Physiological dynamics of heart rate variability: a statistical modeling approach in vasovagal syncope

Autores

  • Maria Alexandra Seco
  • Rui Pinto

DOI:

https://doi.org/10.29352/mill0201.03.00049

Palavras-chave:

síncope vasovagal, frequência cardíaca, modelos mistos

Resumo

Introdução: A perda transitória da consciência e tónus postural seguido de rápida recuperação é definida como síncope. Tem sido dada atenção a uma síncope de origem central com descida da pressão sistémica conhecida por síncope vasovagal (SVV).

Objetivos: A análise da variabilidade da frequência cardíaca (HRV) é uma das principais estratégias para estudar a SVV através de protocolos padrão (por exemplo tilt test). O principal objetivo deste trabalho é compreender a importância relativa de diversas variáveis, tais como pressão arterial diastólica e sistólica, (dBP) e (sBP), volume sistólico (SV) e resistência periférica total (TPR) na HRV.

Métodos: Foram usados modelos estatísticos mistos para modelar o comportamento das variáveis acima descritas na HRV. Analisaram-se mais de mil e quinhentas observações de quatro pacientes com SVV, previamente testados com análise espectral clássica para a fase basal (LF/HF=3.01) e fases de tilt (LF/HF=0.64), indicando uma predominância vagal no período tilt. Resultados: O modelo 1 revelou o papel importante da dBP e uma baixa influência de SV, na fase de tilt, relativos à HRV. No modelo 2 a TPR revelou uma baixa influência na HRV na fase de tilt entre os pacientes.

Conclusões: Verificou-se que a HRV é influenciada por um conjunto de variáveis fisiológicas, cuja contribuição individual pode ser usada para compreender as flutuações cardíacas. O uso de modelos estatísticos salientou a importância de estudar o papel da dBP e SV na SVV.

Downloads

Não há dados estatísticos.

Referências

Aydin, M. A., Salukhe, T. V, Wilke, I., & Willems, S. (2010). Management and therapy of vasovagal syncope: A review. World

Journal of Cardiology, 2(10), 308–15. http://doi.org/10.4330/wjc.v2.i10.308

Fonseca-Pinto, R. (2011). A New Tool for Nonstationary and Nonlinear Signals: The Hilbert-Huang Transform in Biomedical

Applications. In Biomedical Engineering, Trends in Electronics, Communications and Software. InTech. http://doi.

org/10.5772/12871

Fonseca-Pinto, R., Ducla-Soares, J. L., Araújo, F., Aguiar, P., & Andrade, A. (2009). On the influence of time-series length in EMD

to extract frequency content: Simulations and models in biomedical signals. Medical Engineering and Physics, 31(6),

–719.

Ganzeboom, K. S., Colman, N., Reitsma, J. B., Shen, W. K., & Wieling, W. (2003). Prevalence and triggers of syncope in medical

students. American Journal of Cardiology, 91(8), 1006–1008. http://doi.org/10.1016/S0002-9149(03)00127-9

Hon, E. H., & Lee, S. T. (1963). Electronic evaluation of the fetal heart rate. VIII. Patterns preceding fetal death, further

observations. American Journal of Obstetrics and Gynecology, 87(February), 814–26. Retrieved from http://www.ncbi.

nlm.nih.gov/pubmed/14085784

Laird, N. M., & Ware, J. H. (1982). Random-effects models for longitudinal data. Biometrics, 38(4), 963–74. Retrieved from http://

www.ncbi.nlm.nih.gov/pubmed/7168798

Ljilja, A., Mišmaš, A., Adamec, I., & Habek, M. (2013). Neurally mediated syncope. Neurologia Croatica, 62(1-2), 3–10. http://doi.

org/10.1016/B978-0-12-386525-0.00070-6

McCraty, R., & Royall, S. (2015). Science of the Heart, Volume 2: Exploring the Role of the Heart in Human Performance: Rollin

McCraty Ph.D., Sandy Royall: 9781513606361: Amazon.com: Books. (HeartMath Institute, Ed.). Retrieved from https://

www.heartmath.org/research/science-of-the-heart/

Moya, A., Sutton, R., Ammirati, F., Blanc, J. J., Brignole, M., Dahm, J. B., … Zamorano, J. L. (2009, November). Guidelines for the

diagnosis and management of syncope (version 2009). European Heart Journal. http://doi.org/10.1093/eurheartj/

ehp298

Parry, S. W., & Kenny, R. A. (1999a). The management of vasovagal syncope. QJM : Monthly Journal of the Association of

Physicians, 92(12), 697–705. http://doi.org/10.1093/qjmed/92.12.697

Parry, S. W., & Kenny, R. A. (1999b). Tilt table testing in the diagnosis of unexplained syncope. QJM : Monthly Journal of the

Association of Physicians, 92(11), 623–629. http://doi.org/10.1093/qjmed/92.11.623

Pinheiro, J. C., & Bates, D. M. (2000). Linear Mixed-Effects Models: Basic Concepts and Examples. In Mixed-Effects Models in S

and S-PLUS (pp. 3–56). New York: Springer-Verlag. http://doi.org/10.1007/0-387-22747-4_1

R Core Team, R. (2014). R: A language and environment for statistical computing. Vienna: R Foundation for Statistical Computing.

Retrieved from http://www.r-project.org/

Seco, A., Felgueiras, M., Fdez-Riverola, F., & Pereira, A. (2011). Elder Care Alert Management - Decision Support by a Logistic

Regression Model, 9–16. http://doi.org/10.1007/978-3-642-19931-8_2

Seco, A., & Vieira, C. (2014). A Multi-agent Supply Chain Simulation Analysis through a Statistical Mixed Model. Procedia

Technology, 16, 163–171. http://doi.org/10.1016/j.protcy.2014.10.079

Tarvainen, M. P., Niskanen, J.-P., Lipponen, J. A., Ranta-aho, P. O., & Karjalainen, P. A. (2014). Kubios HRV – Heart rate variability

analysis software. Computer Methods and Programs in Biomedicine, 113(1), 210–220. http://doi.org/10.1016/j.

cmpb.2013.07.024.

Downloads

Como Citar

Seco, M. A., & Pinto, R. (2016). Physiological dynamics of heart rate variability: a statistical modeling approach in vasovagal syncope. Millenium - Journal of Education, Technologies, and Health, (1), 39–47. https://doi.org/10.29352/mill0201.03.00049

Edição

Secção

Ciências da vida e da saúde