Tröskelbaserade artefaktkorrigeringsmetoder påverkar mätningar av hjärtfrekvensvariabilitet hos personer med typ 2-diabetes

Varför små förändringar i datarensning spelar roll

Läkare använder i allt större utsträckning subtila variationer i hjärtslagstiming, kända som hjärtfrekvensvariabilitet, för att bedöma hur väl nervsystemet styr hjärtat. Detta är särskilt viktigt hos personer med typ 2-diabetes, som löper högre risk för tyst hjärtskada. Men dessa hjärtslagsinspelningar är aldrig helt rena: enheter missar slag, personer rör sig och elektriskt brus smyger sig in. Denna studie visar att sättet vi ”städar upp” dessa inspelningar i datorn kan förändra resultaten på ett meningsfullt sätt — och till och med vilseleda läkare och forskare om man inte är försiktig.

Att följa hjärtats rytm vid diabetes

Typ 2-diabetes drabbar hundratals miljoner människor världen över och är nära kopplat till hjärt– och kärlsjukdom. Långt innan bröstsmärta eller svimningsattacker uppträder kan nerverna som styr hjärtat börja svikta, ett problem som kallas kardiell autonom neuropati. Hjärtfrekvensvariabilitet (HRV) är ett enkelt, icke-invasivt sätt att upptäcka tidiga tecken på denna nervskada genom att mäta hur mycket tiden mellan hjärtslagen naturligt accelererar och bromsar över några minuter. Hos personer med diabetes är denna variation ofta reducerad, vilket signalerar att hjärtat tappar en del av sin flexibilitet i att reagera på stress och vila.

Från råa slag till datorvänliga data

I denna studie besökte 52 vuxna med typ 2-diabetes ett forskningscenter där deras hjärtslag spelades in under flera minuter medan de vilade tyst på rygg i ett temperaturkontrollerat rum. Teamet använde ett bröstband för att samla råa serier av R–R-intervall — de små tidsluckorna mellan varje par av slag. Dessa inspelningar analyserades sedan med ett populärt HRV-program kallat Kubios, som erbjuder flera inbyggda ”filter” för att upptäcka och korrigera misstänkta slag. Filtren sträcker sig från ingen korrigering alls till en mycket strikt inställning som aggressivt markerar och ersätter varje intervall som ser ovanligt ut jämfört med sina grannar.

Att höja filtret ändrar bilden

För att se hur mycket dessa filter spelar roll tog forskarna samma femminuterssegment av högkvalitativ data från varje person och körde om analysen med varje filternivå i tur och ordning. Vid de mildaste inställningarna ändrades nästan inga slag och HRV-resultaten förblev i stort sett oförändrade. Men under det mest restriktiva filtret ändrades i genomsnitt nästan ett av tio slag, och hos vissa personer korrigerade mjukvaran upp till hälften av slagen. Denna hårdhänta rensning försköt flera HRV-mått över hela linjen — de som speglar total variabilitet, balansen mellan "kamp-eller-flykt" och "vila-och-smälta"-aktivitet, och mer komplexa, icke-linjära mönster i hjärtslagssignalen.

Varför överrensning kan vilseleda

Dessa förändringar är inte bara tekniska detaljer. HRV-värden används för att bedöma om en persons hjärta utsätts för för mycket stress, för att uppskatta hur väl den lugnande delen av nervsystemet fungerar, och till och med för att förutsäga framtida hjärthändelser. Om ett filter tyst omformar den underliggande signalen — jämnar ut verkliga oregelbundenheter tillsammans med faktiskt brus — kan det få hjärtat att se friskare eller sjukare ut än det verkligen är. I denna grupp med typ 2-diabetes gjorde det strängaste filtret att index kopplade till både lugnande och stressreaktioner såg märkbart annorlunda ut, trots att de faktiska hjärtslagsinspelningarna redan var noggrant utvalda för att vara stabila och av god kvalitet.

Vad detta betyder för patienter och studier

Författarna drar slutsatsen att mycket aggressiv rensning av hjärtslagsdata kan snedvrida HRV-resultat hos personer med typ 2-diabetes, vilket leder till över- eller underskattning av nervrelaterade hjärtproblem. De påstår inte att det finns ett enda perfekt filter, men varnar mot att använda den striktaste inställningen som standard. Istället menar de att forskare och kliniker bör föredra minimal eller mild korrigering när den ursprungliga signalen är bra, tydligt rapportera sina inställningar och arbeta mot gemensamma standarder. För patienter är budskapet indirekt men viktigt: siffrorna du ser i ett testresultat beror inte bara på ditt hjärta, utan också på hur data behandlas — och konsekventa, välvalda metoder är avgörande för att göra dessa siffror verkligt pålitliga.

Citering: Bassi-Dibai, D., Santos-de-Araújo, A.D., Rocha, D.S. et al. Threshold-based artefact correction methods influence heart rate variability measurements in individuals with type 2 diabetes mellitus. Sci Rep 16, 11341 (2026). https://doi.org/10.1038/s41598-026-42255-y

Nyckelord: typ 2-diabetes, hjärtfrekvensvariabilitet, kardiell autonom neuropati, datapreprocessering, Kubios-filter