A real-time infrastructure for transforming HRV streams into inference-ready, context-aware data objects for digital biomarker development

Het menselijk hart slaat niet als een metronoom. Tussen de ene hartslag en de volgende zit een kleine, fluctuerende pauze, een variatie van een fractie van een seconde die verandert met elke ademhaling, elke gedachte en elke verschuiving in de aandacht. Dit subtiele ritme, bekend als hartslagvariabiliteit, is een venster naar het autonome zenuwstelsel van het lichaam, het verborgen netwerk dat alles reguleert, van spijsvertering tot de vecht-of-vluchtreactie. Decennialang hebben onderzoekers deze fluctuaties bestudeerd om stress, herstel en algehele gezondheid te begrijpen. Er is echter altijd een aanzienlijke hindernis gebleven: hoewel sensoren gemakkelijk de ruwe elektrische signalen van het hart kunnen registreren, is het verrassend moeilijk om die continue stromen gegevens om te zetten in iets nuttig voor computeranalyse. Zonder een duidelijke kaart van wat er op het exacte moment dat een signaal werd opgenomen gebeurde—of iemand nu rustte, werkte of bewoog—en zonder een manier om te beoordelen of het signaal zelf schoon was of corrupt door ruis, blijven de gegevens vaak een verwarrende bende, moeilijk te interpreteren of te hergebruiken.

Een team van onderzoekers aan de Ruhr-Universität Bochum in Duitsland heeft een nieuw systeem gebouwd dat ontworpen is om dit specifieke probleem op te lossen. Ze hebben een realtime infrastructuur gecreëerd die fungeert als een vertaler, die ruwe hartritmegegevens omzet in georganiseerde, contextrijke informatie die computers onmiddellijk kunnen begrijpen en analyseren. In plaats van alleen getallen te verzamelen, legt hun systeem het verhaal achter de gegevens vast. Het registreert precies wanneer iemand aan een taak begint, wanneer hij stopt, en hoe het hartritme verandert ten opzichte van de persoonlijke baseline van die persoon. Het controleert ook voortdurend de kwaliteit van het signaal en geeft aan op welke momenten de gegevens mogelijk onbetrouwbaar zijn. Door dit te doen, hebben de onderzoekers een fundament gelegd waarmee wetenschappers nauwkeurigere modellen van menselijke gezondheid en prestaties kunnen bouwen, waarbij ze een chaotische stroom hartslagen transformeren naar een gestructureerde, machineleesbare taal.

De kern van dit nieuwe systeem is een pijplijn die werkt vanaf het moment dat een sensor een hartslag oppikt tot het moment dat de gegevens klaar zijn voor analyse. De onderzoekers testten twee manieren om de initiële gegevens te verkrijgen. Eén methode maakte gebruik van een op maat gemaakte interface met een microcontroller en een kleine analoge front-end om hartslagen direct vanaf de huid te detecteren. De andere methode gebruikte een commerciële borstbandsensor, een apparaat dat veel mensen wellicht al herkennen van fitness trackers. Opmerkelijk genoeg behandelde het systeem beide bronnen exact hetzelfde zodra de gegevens de pijplijn binnenkwamen. Het maakte er niet uit waar het signaal vandaan kwam; het systeem normaliseerde de informatie naar een standaardformaat van tijdgestempelde intervallen tussen de hartslagen. Deze "acquisitie-agnostische" aanpak betekent dat het systeem flexibel is en met verschillende soorten hardware kan werken zonder dat het voor elk type opnieuw gebouwd hoeft te worden.

Zodra de ruwe intervallen waren vastgelegd, begon het realtime werk van het systeem. Het berekende standaardmaten van hartslagvariabiliteit, die ons vertellen hoeveel de hartslag fluctueert, en vergeleek deze cijfers met de eigen rustbaseline van de persoon. Dit is een cruciale stap, omdat een hartslag van 80 slagen per minuut heel andere betekenissen kan hebben voor een hooggetrainde atleet dan voor iemand die sedentair is. Door elke meting te verankeren aan het individuele startpunt, biedt het systeem een gepersonaliseerd beeld van fysiologische verandering. Het genereerde ook een "Signaalbetrouwbaarheidsscore", een continue schatting van hoe betrouwbaar de gegevens op elk gegeven moment waren. Deze score was niet slechts een gok; deze werd berekend door te kijken naar hoeveel geldige hartslagen werden gedetecteerd, hoe vers de gegevens waren en of het ritme plausibel leek.

Om te garanderen dat hun systeem correct functioneerde, onderwierpen de onderzoekers het aan een reeks rigoureuze tests. Eerst vergeleken ze hun op maat gemaakte hartslagdetector met deskundige annotaties uit een beroemde database van hartopnames die bijna 110.000 hartslagen bevat. Hun systeem identificeerde de juiste hartslagen met een nauwkeurigheid die overeenkwam met gevestigde, hoogwaardige algoritmen, met een score van 0,9851. Dit bevestigde dat de hardware en software in de eerste plaats betrouwbaar de hartslagen konden vinden. Vervolgens testten ze hoe goed het systeem omging met ruis. Ze introduceerden doelbewust statische elektriciteit en interferentie in de hartsignalen om te zien of het systeem nog steeds kon herkennen wanneer de gegevens slecht waren. Hun nieuwe "Signaalbetrouwbaarheid"-metriek identificeerde deze gedegradeerde signalen succesvol en presteerde beter dan een standaardmethode in het vakgebied. Dit bewees dat het systeem het onderscheid kon maken tussen een schoon, bruikbaar signaal en een ruisachtig, onbetrouwbaar signaal, een vitale capaciteit voor gebruik in de echte wereld.

De onderzoekers testten het systeem ook in een gesimuleerde spoedeisende hulp-omgeving. Tien artsen namen deel aan dyadische sessies waarbij zij medische scenario's doorliepen terwijl zij de sensoren droegen. Het systeem registreerde de gegevens van alle tien de deelnemers tegelijkertijd, waarbij de individuele stromen gescheiden bleven en gesynchroniseerd waren met de fasen van de simulatie. Het legde de overgang vast van een kalme baseline naar de periode van hoge stress tijdens de interventie en weer terug naar herstel, terwijl het een hoog niveau van datakwaliteit behield. Het systeem slaagde erin deze informatie te verwerken en te leveren met een mediane vertraging van minder dan 8 milliseconden. Deze snelheid is zo hoog dat de gegevens voor alle praktische doeleinden direct beschikbaar zijn zodra ze worden gegenereerd, wat monitoring in realtime mogelijk maakt in plaats van enkel retrospectieve analyse.

Het uiteindelijke doel van dit werk is niet om direct ziekten te diagnosticeren, maar om een hoogwaardige, gestandaardiseerde laag van gegevens te creëren die andere onderzoekers en ontwikkelaars kunnen gebruiken. Het systeem geeft de gegevens uit in formaten die gemakkelijk door computers te lezen zijn, inclusief gestructureerde bestanden die de context van elke meting bewaren. Dit betekent dat wanneer een wetenschapper wil bestuderen hoe stress het hart beïnvloedt, hij geen maanden hoeft door te brengen met het opschonen van rommelige gegevens of het raden wat de persoon aan het doen was toen een specifieke piek optrad. De context is al aanwezig, gecodeerd in het gegevensobject zelf. De onderzoekers benadrukken dat dit een fundamenteel hulpmiddel is, een eerste laag van infrastructuur die de complexe, continue stroom van menselijke fysiologie toegankelijk maakt voor moderne machine learning en statistische modellen.

Door ruwe, continue stromen van hartgegevens te transformeren naar georganiseerde, contextbewuste objecten, overbrugt deze infrastructuur de kloof tussen de fysieke wereld van het kloppende hart en de digitale wereld van de gegevenswetenschap. Het zorgt ervoor dat de rijke informatie die in elke hartslag besloten ligt, niet verloren gaat aan ruis of een gebrek aan context. Het systeem neemt niet zelf de medische beslissingen, maar het biedt de schone, betrouwbare en goed gelabelde gegevens die nodig zijn om die beslissingen in de toekomst accuraat te kunnen nemen. In een veld waar gegevens steeds overvloediger worden maar vaak moeilijk te gebruiken zijn, biedt dit werk een helder pad vooruit, waarbij de chaotische ritmiek van het menselijk hart wordt getransformeerd naar een taal die machines eindelijk kunnen begrijpen.