可比的容忍度阈值。由于熵算法对于长序列可能计算量很大,RR、BB和PRQ被分析为均匀采样的替代信号。保存的信号频率为4 Hz,当BB和PRQ时间向量与RR时间向量不完全匹配时,它们使用分段三次Hermite插值对齐到RR主时间。在每个小时窗口内,4 Hz信号被抽取4倍,得到1 Hz的表示用于熵估计。因此,熵度量是在均匀采样的间隔衍生信号上计算的,而不是在原始的不均匀间隔事件序列上计算的。这种方法选择是为了为单个序列和跨熵分析提供长度相同的时间序列,同时保持24小时窗口内的计算可行性。只有满足至少90%预期样本覆盖率的段才被保留。在每小时的工作流程中,这相当于每个窗口3600个样本的长度,每个序列(RR、BB和PRQ)至少需要3240个有效样本。让表示预处理的生理时间序列。延迟嵌入的模板向量的长度为,延迟为如以下方式形成:(1) 模板相似性使用Chebyshev距离进行量化:(2) 在所有熵指标中,我们使用了标准的生理参数选择:和。这些值代表了一致应用于所有受试者和组的常规分析设置,以确保可比性和可重复性,并不是为了反映心力衰竭中RR动态的参数优化过程[4,40,41,42]。这里,τ表示用于熵估计的均匀采样替代信号的样本中的嵌入延迟。在每小时分析中,经过降采样到1 Hz后,τ = 1,对应于1秒。容忍度(r)设置为窗口内变异性的固定比例:(3) 近似熵(ApEn)[39]对于ApEn,计算了距离内的模板比例:(4) 然后计算了模式相似性的平均对数似然:(5) 最后,ApEn定义如下:(6) 样本熵(SampEn)[4]为了减少有限样本偏差,SampEn排除了自我匹配情况。我们计算了长度为的模板的匹配概率:(7) 和长度为的模板的匹配概率:(8) 然后计算了SampEn:(9) 模糊熵(FuzzEn)[43]FuzzEn用平滑的模糊隶属函数替换了方程(4)、(7)和(8)中的硬阈值。使用指数为的指数(EntropyHub),我们定义了以下内容:(10) 长度为的模板的平均模糊相似性如下:(11) 并计算了FuzzEn:(12) 在实践中,熵值是使用EntropyHub实现的ApEn、SampEn和FuzzEn获得的;对于FuzzEn,我们使用了EntropyHub的默认模糊函数和指数。跨熵为了表征超出事件时序协调的CRC,我们计算了对齐的RR和BB间期衍生替代信号之间的交叉熵,这些信号在共同的时间网格上表示,通过比较跨系列的嵌入向量。跨系列距离定义如下:(13) 因此,方程(13)中的指标指的是对齐的RR和BB替代信号中的同步样本位置,而不是原始的逐次心跳和每次呼吸的事件序列。对于交叉熵,我们的实现中的容忍度是从每个窗口内连接的RR和BB样本的合并变异性中定义的:(14) 在我们的工作流程中,RR和BB首先被表示为共同时间网格上的均匀采样替代信号;在用于熵分析的最终版本中,两个序列在交叉熵估计之前都进行了均值中心和去趋势处理。因为RR和BB使用相同的单位(秒)表示,所以这种实现不涉及单位不匹配。然而,这种合并容忍度公式是特定于实现的,不应解释为每个序列的完全方差标准化。跨样本熵(X-SampEn)使用了以下跨匹配概率[4]:(15) (16) (17) 类似地,跨模糊熵(X-FuzzEn)使用了以下模糊相似性[44]:(18) (19) 所有的跨熵值都是使用EntropyHub的XSampEn和XFuzzEn函数获得的,使用了相同的、和方程(14)中描述的合并容忍度实现。这些基于熵的跨系列度量用于表征RR和BB替代信号之间的共享时间规律性,不应解释为定向或因果交互指标。除了这里使用的标准熵估计器定义之外,没有应用额外的事后有限样本偏差校正。特别是,SampEn是以排除自我匹配的形式计算的,而ApEn、FuzzEn、XSampEn和XFuzzEn是直接从它们的标准实现中获得的。2.8. 分析:我们将分析组定义为“对照”和“心力衰竭”。我们还包括了以下变量进行进一步分析:年龄、性别、体重指数(BMI)、吸烟状况和β阻滞剂的使用情况。对于每个变量,我们首先测试了正态性,然后应用Mann–Whitney U检验来比较两组之间24小时熵和符号动态参数的中位数。然后将熵度量和符号指标与时间域和频率域参数相关联。所有统计检验都是双侧的,置信水平为95%(α = 0.05)。Cosinor模型是y(t) = M + A cos (ωt + φ) + ε (t),其中ω = 24小时被应用于HRV标准参数和符号动态参数,在这些参数中观察到了更规则的昼夜节律。相比之下,熵参数使用非参数方法表示,以保留这些度量的内在复杂性和不规则的时间结构。尽管Cosinor模型是分析和昼夜节律的标准和广泛使用的方法,但在捕捉复杂的时序动态方面存在局限性,特别是在具有非平稳性、多尺度变异性和偏离正弦波形的信号中(图S4)。在由cosinor函数建模的分析参数中,使用最小二乘回归估计了MESOR、幅度和顶点相位。线性混合效应模型应用于单独的Cosinor参数(MESOR和幅度),包括组、年龄和性别作为固定效应,受试者作为随机效应。我们从单独的cosinor拟合中获得了顶点相位,并使用圆统计量进行分析;相位组织通过Rayleigh检验进行评估。组间顶点相位分布的差异通过Mardia–Watson–Wheeler检验进行评估。所有统计分析都是使用R(版本4.2.2)进行的,包括card、cosinor2和nlme包,以及GraphPad Prism(Windows版本8.0.0)。2.9.基于协同图的协调性和熵分析
心肺协调性通过计算24小时完整记录期间以及每小时(0–23小时)内协调心跳的百分比来量化。协调性的评估使用了两个时间容忍参数(ε = 0.1秒和ε = 0.2秒)。24小时协调性百分比的组间差异通过双侧Mann–Whitney U检验(α = 0.05)进行评估。对于每小时的协调性曲线和熵指数,我们在每个小时点进行了Mann–Whitney U检验(对照组与心力衰竭组)。为了控制多重比较的假发现率(FDR),采用了Benjamini、Krieger和Yekutieli的两阶段逐步调整方法,期望的FDR(Q)为5%。这些逐小时的分析旨在结构化地探索昼夜节律特征,目的是识别可能的组间分离时间窗口,而不是测试单一的全球性小时效应。由于每小时测试涉及24小时周期内的多次比较,这些分析被解释为结构化的探索性比较。因此,重点放在经过FDR校正后仍然存在的模式或在不同小时内持续出现的模式上。

作为这项探索性分析的一部分,我们使用Spearman等级相关性(双侧)研究了个体水平上心肺协调性(%)与PRQ时序复杂性FuzzEnPRQ之间的关系。对于每位参与者,将每小时值平均分为三个时间段:(i)整个24小时曲线;(ii)白天(07:00–22:00);以及(iii)夜晚(01:00–04:00)。我们计算了两种协调性容忍度(ε = 0.1秒和ε = 0.2秒)的相关性,分别考虑所有受试者和按组分组(对照组与心力衰竭组)。通过非参数自助法重采样获得了Spearman ρ的95%置信区间。在适用的情况下,特别是对于顶峰浓度差异和补充材料中报告的受试者水平相关性分析,不确定性使用基于自助法的95%置信区间进行了总结。

3. 结果
我们研究了88名对照组受试者和75名心力衰竭(HF)患者;未观察到性别或BMI的差异(表1)。心力衰竭患者的平均左心室射血分数(LVEF)为49%,标准差为13%。相应地,61%的患者被归类为射血分数正常,10%的患者被归类为轻度降低,29%的患者被归类为射血分数降低。此外,61%的患者表现出同心结构重构,与收缩功能障碍一致。睡眠日记显示平均入睡时间为22:00,平均醒来时间为6:00。对照组在经胸超声心动图检查中未发现有异常或心脏重构。

我们提供了初步的证据,表明心力衰竭患者的整体心脏自主活动减弱以及信息内容减少,这是通过标准心率变异性(HRV)和符号测量方法评估得出的。随后,我们发现了昼夜节律紊乱的证据,表现为余弦曲线衍生的相位分散。然后,我们分享了关于CRC的主要发现,即协调性(%)在ε = 0.1秒和ε = 0.2秒时的测量结果。最后,我们强调了经过FDR校正后仍然显著的两个指标:夜间早期的ApEnBB(1:00–4:00)和白天/晚上的FuzzEnPRQ(约7:00–22:00)。效应大小的解读得到了观察到的模式的方向、一致性和时间持续性的支持,而在适用的情况下,补充分析中提供了自助法95%置信区间。

3.1 支持性证据:心力衰竭中的整体心脏自主神经系统改变
在时域分析中,心力衰竭(HF)患者的心率变异性显著低于对照组,表现为较低的SDNN(HF中位数为107.5;IQR为47,对照组中位数为136;IQR为41;Mann–Whitney U = 4528;df = 161;p < 0.001)、cvNN(HF中位数为0.12;IQR为0.06,对照组中位数为0.17;IQR为0.05;Mann–Whitney U = 5116;df = 161;p < 0.001)、SDANN1(HF中位数为96.4;IQR为39.6,对照组中位数为126.2;IQR为46.8;Mann–Whitney U = 4708;df = 161;p < 0.001)、SDANN5(HF中位数为90.2;IQR为41.2,对照组中位数为120.5;IQR为47.4;Mann–Whitney U = 4770;df = 161;p < 0.001)和SDANN10(HF中位数为88.2;IQR为40.7,对照组中位数为117;IQR为49.5;Mann–Whitney U = 4767;df = 161;p < 0.001)。

在频域中,心力衰竭患者表现出整体自主HRV相关参数较低的特征性模式。非常低频功率(VLF ms2)在心力衰竭患者中显著降低(HF中位数为0.6;IQR为0.6,对照组中位数为0.9;IQR为1.0;Mann–Whitney U = 4403;df = 161;p < 0.001)。低频功率(LF ms2)在心力衰竭患者中也显著降低(HF中位数为0.13;IQR为0.3,对照组中位数为0.42;IQR为0.6;Mann–Whitney U = 4403;df = 161;p < 0.001)。高频功率(HFp ms2)在心力衰竭患者中显著降低(HF中位数为0.04;IQR为0.1,对照组中位数为0.07;IQR为0.09;Mann–Whitney U = 3977;df = 161;p = 0.02)。归一化低频功率(LFn)在心力衰竭组中也较低(HF中位数为0.7;IQR为0.2,对照组中位数为0.9;IQR为0.1;Mann–Whitney U = 5043;p < 0.001),而归一化高频功率(HFn)在心力衰竭患者中较高(HF中位数为0.2;IQR为0.2,对照组中位数为0.1;IQR为0.1;Mann–Whitney U = 1557;df = 161)。因此,LF/HF比率在对照组中更高(HF中位数为3.1;IQR为3.9,对照组中位数为6.2;IQR为5.5;Mann–Whitney U = 5043;df = 161;p < 0.001)。

调整年龄、性别和β受体阻滞剂使用的多变量线性回归模型显示,在假发现率校正(FDR)后,多个HRV指标在健康对照组和心力衰竭患者之间仍然存在显著差异(表S1)。心力衰竭与平均NN、pNN50、pNN100、pNNl50、LF、HF、LFn和HFn独立相关(所有调整后的p < 0.05)。

关于非线性动态,Shannon熵(HF中位数为3.0;IQR为0.5,对照组中位数为3.2;IQR为0.3;Mann–Whitney U = 4629;df = 161;p < 0.001)、Rényi熵(α = 0.25)(HF中位数为2.8;IQR为0.3,对照组中位数为2.9;IQR为0.2;Mann–Whitney U = 4227;df = 161;p = 0.002)、Rényi熵(α = 2)(HF中位数为2.8;IQR为0.3,对照组中位数为2.9;IQR为0.2;Mann–Whitney U = 4712;df = 161;p = 0.001)和Rényi熵(α = 4)(HF中位数为2.8;IQR为0.3,对照组中位数为2.9;IQR为0.2;Mann–Whitney U = 4725;df = 161;p < 0.001)存在显著差异。总体而言,心力衰竭患者的熵值较低,表明不确定性较低、信息内容减少以及罕见重复模式较少,这与心脏自主调节的动态复杂性丧失一致。

3.2 心力衰竭中的昼夜节律紊乱在符号心脏动力学中的表现
心力衰竭患者与对照组在熵和符号动力学指标上的昼夜节律性存在差异;主要在MESOR中观察到显著差异,反映了HF组的振荡活动较低(图2和图S2)。尽管平均顶峰相位在两组之间没有显著差异,但心力衰竭患者的相位浓度显著降低。与对照组相比,HF组的平均结果长度(R)表明所有评估指标中的相位分散和昼夜节律同步性降低,提示HF组存在节律紊乱(见表S1)。

3.3 心力衰竭患者的心肺耦合发生改变
为了量化CRC在其事件时序协调模式中的时间和容忍度依赖性重构,我们评估了整个24小时期间以及每小时内的协调心跳百分比。

3.3.1 24小时内的CRC
在整个24小时记录中,协调心跳的百分比取决于容忍参数ε。在更严格的容忍度(ε = 0.1秒)下,对照组和心力衰竭组的中位协调性相当(图3a)。相比之下,在ε = 0.2秒时,对照组的24小时协调性百分比高于心力衰竭组(Mann–Whitney U检验,p < 0.01)(图3b)。图3. 对照组和心力衰竭组的24小时心肺协调性。箱线图显示了整个24小时记录期间(a)ε = 0.1秒和(b)ε = 0.2秒计算的协调心跳百分比。中心线表示中位数,箱子范围表示四分位数区间(第25–75百分位数),须表示最小值到最大值。组间差异通过双侧Mann–Whitney U检验进行评估。**表示p < 0.01。代表性的协同图说明了协调结构的定性差异(图4)。在对照组示例中,24小时协同图(图4a)显示了一个相对较宽的协调脊,在Δt ≈ 0附近有明显的时间变化调制,而小时内的视图(图4c)显示了随时间漂移的明显水平条纹,这与动态变化的偏好延迟一致。在心力衰竭示例中,协调性似乎更局限于24小时视图中的较窄且相对稳定的脊周围(图4b),而1小时协同图(图4d)则更为分散,条纹不那么明显,表明小时内的延迟结构较弱或组织较差。

3.3.2 CRC的小时级分析
进一步表明,协调性在一天中的不同时间有明显的变化(图5)。对于ε = 0.1秒,组间差异依赖于小时:心力衰竭患者在深夜时段(特别是2:00和3:00)显示出更高的协调性,而在清晨(9:00–11:00)和下午早期(13:00–14:00),对照组则表现出更高的协调性,16:00时也有额外差异(星号小时表示FDR校正后的值q < 0.05;图5a)。对于ε = 0.2秒,组间差异更加持久:对照组在白天/晚上的协调性升高更为明显,持续数小时(大约7:00–15:00和17:00–22:00;q < 0.05),而在23:00时的差异较小(图5b)。图5. 对照组和心力衰竭组的心肺协调性小时级分布。每小时协调心跳百分比(%)的值显示在24小时内的不同时间(a)ε = 0.1秒和(b)ε = 0.2秒(对照组:黑色圆圈;心力衰竭组:红色方块)。误差条表示SEM。每个小时(0–23小时)都使用双侧Mann–Whitney U检验进行比较,并使用FDR(Benjamini、Krieger和Yekutieli两阶段逐步调整)调整p值,Q = 5%。*表示相应小时的FDR校正后的显著性(q < 0.05)。

3.4 主要熵发现:RR、BB和PRQ的日变化动态
为了补充通过协调性(%)提供的CRC事件时序视图,我们还评估了从RR–BB动态衍生的基于模式的CRC指标,以及RR、BB和PRQ的单一序列熵。经过FDR(False Discovery Rate)校正后,出现了两种基于熵的模式:在夜间早期(1:00–4:00),心力衰竭(HF)患者的呼吸ApEnBB值升高;而在白天和傍晚早期(约7:00–22:00),对照组? FuzzEnPRQ值较高。由于ApEnBB表现出时间上的差异,而SampEnBB和FuzzEnBB的曲线虽有重叠,但没有显示出具有FDR显著性的每小时差异,因此这一结果应谨慎解释,因为它可能依赖于所使用的估计方法。相比之下,FuzzEnPRQ的模式在连续的白天和傍晚时段更为稳定。其他基于熵的指标(如RR-based和cross-entropy RR–BB)则大多呈现出重叠的曲线,并且未能通过FDR校正,这表明在每小时尺度上,协调性(%)比基于熵的时间不规律性更为敏感。因此,那些未能通过FDR校正的孤立每小时趋势并不被视为稳健的群体效应。

与每小时协调性曲线一致的是,当在整个24小时周期内进行比较时,基于熵的指数仅显示出轻微的群体差异(见图6、图7、图8和图9)。RR和BB之间的交叉熵在心力衰竭患者中表现出小幅但持续的上升趋势:XSampEnRR–BB在大多数时间段内都高于对照组(见图6a),XFuzzEnRR–BB也显示出类似的趋势,但群体间有显著的重叠(见图6b)。然而,这些交叉熵指标没有哪个单独的时间点能够通过FDR校正。

在24小时记录中,基于熵的指数仅在24小时内显示出适度的群体分离(见图6、图7、图8和图9)。RR和BB之间的交叉熵显示出小幅但一致的上升趋势:XSampEnRR–BB在大多数时间段内均高于心力衰竭患者(黑色圆圈),而XFuzzEnRR–BB也有类似的趋势,但群体间有显著的重叠(见图6b)。然而,这些交叉熵指标没有哪个单独的时间点能够通过FDR校正。

与每小时协调性曲线一致的是,基于熵的指数仅在24小时内显示出适度的群体分离(见图6、图7、图8和图9)。RR和BB之间的交叉熵显示出小幅但持续的上升趋势:XSampEnRR–BB在大多数时间段内均高于心力衰竭患者(黑色圆圈),而XFuzzEnRR–BB也有类似的趋势,但群体间有显著的重叠(见图6b)。然而,这些交叉熵指标没有哪个单独的时间点能够通过FDR校正。

在24小时记录中,基于熵的指数仅在24小时内显示出适度的群体分离(见图6、图7、图8和图9)。RR和BB之间的交叉熵显示出小幅但持续的上升趋势:XSampEnRR–BB在大多数时间段内均高于心力衰竭患者(黑色圆圈),而XFuzzEnRR–BB也有类似的趋势,但群体间有显著的重叠(见图6b)。然而,这些交叉熵指标没有哪个单独的时间点能够通过FDR校正。

在24小时记录中,基于熵的指数仅在24小时内显示出适度的群体分离(见图6、图7、图8和图9)。RR和BB之间的交叉熵显示出小幅但持续的上升趋势:XSampEnRR–BB在大多数时间段内均高于心力衰竭患者(黑色圆圈),而XFuzzEnRR–BB也有类似的趋势,但群体间有显著的重叠(见图6b)。然而,这些交叉熵指标没有哪个单独的时间点能够通过FDR校正。

在24小时记录中,基于熵的指数仅在24小时内显示出适度的群体分离(见图6、图7、图8和图9)。RR和BB之间的交叉熵显示出小幅但持续的上升趋势:XSampEnRR–BB在大多数时间段内均高于心力衰竭患者(黑色圆圈),而XFuzzEnRR–BB也有类似的趋势,但群体间有显著的重叠(见图6b)。然而,这些交叉熵指标没有哪个单独的时间点能够通过FDR校正。

在24小时记录中,基于熵的指数仅在24小时内显示出适度的群体分离(见图6、图7、图8和图9)。RR和BB之间的交叉熵显示出小幅但持续的上升趋势:XSampEnRR–BB在大多数时间段内均高于心力衰竭患者(黑色圆圈),而XFuzzEnRR–BB也有类似的趋势,但群体间有显著的重叠(见图6b)。然而,这些交叉熵指标没有哪个单独的时间点能够通过FDR校正。

在24小时记录中,基于熵的指数仅在24小时内显示出适度的群体分离(见图6、图7、图8和图9)。RR和BB之间的交叉熵显示出小幅但持续的上升趋势:XSampEnRR–BB在大多数时间段内均高于心力衰竭患者(黑色圆圈),而XFuzzEnRR–BB也有类似的趋势,但群体间有显著的重叠(见图6b)。然而,这些交叉熵指标没有哪个单独的时间点能够通过FDR校正。

在24小时记录中,基于熵的指数仅在24小时内显示出适度的群体分离(见图6、图7、图8和图9)。RR和BB之间的交叉熵显示出小幅但持续的上升趋势:XSampEnRR–BB在大多数时间段内均高于心力衰竭患者(黑色圆圈),而XFuzzEnRR–BB也有类似的趋势,但群体间有显著的重叠(见图6b)。然而,这些交叉熵指标没有哪个单独的时间点能够通过FDR校正。

在24小时记录中,基于熵的指数仅在24小时内显示出适度的群体分离(见图6、图7、图8和图9)。RR和BB之间的交叉熵显示出小幅但持续的上升趋势:XSampEnRR–BB在大多数时间段内均高于心力衰竭患者(黑色圆圈),而XFuzzEnRR–BB也有类似的趋势,但群体间有显著的重叠(见图6b)。然而,这些交叉熵指标没有哪个单独的时间点能够通过FDR校正。

在24小时记录中,基于熵的指数仅在24小时内显示出适度的群体分离(见图6、图7、图8和图9)。RR和BB之间的交叉熵显示出小幅但持续的上升趋势:XSampEnRR–BB在大多数时间段内均高于心力衰竭患者(黑色圆圈),而XFuzzEnRR–BB也有类似的趋势,但群体间有显著的重叠(见图6b)。然而,这些交叉熵指标没有哪个单独的时间点能够通过FDR校正。

在24小时记录中,基于熵的指数仅在24小时内显示出适度的群体分离(见图6、图7、图8和图9)。RR和BB之间的交叉熵显示出小幅但持续的上升趋势:XSampEnRR–BB在大多数时间段内均高于心力衰竭患者(黑色圆圈),而XFuzzEnRR–BB也有类似的趋势,但群体间有显著的重叠(见图6b)。然而,这些交叉熵指标没有哪个单独的时间点能够通过FDR校正。

在24小时记录中,基于熵的指数仅在24小时内显示出适度的群体分离(见图6、图7、图8和图9)。RR和BB之间的交叉熵显示出小幅但持续的上升趋势:XSampEnRR–BB在大多数时间段内均高于心力衰竭患者(黑色圆圈),而XFuzzEnRR–BB也有类似的趋势,但群体间有显著的重叠(见图6b)。然而,这些交叉熵指标没有哪个单独的时间点能够通过FDR校正。

在24小时记录中,基于熵的指数仅在24小时内显示出适度的群体分离(见图6、图7、图8和图9)。RR和BB之间的交叉熵显示出小幅但持续的上升趋势:XSampEnRR–BB在大多数时间段内均高于心力衰竭患者(黑色圆圈),而XFuzzEnRR–BB也有类似的趋势,但群体间有显著的重叠(见图6b)。然而,这些交叉熵指标没有哪个单独的时间点能够通过FDR校正。

在24小时记录中,基于熵的指数仅在24小时内显示出适度的群体分离(见图6、图7、图8和图9)。RR和BB之间的交叉熵显示出小幅但持续的上升趋势:XSampEnRR–BB在大多数时间段内均高于心力衰竭患者(黑色圆圈),而XFuzzEnRR–BB也有类似的趋势,但群体间有显著的重叠(见图6b)。然而,这些交叉熵指标没有哪个单独的时间点能够通过FDR校正。

在24小时记录中,基于熵的指数仅在24小时内显示出适度的群体分离(见图6、图7、图8和图9)。RR和BB之间的交叉熵显示出小幅但持续的上升趋势:XSampEnRR–BB在大多数时间段内均高于心力衰竭患者(黑色圆圈),而XFuzzEnRR–BB也有类似的趋势,但群体间有显著的重叠(见图6b)。然而,这些交叉熵指标没有哪个单独的时间点能够通过FDR校正。

在24小时记录中,基于熵的指数仅在24小时内显示出适度的群体分离(见图6、图7、图8和图9)。RR和BB之间的交叉熵显示出小幅但持续的上升趋势:XSampEnRR–BB在大多数时间段内均高于心力衰竭患者(黑色圆圈),而XFuzzEnRR–BB也有类似的趋势,但群体间有显著的重叠(见图6b)。然而,这些交叉熵指标没有哪个单独的时间点能够通过FDR校正。

在24小时记录中,基于熵的指数仅在24小时内显示出适度的群体分离(见图6、图7、图8和图9)。RR和BB之间的交叉熵显示出小幅但持续的上升趋势:XSampEnRR–BB在大多数时间段内均高于心力衰竭患者(黑色圆圈),而XFuzzEnRR–BB也有类似的趋势,但群体间有显著的重叠(见图6b)。然而,这些交叉熵指标没有哪个单独的时间点能够通过FDR校正。

在24小时记录中,基于熵的指数仅在24小时内显示出适度的群体分离(见图6、图7、图8和图9)。RR和BB之间的交叉熵显示出小幅但持续的上升趋势:XSampEnRR–BB在大多数时间段内均高于心力衰竭患者(黑色圆圈),而XFuzzEnRR–BB也有类似的趋势,但群体间有显著的重叠(见图6b)。然而,这些交叉熵指标没有哪个单独的时间点能够通过FDR校正。

在24小时记录中,基于熵的指数仅在24小时内显示出适度的群体分离(见图6、图7、图8和图9)。RR和BB之间的交叉熵显示出小幅但持续的上升趋势:XSampEnRR–BB在大多数时间段内均高于心力衰竭患者(黑色圆圈),而XFuzzEnRR–BB也有类似的趋势,但群体间有显著的重叠(见图6b)。然而,这些交叉熵指标没有哪个单独的时间点能够通过FDR校正。

在24小时记录中,基于熵的指数仅在24小时内显示出适度的群体分离(见图6、图7、图8和图9)。RR和BB之间的交叉熵显示出小幅但持续的上升趋势:XSampEnRR–BB在大多数时间段内均高于心力衰竭患者(黑色圆圈),而XFuzzEnRR–BB也有类似的趋势,但群体间有显著的重叠(见图6b)。然而,这些交叉熵指标没有哪个单独的时间点能够通过FDR校正。

在24小时记录中,基于熵的指数仅在24小时内显示出适度的群体分离(见图6、图7、图8和图9)。RR和BB之间的交叉熵显示出小幅但持续的上升趋势:XSampEnRR–BB在大多数时间段内均高于心力衰竭患者(黑色圆圈),而XFuzzEnRR–BB也有类似的趋势,但群体间有显著的重叠(见图6b)。然而,这些交叉熵指标没有哪个单独的时间点能够通过FDR校正。

在24小时记录中,基于熵的指数仅在24小时内显示出适度的群体分离(见图6、图7、图8和图9)。RR和BB之间的交叉熵显示出小幅但持续的上升趋势:XSampEnRR–BB在大多数时间段内均高于心力衰竭患者(黑色圆圈),而XFuzzEnRR–BB也有类似的趋势,但群体间有显著的重叠(见图6b)。然而,这些交叉熵指标没有哪个单独的时间点能够通过FDR校正。

在24小时记录中,基于熵的指数仅在24小时内显示出适度的群体分离(见图6、图7、图8和图9)。RR和BB之间的交叉熵显示出小幅但持续的上升趋势:XSampEnRR–BB在大多数时间段内均高于心力衰竭患者(黑色圆圈),而XFuzzEnRR–BB也有类似的趋势,但群体间有显著的重叠(见图6b)。然而,这些交叉熵指标没有哪个单独的时间点能够通过FDR校正。

在24小时记录中,基于熵的指数仅在24小时内显示出适度的群体分离(见图6、图7、图8和图9)。RR和BB之间的交叉熵显示出小幅但持续的上升趋势:XSampEnRR–BB在大多数时间段内均高于心力衰竭患者(黑色圆圈),而XFuzzEnRR–BB也有类似的趋势,但群体间有显著的重叠(见图6b)。然而,这些交叉熵指标没有哪个单独的时间点能够通过FDR校正。

在24小时记录中,基于熵的指数仅在24小时内显示出适度的群体分离(见图6、图7、图8和图9)。RR和BB之间的交叉熵显示出小幅但持续的上升趋势:XSampEnRR–BB在大多数时间段内均高于心力衰竭患者(黑色圆圈),而XFuzzEnRR–BB也有类似的趋势,但群体间有显著的重叠(见图6b)。然而,这些交叉熵指标没有哪个单独的时间点能够通过FDR校正。

在24小时记录中,基于熵的指数仅在24小时内显示出适度的群体分离(见图6、图7、图8和图9)。RR和BB之间的交叉熵显示出小幅但持续的上升趋势:XSampEnRR–BB在大多数时间段内均高于心力衰竭患者(黑色圆圈),而XFuzzEnRR–BB也有类似的趋势,但群体间有显著的重叠(见图6b)。然而,这些交叉熵指标没有哪个单独的时间点能够通过FDR校正。

在24小时记录中,基于熵的指数仅在24小时内显示出适度的群体分离(见图6、图7、图8和图9)。RR和BB之间的交叉熵显示出小幅但持续的上升趋势:XSampEnRR–BB在大多数时间段内均高于心力衰竭患者(黑色圆圈),而XFuzzEnRR–BB也有类似的趋势,但群体间有显著的重叠(见图6b)。然而,这些交叉熵指标没有哪个单独的时间点能够通过FDR校正。

在24小时记录中,基于熵的指数仅在24小时内显示出适度的群体分离(见图6、图7、图8和图9)。RR和BB之间的交叉熵显示出小幅但持续的上升趋势:XSampEnRR–BB在大多数时间段内均高于心力衰竭患者(黑色圆圈),而XFuzzEnRR–BB也有类似的趋势,但群体间有显著的重叠(见图6b)。然而,这些交叉熵指标没有哪个单独的时间点能够通过FDR校正。

在24小时记录中,基于熵的指数仅在24小时内显示出适度的群体分离(见图6、图7、图8和图9)。RR和BB之间的交叉熵显示出小幅但持续的上升趋势:XSampEnRR–BB在大多数时间段内均高于心力衰竭患者(黑色圆圈),而XFuzzEnRR–BB也有类似的趋势,但群体间有显著的重叠(见图6b)。然而,这些交叉熵指标没有哪个单独的时间点能够通过FDR校正。

在24小时记录中,基于熵的指数仅在24小时内显示出适度的群体分离(见图6、图7、图8和图9)。RR和BB之间的交叉熵显示出小幅但持续的上升趋势:XSampEnRR–BB在大多数时间段内均高于心力衰竭患者(黑色圆圈),而XFuzzEnRR–BB也有类似的趋势,但群体间有显著的重叠(见图6b)。然而,这些交叉熵指标没有哪个单独的时间点能够通过FDR校正。

在24小时记录中,基于熵的指数仅在24小时内显示出适度的群体分离(见图6、图7、图8和图9)。RR和BB之间的交叉熵显示出小幅但持续的上升趋势:XSampEnRR–BB在大多数时间段内均高于心力衰竭患者(黑色圆圈),而XFuzzEnRR–BB也有类似的趋势,但群体间有显著的重叠(见图6b)。然而,这些交叉熵指标没有哪个单独的时间点能够通过FDR校正。

在24小时记录中,基于熵的指数仅在24小时内显示出适度的群体分离(见图6、图7、图8和图9)。RR和BB之间的交叉熵显示出小幅但持续的上升趋势:XSampEnRR–BB在大多数时间段内均高于心力衰竭患者(黑色圆圈),而XFuzzEnRR–BB也有类似的趋势,但群体间有显著的重叠(见图6b)。然而,这些交叉熵指标没有哪个单独的时间点能够通过FDR校正。

在24小时记录中,基于熵的指数仅在24小时内显示出适度的群体分离(见图6、图7、图8和图9)。RR和BB之间的交叉熵显示出小幅但持续的上升趋势:XSampEnRR–BB在大多数时间段内均高于心力衰竭患者(黑色圆圈),而XFuzzEnRR–BB也有类似的趋势,但群体间有显著的重叠(见图6b)。然而,这些交叉熵指标没有哪个单独的时间点能够通过FDR校正。

在24小时记录中,基于熵的指数仅在24小时内显示出适度的群体分离(见图6、图7、图8和图9)。RR和BB之间的交叉熵显示出小幅但持续的上升趋势:XSampEnRR–BB在大多数时间段内均高于心力衰竭患者(黑色圆圈),而XFuzzEnRR–BB也有类似的趋势,但群体间有显著的重叠(见图6b)。然而,这些交叉熵指标没有哪个单独的时间点能够通过FDR校正。

在24小时记录中,基于熵的指数仅在24小时内显示出适度的群体分离(见图6、图7、图8和图9)。RR和BB之间的交叉熵显示出小幅但持续的上升趋势:XSampEnRR–BB在大多数时间段内均高于心力衰竭患者(黑色圆圈),而XFuzzEnRR–BB也有类似的趋势,但群体间有显著的重叠(见图6b)。此外,此处应用的措施捕捉了协调性和共同的时间结构,而不是直接的因果关系本身。在多次比较控制后,RR和BB之间的交叉熵分离相对较弱,这也与最近的方法学研究结果一致,这些研究表明不同的“交叉”家族(交叉熵、交叉不可预测性和状态空间对应关系)的敏感性可能因数据长度、非平稳性和交互作用的表现方式(紧密的确定性锁定 vs. 间歇性 vs. 延迟协调)而有所不同[62]。在全天动态条件下,呼吸和心周期受到姿势变化、言语、饮食和微觉醒等因素的影响(图S2);这种异质性可能会稀释交叉熵指标的小时特异性效应。要直接测试这些指标在更均匀条件下是否变得更敏感,需要客观的状态注释或预定义的对照休息段,而这些在当前数据集中并不可用。因此,这种解释应该被视为一种合理的方法学解释,而不是这里直接证明的结果。未来结合更明确的行为状态控制以及方向性和尺度控制的研究可能有助于澄清这个问题[63]。这些发现的综合解释表明,心力衰竭限制了自主神经的适应性,并在多个互补层面上重塑了心肺调节。重要的是,本研究中使用的心率变异性(HRV)、符号性指标、熵和协调性指标代表了不同生理领域和时间尺度的互补描述符,包括自主神经调节、时间组织、呼吸动态和综合心肺协调性。在这个框架中,降低的全球HRV和基于RR的信息度量反映了较窄的自主神经库和减少的信息生成;改变的符号性和昼夜指标反映了较弱的时间组织和时间错乱;从协调图中得出的协调百分比量化了心脏定时相对于呼吸的保持组织程度在不同时间容忍度下的情况;ApEnBB反映了呼吸定时的不规则性;FuzzEnPRQ反映了综合脉冲-呼吸关系的丰富性。从这个角度来看,心力衰竭表型被解释为更加受限或僵硬的,不是因为每个指标都朝相同的方向变化,而是因为几个互补指标趋向于一个减小的适应范围、降低的综合丰富性和一天中较少的协调灵活性。这种解释表明可能存在一种由自主神经失衡、神经激素失调和昼夜节律失调引起的共同高级模式,尽管各个指标探测的是不同的时间尺度和信号领域(图10)。图10. 心力衰竭中的适应范围框架。心力衰竭(HF)与多层次的改变相关,这些改变涉及自主神经、神经激素和昼夜节律机制。在心脏层面,HF患者表现出降低的全球HRV和RR动态中的较低信息含量,这与较窄的自主神经库和减少的生理变异性生成能力一致。昼夜分析还表明时间错乱,主要表现为节律强度的降低和顶点的个体间变异性增加,而不是均匀的相位移动。在心肺综合层面,心肺耦合(CRC)的变化并不均匀,而是取决于一天中的时间和协调容忍度。当使用更宽的时间容忍度并以每小时为单位进行评估时,组间差异变得更加明显,这表明HF的特点是在生理变量条件下协调灵活性受损,而不是完全失去严格的同步性。在熵分析中,RR–BB交叉熵没有表现出一致的小时特异性差异,而出现了更稳健的信号特异性模式,包括夜间呼吸定时的不规则性增加(ApEnBB)和白天的PRQ基综合复杂性降低(FuzzEnPRQ)。颜色表示评估的领域和分析层次(红色:心脏,蓝色:呼吸,紫色:心肺整合,绿色:系统层面)。↓表示功能/活动的降低。重要的是,协调容忍度(ε)提供了一个尺度依赖的视角:在ε = 0.1秒时,该指标强调非常严格的定时一致性;而在ε = 0.2秒时,它评估的是更宽时间窗口内的协调性。在ε = 0.2秒时更清晰的组间分离表明,HF在更宽的时间窗口内进行评估时与协调性降低更一致,可能更符合动态生理变异性,尽管其具体的临床和自主神经相关性仍有待确定。观察到HF相关的差异主要出现在较大的ε值,这表明心力衰竭的特点不是协调性的完全丧失,而是适应灵活性的降低。总体而言,这些数据支持将HF解释为一种涉及自主神经调节受损、综合丰富性降低和昼夜节律失调的多层次生理限制状态。HF中心肺活动的时间错乱和时间变化应引起临床医生的注意,因为这些变化与不良结果的风险增加相关,对于风险分层、治疗时机和个人化管理具有潜在影响。在HF中,ECG信号的信息动态在昼夜周期中表现出特征性模式,包括较低的复杂性、波动和顶点表型的紊乱。心脏的变化影响呼吸系统,导致HF中观察到的稳定和僵化的经典肺协调。这可能反映了调节系统的适应能力降低,并可能代表生理失调的标志;然而,任何预后解释都应在纵向验证之前被视为初步的。此外,在HF睡眠期间观察到的更高耦合可能指向改变的心肺交互模式和可能的与睡眠相关的紊乱,这些紊乱在临床上尚未被认识到,需要进一步关注。

5. 限制
HF是一种复杂的、异质性的临床综合征,涵盖了多样化的社会人口统计学因素、病理生理机制、表型、疾病严重程度和动态临床轨迹。这种异质性可能会限制对时间尺度依赖性分析(如昼夜评估)的解释。此外,广泛使用的药物,特别是β受体阻滞剂,这些药物调节心率、自主神经张力和昼夜变异性,可能是一个潜在的混淆因素,可能影响观察到的动态。尽管如此,仍然识别出自主神经调节和心脏电活动的一致昼夜模式,这可能有助于表征HF中心肺控制的时间脆弱窗口和生物钟组织。关于潜在的昼夜混淆因素,已知体力活动显著影响全天的心脏自主神经调节和心率动态。活动相关效应与内在昼夜调节的相对贡献尚未完全理解,需要进一步研究。在本研究中,无法获得如活动记录这样的客观测量方法,从而限制了直接量化活动水平的能力。同样,由于缺乏客观的睡眠状态或活动注释,我们无法隔离出生理上均匀的睡眠或休息段来进行交叉熵敏感性的专门重新分析。为了部分解决这一限制,我们分析了平均心率的昼夜轮廓,包括最小值和最大值,作为生理状态的间接代理。此外,夜间时段被认为是更受控制的条件,减少了行为变异性,允许更可靠的地组间比较。

我们认识到插值可能会影响熵估计;因此,这些测量应被解释为反映均匀采样间隔表示的时间组织,而不是代表原始事件序列本身。鉴于当前分析基于协调性和熵衍生的共同结构,未来需要使用定向交互方法来确定这些变化是否也涉及因果心肺影响的变化。尽管排除了高异位负荷的记录,并且分析仅限于 artifact控制的窗口,但残留的低负荷异位仍可能影响一些基于RR的、熵衍生的和基于协调的指标。因此,目前的发现应被解释为描述质量控制后的队列,而不是心律失常分层分析,残留异位的特定影响仍然是未来工作的开放问题。此外,我们没有对用于协调图平滑的核密度带宽进行正式的敏感性分析;因此,基于KDE的地图应主要作为描述性可视化,而主要的定量CRC结果依赖于epsilon-strip协调指标。最后,由于没有同时记录参考呼吸信号,因此无法直接验证EDR的可靠性。这在HF中尤为重要,因为异常的呼吸模式可能会影响ECG派生的呼吸替代指标的表现[32]。

6. 结论
心力衰竭与24小时内心脏自主神经调节和心肺耦合的变化有关。在心脏层面,HF患者表现出较低的全球HRV和RR动态中的较低信息含量,表明自主神经调节范围较窄。昼夜分析指出时间错乱,主要表现为节律模式的减弱和个体间定时变化性的增加,而不是节律的均匀移动。当我们考察综合层面时,CRC的差异并不均匀:变化取决于时间容忍度和一天中的时间,当使用更宽的容忍度并按小时进行分析时,组间差异变得更加明显——突出了耦合受影响最严重的特定窗口。在熵分析中,RR–BB交叉熵没有显示出任何小时特异性差异。相反,最一致的信号特异性特征是HF中夜间呼吸定时的不规则性增加(ApEnBB)和白天的PRQ基综合复杂性降低(FuzzEnPRQ),与对照组相比。还观察到HF中夜间ApEnBB的升高,尽管这一呼吸定时结果应更谨慎地解释,因为它没有通过SampEnBB或FuzzEnBB得到再现。因此,对较低FuzzEnPRQ的解释应结合更广泛的自主神经和心肺概况来进行,因为PRQ熵的降低可能反映适应性稳定或适应性的僵硬,这取决于生理背景。总体而言,本研究中使用的心率变异性(HRV)、符号性指标、熵和协调性指标应被解释为自主神经库、时间组织、呼吸定时不规则性、综合心肺丰富性和协调灵活性的互补描述符,而不是单一生理属性的等效标志。综合这些发现,支持HF中心肺动态的时间结构重塑,并指出了将昼夜剖析与睡眠相关呼吸不稳定性和节律表型的仔细描述相结合的未来研究的价值,以更好地理解机制和临床意义。补充材料
以下支持信息可以在以下链接下载:https://www.mdpi.com/article/10.3390/e28050524/s1。
图S1. 对照组和HF患者选择的流程图。
图S2. 一天中心率的小时轮廓。
图S3. 对照组和心力衰竭患者的一天中呼吸率的小时轮廓。
图S4. 在符号动态指标上的Cosinor建模示例。
表S1. 心率变异性和熵相关指标的多变量回归分析:组、年龄、性别和β受体阻滞剂治疗的影响。
表S2. 顶点浓度测试。
表S3. 协调百分比与FuzzEnPRQ之间的Spearman相关性。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号