Comprendre la variabilité de la pression artérielle et de la fréquence cardiaque

Annales Françaises d’Anesthésie et de Réanimation 22 (2003) 425–452 www.elsevier.com/locate/annfar

Revue générale

Comprendre la variabilité de la pression artérielle et de la fréquence cardiaque To understand blood pressure and heart rate variability E.P. Souza Neto a,b,*, J. Neidecker a, J.J. Lehot a a

Service d’anesthésie–réanimation, hôpital cardiovasculaire et pneumologique Louis-Pradel, BP Lyon Monchat, 69394 Lyon cedex 03, France b Laboratoire de physiologie de l’environnement, 8, avenue Rockefeller, 69373 Lyon cedex 08, France Reçu le 7 juin 2002 ; accepté le 20 février 2003

Résumé Objectif. – Faire une revue de l’état actuel des connaissances sur la variabilité de la fréquence cardiaque et de la pression artérielle. Sources des données. – Recherche des données dans la banque de données Medline® des articles de langue française ou anglaise. Les articles originaux et les observations cliniques ont été retenus. Extraction des données. – Les articles ont été analysés de façon à extraire toutes les informations disponibles sur la variabilité de la pression artérielle et de la fréquence cardiaque (ou de l’intervalle RR), en mettant l’accent sur l’analyse spectrale. La non stationnarité est abordée, cas où les analyses temps–fréquence et temps–échelle sont d’un intérêt particulier. Synthèse des données. – En raison de sa capacité à moduler rapidement les niveaux de pression et la fréquence cardiaque, l’activité du système nerveux autonome peut être évaluée par la mesure de la variabilité de la pression artérielle et de la fréquence cardiaque. Le baroréflexe appartient au système nerveux autonome, et est l’un des principaux mécanismes de contrôle à court terme de la pression artérielle. En faisant varier la fréquence cardiaque et les résistances systémiques, le baroréflexe tend à maintenir le niveau de la pression artérielle. La variabilité de la pression artérielle et de la fréquence cardiaque a aidé à la compréhension des mécanismes physiopathologiques de certaines affections. Un nombre croissant de travaux suggère que les composantes spectrales de ces signaux, notamment la balance sympathovagale, peuvent avoir une valeur pronostique. Les différents types d’analyse spectrale des signaux biologiques, en particulier la transformée de Fourier rapide, peuvent être utilisés d’une façon facilement lisible et interprétable, en particulier en clinique. L’analyse spectrale des signaux non stationnaires a conduit à développer des outils spécifiques adaptés à ces signaux, parmi lesquels émergent les méthodes temps–fréquence et temps–échelle qui prennent explicitement en compte une possible évolution temporelle du contenu fréquentiel d’un signal. © 2003 Éditions scientifiques et médicales Elsevier SAS. Tous droits réservés. Abstract Objectives. – To review current data on the heart rate and blood pressure variability. Data sources. – Search through Medline™ databases of articles in french or english. Data selection. – Original articles and case reports were selected according to their quality and main advances. The articles were analysed in order to obtain current data about the methods of study and clinical application of blood pressure and heart rate variability. Data synthesis. – Various regulatory systems in the cardiovascular system play crucial roles in controlling and assuring adequate perfusion of the peripheral tissues. Among them the baroreceptor reflex is the most important regulatory mechanism in the short-term control of the heart rate and blood pressure, and operates through the autonomic nervous system. The gain of the cardiac baroreflex further referred to, as baroreflex sensitivity is an interesting way to study this system. Unfortunately, with our current knowledge, it is not possible to predict the instantaneous output of the baroreceptor in response to instantaneous changes in input within a frequency range of physiological importance. The fast Fourier transform can describe variables as the sum of elementary oscillatory components and it has been established as practical clinical methods for detecting abnormalities in cardiovascular control. A time–frequency distribution provides an indication of how the spectral energy distribution varies with time and it is an interesting tool in non-stationary data. One of the major motivations behind spectral * Auteur correspondant. Adresse e-mail : [email protected] (E.P. Souza Neto).

© 2003 Éditions scientifiques et médicales Elsevier SAS. Tous droits réservés. DOI: 10.1016/S0750-7658(03)00134-5

426

E.P. Souza Neto et al. / Annales Françaises d’Anesthésie et de Réanimation 22 (2003) 425–452

analysis is the hope that the combination of time–domain and frequency–domain analyses will provide dynamical informations about the relation between blood pressure and heart rate. © 2003 Éditions scientifiques et médicales Elsevier SAS. Tous droits réservés. Mots clés : Analyse spectrale ; Baroréflexe ; Pression artérielle ; Rythme cardiaque ; Système nerveux autonome Keywords: Autonomic nervous system; Baroreflex; Blood pressure; Heart rate; Spectrum analysis

1. Introduction Le problème essentiel pour la survie de l’organisme est de pouvoir répondre de façon adéquate aux variations de l’environnement. Or, ces variations sont de 2 types : celles qui sont prévisibles et celles qui ne le sont pas. La pression artérielle et la fréquence cardiaque varient à tout instant et sont contrôlées à plusieurs niveaux par : le système nerveux central, le baroréflexe, le chémoréflexe, régulation à court terme ; les systèmes hormonaux (système rénine–angiotensine, l’arginine vasopressine, système kallicréine–kinine, facteur atrial natriurétique, oxyde nitrique), le phénomène de tension– relaxation, le transfert de liquide interstitiel vers le secteur plasmatique ou vice versa, régulation à moyen terme ; et les reins, régulation à long terme [1]. Le système baroréflexe fait partie du système nerveux autonome et est un des principaux mécanismes de contrôle à court terme de la pression artérielle et de la fréquence cardiaque. Son activité est modulée par des afférences provenant des 2 arcs réflexes : les récepteurs cardiopulmonaires, à basse pression, et les barorécepteurs sino-aortiques, à haute pression. En raison de sa capacité à moduler rapidement les niveaux de pression et la fréquence cardiaque, l’activité du système nerveux autonome peut être évaluée par la mesure de la variabilité de la pression artérielle et de la fréquence cardiaque. Nous pouvons identifier d’une manière très simplifiée le système baroréflexe à une boucle de régulation d’un système dynamique avec les caractéristiques suivantes : une variable régulée (la pression artérielle) qui est maintenue autour d’une valeur fixe, des capteurs (les récepteurs) qui détectent les variations de la variable régulée et une variable (la fréquence cardiaque) qui rectifie les variations détectées [1]. La variabilité de la pression artérielle et de la fréquence cardiaque peut être décomposée selon 2 échelles de temps (on ne considérera pas la variabilité saisonnière) : la variabilité circadienne (circa = environ) ou encore nycthémérale, qui concerne les variations de la pression artérielle et de la fréquence cardiaque au cours de 24 h ; et la variabilité à court terme, variations au cours de quelques minutes, dans lesquelles on doit distinguer des variations spontanées et des variations inopinées (effort, changement de position, émotion, etc.). Il apparaît que la prise en compte des variations rythmiques dans les maladies cardiovasculaires peut permettre de mieux comprendre les mécanismes physiopathologiques impliqués. Par exemple, l’hypertension artérielle s’accompagne parfois de perturbations du rythme circadien de la pres-

sion artérielle. Il a été démontré que la diminution de la variabilité de la fréquence cardiaque, après un infarctus du myocarde, est un facteur prédictif de mortalité et d’arythmies graves indépendant des autres facteurs prédictifs [2–4]. L’étude de cette variabilité s’inscrit dans la suite logique des recherches conduites sur la mesure du niveau tensionnel. Si les valeurs de la pression artérielle et de la fréquence cardiaque permettent d’évaluer la variabilité dans le domaine temporel (écart-type, coefficient d’asymétrie–étirement, coefficient d’aplatissement), cette description ne permet pas de rendre compte du rythme des fluctuations. Notre objectif a été d’exposer l’étude de la variabilité de la pression artérielle et de la fréquence cardiaque, contrôlées par le baroréflexe, au cours de différentes conditions. Cette revue n’est pas exhaustive sur ce sujet (les différents types d’analyse spectrale ne seront pas abordés). Elle reflète les difficultés que peut rencontrer un médecin confronté à ces méthodes qui nécessitent une bonne connaissance dans le domaine du traitement du signal. 2. Le système nerveux autonome Le système nerveux autonome, nommé également végétatif ou involontaire, intervient dans la régulation de nombreuses fonctions de l’organisme. Le système nerveux autonome exerce un contrôle rapide et permanent du milieu intérieur très instable. Il peut être considéré comme une voie finale commune, tendue entre le névraxe et les organes effecteurs, et soumise à la double influence des afférences périphériques et des centres suprasegmentaires du système nerveux central. Son atteinte n’entraîne pas la paralysie mais le dysfonctionnement de l’organe qu’il innerve. En effet, ce dernier possède le plus souvent une autonomie fonctionnelle spécifique que le système végétatif adapte de manière incessante aux conditions de l’environnement [5]. Les fibres nerveuses afférentes conduisent les messages sensitifs provenant des mécanorécepteurs, des chémorécepteurs et des nocicepteurs viscéraux [6]. Les centres d’intégration sont situés au niveau du système limbique, qui est constitué d’éléments interconnectés à la base du cerveau. Le système limbique désigne l’ensemble du système formant la base de l’encéphale et contrôlant principalement les comportements émotionnels et instinctifs. L’hypothalamus occupe une position stratégique au centre du système limbique, il a des faisceaux de communication avec tous les niveaux du système limbique. De nombreuses activités sont engendrées ou inhibées lorsque l’hypothalamus est

E.P. Souza Neto et al. / Annales Françaises d’Anesthésie et de Réanimation 22 (2003) 425–452

stimulé. En général, la stimulation des régions postérieure et latérale de l’hypothalamus augmente la pression artérielle et la fréquence cardiaque ; en revanche, la stimulation de l’aire pré-optique entraîne une diminution de la pression artérielle et de la fréquence cardiaque. De nombreuses connexions existent avec des centres échelonnés dans le tronc cérébral et la moelle épinière, et avec des structures corticales et souscorticales sus-jacentes [6]. Les centres médullaires sont des centres relais, mais ils sont également capables de générer des réponses complexes, sans intégration par les centres sus-jacents. La liaison entre le système nerveux central et l’organe cible se fait par des fibres nerveuses correspondant aux axones des cellules nerveuses intra-axiales (fibres préganglionnaires) et à ceux des cellules ganglionnaires (fibres postganglionnaires). On distingue 2 contingents, les fibres à destinée viscérale qui assurent l’innervation des viscères et les fibres à destinée somatique qui assurent l’innervation de certaines formations du revêtement cutané (glandes sudoripares, muscles érecteurs des poils, vaisseaux cutanés) et des muscles squelettiques. Les fibres préganglionnaires et postganglionnaires sont connectées par une synapse acétylcholinergique nicotinique. L’ensemble des synapses forme un épaississement anatomique nommé ganglion [6]. La répartition respective des fibres pré- et postganglionnaires permet de caractériser les systèmes orthosympathiques (appelé aussi sympathique) et parasympathiques. Sur le plan transversal, le contingent sympathique se caractérise par un neurone préganglionnaire court, alors que le contingent parasympathique s’individualise par un premier neurone long. Sur le plan longitudinal, le rapport entre fibres pré- et postganglionnaires est de l’ordre de 1/5 et plus pour le système sympathique (ganglion cervical supérieur), alors qu’il est de 1/2 seulement pour le système parasympathique (ganglion ciliaire). De ce fait, sur le plan fonctionnel, l’innervation sympathique intéresse des territoires étendus sur la presque totalité de l’organisme. En revanche, la mise en jeu du parasympathique n’intéresse qu’une région spécifique et localisée. C’est dans le système nerveux autonome que le concept de la neurotransmission a été d’abord élaboré, et durant ces 20 dernières années les progrès techniques d’évaluation fonctionnelle et structurale du système nerveux autonome ont permis de révéler de nouvelles substances neurotransmettrices [7]. À l’heure actuelle une vingtaine de substances concernant une grande variété de tissus sont proposées comme neurotransmetteurs possibles du système nerveux autonome [8]. Certaines de ces substances sont appelées cotransmetteurs, car leurs actions postjonctionnelles sont dues à un effet sur des récepteurs spécifiques [9]. D’autres substances sont appelées neuromodulateurs car elles n’ont pas d’action directe sur des récepteurs, mais elles altèrent l’action de médiateurs costockés au niveau des membranes pré et postsynaptiques [9]. De nombreux produits sont neuromodulateurs parce qu’ils modifient le processus de neurotransmission (cas des neurohormones circulantes, des agents

427

relargués localement tels que les bradykinines ou l’histamine). Le neurotransmetteur synthétisé par les neurones préganglionnaires sympathiques et parasympathiques, et libéré au niveau de la synapse est l’acétylcholine (fibres cholinergiques). Les neurones préganglionnaires sympathiques contiennent aussi des neuropeptides composés de 2 à 30 acides aminés (enképhaline, substance P, LH-RH, somatostatine, etc.) [9]. Au niveau postganglionnaire, les neurones parasympathiques sont aussi cholinergiques. Outre l’acétylcholine, le plus connu des neuropeptides libérés par les fibres parasympathiques est le polypeptide intestinal vaso-actif, qui a une action dans l’érection pénienne. Des ganglions parasympathiques qui innervent les artères cérébrales, l’iris et les artères utérines contiennent également le polypeptide intestinal vaso-actif [9,10]. Les neurones sympathiques utilisent comme neurotransmetteur la noradrénaline, sauf les glandes sudoripares, certains vaisseaux et les muscles pilo-érecteurs qui sont cholinergiques. Les neurones postganglionnaires sympathiques peuvent libérer aussi de l’adénosine 5’-triphosphate (ATP) et le neuropeptide Y [10]. Le neuropeptide Y serait libéré surtout pour de hautes fréquences de stimulation. Il se trouve dans les terminaisons à destinée cardiaque aussi bien que vasculaire. Il agit essentiellement en limitant la libération de noradrénaline et d’adénosine 5’-triphosphate. Il a également une action directe, vasoconstrictrice, sur les vaisseaux de certains organes comme la rate, le rein, le cœur et le cerveau [9]. D’autres neurotransmetteurs comme les acides aminés, la sérotonine, l’histamine, la dopamine, le calcitonin generelated peptide et le monoxyde d’azote (NO) sont impliqués comme neuromédiateurs du système nerveux autonome [9]. Les acides aminés sont ubiquitaires au niveau du système nerveux central et ont souvent une action inhibitrice. Ils comprennent l’acide gamma-aminobutyrique (Gaba), la glycine, l’acide glutamique et l’acide aspartique [9]. Le monoxyde d’azote est un cotransmetteur et jouerait un rôle important dans la réponse du système non adrénergique non cholinergique à l’érection pénienne [11]. Avant que les transmetteurs libérés par le système nerveux autonome provoquent leurs effets sur l’organe effecteur, ils doivent se fixer sur des récepteurs spécifiques, permettant la liaison entre le transmetteur et la cible. 3. Le baroréflexe Le baroréflexe appartient au système nerveux autonome, et est l’un des principaux mécanismes de contrôle à court terme de la pression artérielle [1]. Son activité est modulée principalement par des afférences provenant de 2 arcs réflexes : les récepteurs cardiopulmonaires du système à basse pression, d’où partent des fibres myélinisées (type A et B) et non myélinisées (type C) ; ces récepteurs sont sensibles aux variations des pressions atrioventriculaires et les barorécepteurs sino-aortiques du système à haute pression (bifurca-

428

E.P. Souza Neto et al. / Annales Françaises d’Anesthésie et de Réanimation 22 (2003) 425–452

tions carotidiennes et crosse aortique), d’où partent le nerf de Hering qui emprunte le trajet du glossopharyngien (IXe paire crânienne) et le nerf de Ludwig-Cyon qui emprunte le trajet du vague (Xe paire crânienne) [12]. Ces afférences cheminent vers le noyau du tractus solitaire, sous le plancher du quatrième ventricule. À partir du noyau du tractus solitaire, il existe un relais synaptique avec le noyau moteur dorsal du vague, par le biais d’interneurones activateurs et avec le centre vasomoteur bulbaire par l’intermédiaire d’un neurone inhibiteur. Le noyau du tractus solitaire reçoit aussi des afférences d’origine suprabulbaire, en particulier hypothalamique. Le nerf de Hering et le nerf de Ludwig-Cyon sont constitués par des fibres préganglionnaires myélinisées parasympathique et sympathique de nature cholinergique ; et postganglionnaire, amyéliniques, de nature cholinergique (parasympathique) ou noradrénergique (sympathique) [12]. À l’état basal, les nerfs afférents du baroréflexe exercent une activité permanente sur le noyau du tractus solitaire, provoquant une activation du noyau dorsal du vague (effet bradycardisant) et une inhibition du centre vasomoteur et de la voie bulbospinale sympathique (effet vasodilatateur) [12]. Le système baroréflexe exerce donc physiologiquement en permanence un tonus vagal cardiomodérateur et une inhibition du tonus sympathique vasomoteur. Toute augmentation de la pression artérielle au-dessus du seuil d’excitation des barorécepteurs entraîne une augmentation supplémentaire de l’activité nerveuse afférente, produisant une inhibition des centres vasomoteurs bulbaires. Cela se traduit par une diminution du tonus sympathique et une augmentation du tonus vagal [1]. Ces 2 effets tendent à corriger l’anomalie tensionnelle initiale. Le stimulus initial n’est pas directement la pression artérielle mais les variations de volémie et de tension transmurale transmises aux barorécepteurs qui réagissent à l’étirement pariétal [13]. Les variations de tension intramurale et les déformations de la paroi pendant les variations systoliques et diastoliques ont une amplitude dépendant à la fois du niveau de la pression artérielle, du diamètre du vaisseau et de l’état de la paroi vasculaire [13]. Chez les individus normotendus, le baroréflexe est plus sensible à l’hypotension qu’à l’hypertension et maintient la pression artérielle autour d’une valeur « normale ». Une augmentation ou une diminution de la pression artérielle modifie le signal provenant des barorécepteurs et engendre les ajustements nécessaires pour revenir à la valeur basale. Le fonctionnement de l’arc baroréflexe peut être défini à partir des courbes signal–réponse en termes de seuil, de sensibilité et de point d’équilibre. Le signal est en général le niveau de pression artérielle moyenne ou systolique. La réponse peut être étudiée en termes de variations de la fréquence cardiaque [13]. Le rapport entre la réponse réflexe et le stimulus traduit la sensibilité du réflexe (ou gain). Le réflexe parfait corrigerait complètement et instantanément les altérations de la pression artérielle. Deux facteurs sont à considérer pour la sensibilité du baroréflexe :

• la sensibilité est dépendante du niveau de pression artérielle. Le baroréflexe a un optimum d’activité. À distance de cet optimum, la sensibilité et donc l’action correctrice du baroréflexe diminuent ; • le délai de la réponse : les mécanismes nerveux prédominent dans les situations d’urgence, par opposition aux régulations hormonale et rénale. Le délai de réponse du baroréflexe cardiaque vagal chez l’homme est de moins de 1 s [14]. Chez les sujets hypertendus, le baroréflexe s’oppose aussi aux variations aiguës de la pression artérielle, mais chez ces malades la valeur du set-point (correspondant aux conditions basales) s’avère décalée vers la droite. On a décrit ce phénomène sous le terme de resetting du baroréflexe. Le resetting ou réajustement des barorécepteurs se définit comme le décalage de la courbe de réponse du baroréflexe vers des niveaux de pression plus élevés ou plus bas selon le niveau moyen de la pression artérielle [12]. Ce resetting se caractérise par une élévation du seuil d’inactivation, du P50 (correspondant à 50 % de l’activité du baroréflexe normalisée) et du point de saturation du baroréflexe. La position du set-point et la sensibilité du baroréflexe peuvent être modifiées ou non, selon les circonstances. Autrement dit, il s’agit d’un réajustement du « pouvoir tampon » du baroréflexe en fonction des conditions moyennes de la pression artérielle. Les réponses nerveuses gardent l’avantage, en termes de délai de réponse, sur les réponses humorales. Le système baroréflexe agit à court terme, pour des variations relativement brusques de la pression artérielle et dans certaines limites d’amplitude [1]. 4. Étude de la variabilité de la fréquence cardiaque et de la pression artérielle Le système de contrôle rapide de la pression artérielle est le système nerveux autonome, en raison de sa capacité à détecter et à modifier rapidement les niveaux de pression. Bien que la pression artérielle soit maintenue à une valeur relativement stable, il existe une variabilité tensionnelle spontanée au cours du temps pour laquelle il est possible de distinguer des composantes transitoires et rythmiques. La première apparaît très largement associée aux comportements naturels et aux réponses aux stimuli environnementaux. Elle est probablement secondaire à une activation sympathique d’origine centrale [15]. La composante rythmique a pu être étudiée grâce aux techniques d’analyse spectrale qui permettent d’isoler des fréquences d’oscillations caractéristiques. La variabilité tensionnelle pourrait constituer un risque propre surajouté au niveau tensionnel, qui n’en reste pas moins le principal déterminant de la morbidité cardiovasculaire [16–18]. C’est pourquoi l’évaluation précise et simple de la variabilité est indispensable dans la prévention et le suivi de pathologies telles que l’hypertension ou les diverses affections du système nerveux autonome (les dysautonomies). La variabilité au cours du temps peut être séparée en variabilité à court terme (de quelques secondes à quelques

E.P. Souza Neto et al. / Annales Françaises d’Anesthésie et de Réanimation 22 (2003) 425–452

minutes), variabilité à long terme et variabilité saisonnière. Le système nerveux central, le baroréflexe, le chémoréflexe font partie de la régulation à court terme ; les systèmes hormonaux (système rénine–angiotensine, l’arginine vasopressine, système kallicréine–kinine, facteur atrial natriurétique, oxyde nitrique), le phénomène de tension-relaxation, le transfert de liquide interstitiel vers le secteur plasmatique ou vice versa, font partie de la régulation à moyen terme ; les reins sont responsables de la régulation à long terme [1,17,19]. Par simplification, on distingue une variabilité à court et à long terme [19,20]. Afin de quantifier les oscillations responsables de la variabilité à court terme, des mesures continues (battement par battement) de la pression artérielle et de la fréquence cardiaque sont nécessaires. En ce qui concerne la fréquence cardiaque, l’électrocardiogramme a autorisé l’estimation de la variabilité de l’intervalle RR (ou de la fréquence cardiaque), et cette variabilité a donc été beaucoup étudiée. L’étude de la variabilité à court terme de la pression artérielle a été limitée au départ, du fait des mesures invasives intra-artérielles qu’elle supposait [21]. Actuellement, l’enregistrement non invasif de la pression artérielle cycle par cycle, est possible grâce au système de prise de pression au doigt, le Finapres® (Finger arterial pressure ; Ohmeda, Engelwood, CO) ou plus récemment le Portapres® (TNO-TPD Biomedical instrumentation research unit, Amsterdam, Pays-Bas), analogue portable du Finapres®.

429

(pression artérielle ou fréquence cardiaque, par exemple) : un signal est stationnaire si ses propriétés statistiques (telles que densité, moyenne, écart-type) et son contenu spectral sont invariables dans le temps ; • des informations à caractère « événementiel » qui, si on les observe sur la même échelle temporelle que celle mentionnée ci-dessus, correspondent à des modifications brutales de la dynamique qui peuvent être à caractère transitoire ou non. 4.3. Acquisition et traitement des données Les signaux continus de la pression artérielle et de la fréquence cardiaque (ou de l’intervalle RR) sont échantillonnés à une fréquence qui varie entre 100 et 1000 Hz (pour les études à court terme). Échantillonner va nécessiter la prise en compte de 2 paramètres d’échantillonnage : le pas et la durée d’échantillonnage. Le pas d’échantillonnage se définit comme l’intervalle de temps entre 2 numérisations successives. Ce pas est constant dans le cas d’un prélèvement régulier ou variable, dans le cas contraire. La durée d’échantillonnage se définit comme la durée nécessaire au prélèvement [22]. La pression artérielle et la fréquence cardiaque peuvent être enregistrées par un ordinateur de type PC grâce à des logiciels spécifiques comme par exemple LabView® (National instruments, Austin, TX, États-Unis).

4.1. Conditions d’étude

4.4. Traitement des signaux enregistrés

Afin d’avoir des conditions reproductibles, les conditions d’enregistrement doivent être standardisées. Tout d’abord, les sujets doivent être familiers du protocole et du milieu. Avant l’expérimentation, ils doivent être familiarisés avec la pièce où sera faite l’acquisition des données et avec le matériel. La pièce d’enregistrement doit être calme et sans lumière vive. Le but est d’avoir les conditions les plus stationnaires possibles.

4.4.1. Recherche des signaux enregistrés Un filtre passe bande doit être appliqué aux signaux de pression artérielle (0–60 Hz) et à l’ECG (2–60 Hz). Le traitement des données peut être réalisé en temps différé sur un ordinateur type PC avec des programmes type « personnels » développés, par exemple en langage Visual C++ 5 (Microsoft®). Des algorithmes spécifiques permettront sur le signal ECG de repérer chaque pic R et de rechercher un maximum, permettant d’obtenir l’intervalle RR battement par battement. Sur le signal de la pression artérielle nous pouvons rechercher, pour chaque battement, la pression systolique, la pression diastolique et la pression moyenne. L’enregistrement de la respiration nous permettra de mesurer la fréquence respiratoire.

4.2. La stationnarité Un signal peut être défini comme le support physique d’une information. Mathématiquement, les signaux sont représentés par une fonction d’une ou de plusieurs variables. Si le temps est la variable (signal monodimensionnel) le signal représente l’évolution temporelle d’une grandeur physique. L’évolution temporelle n’est pas nécessairement la seule variable qu’un signal peut estimer. Ainsi, une image statique est une fonction de 2 variables d’espace, qui sont les coordonnées cartésiennes d’un point dans le plan image. Dans ce cas, on a un signal bidimensionnel. Si l’on considère une échelle de temps le long de laquelle se déroulent les processus, 2 types d’informations peuvent être distingués : • des informations concernant une caractérisation stable (stationnaire) ou lentement évolutive de la dynamique de certaines variables du système étudié. Rappelons la signification de la notion de stationnarité d’un signal

4.4.2. Analyse mathématique Toutes les séries chronologiques ainsi obtenues sont filtrées manuellement de façon à éliminer les valeurs estimées extraphysiologiques et résultant d’une erreur de détection définie par exemple comme une valeur qui peut différer de plus de 20 % de la précédente. Lorsqu’une valeur anormale sera retrouvée (une absence de détection d’un pic R ou la détection d’une onde T en plus du pic R, par exemple), elle devra être traitée. Dans le premier cas, un battement peut être inséré par interpolation. Dans le second cas les 2 battements trop courts peuvent être supprimés et un battement sera

430

E.P. Souza Neto et al. / Annales Françaises d’Anesthésie et de Réanimation 22 (2003) 425–452

ajouté par interpolation. Les données filtrées sont alors rééchantillonnés à 4 Hz (en général) pour obtenir un pas régulier. 4.5. Indices statistiques utilisés La variabilité de la pression artérielle et de la fréquence cardiaque peuvent être étudiées soit par le calcul d’indices statistiques dans le domaine temporel, soit par l’analyse spectrale dans le domaine fréquentiel [23,24]. Comme décrits auparavant, 2 types de variabilité peuvent être distingués : la variabilité à court terme (battement par battement) qui représente les changements rapides de la pression artérielle et de la fréquence cardiaque et celle à long terme qui fait appel à des protocoles d’enregistrements différents [23]. C’est surtout la variabilité à long terme qui est utilisée lorsqu’il s’agit de suivre une pathologie telle que l’hypertension. Grâce à des mesures tensionnelles espacées réalisées avec un appareillage non invasif, des rythmes lents ont été mis en évidence [21,23]. Une variabilité à court terme accrue semble associée à des lésions plus avancées et serait liée à une altération du contrôle baroréflexe [13]. 4.5.1. Domaine temporel La dispersion temporelle des données hémodynamiques peut être évaluée par le calcul de divers paramètres [23]. 4.5.1.1. Minimum, maximum, étendue et moyenne. La plus petite valeur (minimum), la plus grande valeur (maximum) et la différence entre le minimum et le maximum d’un ensemble de nombres définissent l’étendue d’un échantillon. Une moyenne est une valeur caractéristique ou représentative, d’un jeu de données, puisque de telles valeurs caractéristiques ont tendance à se trouver dans la zone centrale. Les moyennes sont aussi appelées mesures de tendance centrale [25]. Ces valeurs ne sont pas forcément représentatives de l’échantillon et peuvent donc être sources d’erreurs. Des valeurs extrêmes peuvent suggérer une plus grande variabilité que ne l’indiquent les autres éléments de l’échantillon. Cependant, leur interprétation facile permet de les utiliser en complément d’autres mesures de la variabilité [19,25]. 4.5.1.2. Écart-type (ou déviation standard). L’écart-type est la moyenne des différences quadratiques entre les valeurs observées et la valeur moyenne sur une période considérée (dispersion des données autour de la moyenne). L’écart-type est exprimé dans les mêmes unités que les données, et un écart-type égal à zéro signifie que les données sont toutes identiques à la moyenne donc toutes identiques entre elles [19,25]. Les données d’une loi normale (courbe de Gauss ou en cloche) suivent la règle empirique des statistiques : 68 % des données appartiennent à l’étendue comprise entre la moyenne plus ou moins l’écart-type ; 95 % à l’étendue comprise entre la moyenne plus ou moins le double de l’écart-type (plutôt 1,96 écart-type, cependant il est habituel

de considérer 2 fois l’écart-type), et 99,7 % à l’étendue de la moyenne plus ou moins le triple de l’écart-type [25]. 4.5.1.3. Variance. En général, pour se libérer du problème des valeurs absolues des écarts, on utilise plutôt un indice appelé « variance » de la distribution qui est en fait la valeur moyenne des carrés des écarts entre les valeurs observées et la valeur moyenne sur une période donnée. On emploie souvent la variance comme mesure de la variabilité lorsque la moyenne est utilisée comme mesure de la tendance centrale, car la somme des carrés des différences entre un ensemble de données et une valeur individuelle est minimisée lorsque cette valeur est la moyenne de l’échantillon [25]. Cependant, cette méthode a le désavantage de donner un poids excessif aux valeurs très écartées de la moyenne, puisque les différences sont élevées au carré [19,25]. 4.5.1.4. Coeffıcient de variation. Il est obtenu en divisant l’écart-type par la moyenne, et on l’exprime le plus souvent sous la forme d’un pourcentage. Les unités du numérateur et du dénominateur étant les mêmes, le coefficient de variation n’a pas d’unité. Lorsque la moyenne est numériquement petite (proche de zéro), le coefficient de variation peut être très élevé, même si la variation ne l’est pas pour les données [19,25]. 4.5.1.5. Déviation absolue par rapport à la médiane. C’est une mesure de la variabilité tenant compte de toutes les données mais accordant moins d’importance aux points isolés que la déviation standard. Elle est souvent une mesure de variabilité utile lorsque la médiane est utilisée pour décrire la tendance centrale des données [25]. 4.5.1.6. Coeffıcient d’asymétrie–étirement (Skewness). Le coefficient d’asymétrie exprime la répartition des valeurs par rapport à la moyenne d’une distribution. Dans le cas d’une distribution symétrique, le coefficient d’asymétrie est nul [25]. 4.5.1.7. Coeffıcient d’aplatissement (Kurtosis). Il donne un ordre de grandeur du nombre de données extrêmes par rapport à la partie centrale de la distribution. Selon l’échelle de l’aplatissement, les données provenant de distributions normales ont un coefficient d’aplatissement nul [25]. Quelques études prenant en compte le domaine temporel sont disponibles [17,21,23]. Pour l’hypertension, par exemple, des études ont corrélé l’évolution de l’hypertension avec les indices de variabilité à court terme, estimée par l’écarttype des valeurs de la pression artérielle recueillies pendant une demi-heure, et les indices de variabilité à long terme, estimés sur 24 h par la moyenne des 48 écarts-types d’une demi-heure [17,26]. En revanche, l’inconvénient de ces calculs temporels est qu’ils n’apportent pas de renseignements pour décrire la chronologie de la variabilité, d’autant plus que pour une même variance on peut avoir des profils temporels très différents (Fig. 1). Les différents types d’indices dans le domaine temporel sont présentés dans la Fig. 2.

E.P. Souza Neto et al. / Annales Françaises d’Anesthésie et de Réanimation 22 (2003) 425–452

Fig. 1. Différents modèles de variation de la pression artérielle (PA) ayant la même valeur moyenne (140 mmHg) et la même déviation standard (11,8 mmHg). On peut observer que ces modèles présentent des profils très différents expliquant l’intérêt des indices de variabilité dans le domaine fréquentiel (d’après la référence [38], avec permission).

4.5.1.8. Calculs basés sur l’intervalle RR ou sur la comparaison des différences entre les intervalles RR adjacents. Généralement, ces calculs sont faits à partir des enregistrements de Holter (Figs. 3, 4). L’enregistrement doit être de bonne qualité. C’est-à-dire, seuls les intervalles compris entre 2 QRS normaux ne s’écartant pas plus de 25 % des précédents sont retenus. Les extrasystoles ventriculaires et supraventriculaires doivent être éliminées. Les artéfacts et les fausses pauses dues aux QRS d’amplitude trop faible pour être analysés par la machine sont à éliminer manuellement [23]. Ils sont divisés en 2 classes [23,27,28] : • les variables dérivées directement de la mesure des intervalles RR : C NN (intervalle entre 2 battements cardiaques, normal to normal, NN) ; C SDNN (déviation standard de l’intervalle RR sur toute la période d’enregistrement, standard deviation of all NN intervals) qui renseigne sur la variabilité globale ; C SDNN index ou ASDNN (moyenne des déviations standards de l’intervalle RR sur des segments de 5 min, pendant toute la période d’enregistrement, mean of the standard deviations of all NN intervals for all 5 min segments) qui renseigne sur la variabilité à court terme ; C SDANN (déviation standard de la moyenne des intervalles RR des segments de 5 min sur toute la période d’enregistrement, standard deviation of the averages of NN intervals in all 5 min segments of the entire recording) qui exprime la variabilité globale des cycles de 5 min, c’est-à-dire la variabilité à long terme ;

431

• les variables dérivées de la différence entre les intervalles RR : C NN50 (nombre d’intervalles RR successifs supérieurs à 50 ms, number of adjacent NN intervals differing by more than 50 ms) ; C SDSD (déviation standard de la différence entre les intervalles RR successifs, standard deviation of differences between adjacent NN intervals) ; C pNN50 (NN50 divisé par le nombre total d’intervalles, NN50 count divided by the total number of all NN intervals) qui exprime la variabilité de haute fréquence principalement d’origine parasympathique, modulée par la respiration ; C RMSSD (racine carrée des différences au carré des intervalles RR successifs, the squared root of the mean of the sum of the squares of differences between adjacent NN intervals) qui exprime aussi la variabilité de haute fréquence principalement d’origine parasympathique, modulée par la respiration. Cette mesure est préférable à pNN50 et à NN50 [23]. Comme il y a une corrélation entre quelques mesures, les SDNN, SDANN, RMSSD sont les mesures recommandées par la Task Force pour étudier la variabilité cardiaque [23]. Ces indices constituent une méthode séduisante et non invasive pour étudier la réponse cardiaque à la stimulation du système nerveux autonome. Après un infarctus du myocarde par exemple, la diminution de la variabilité cardiaque calculée par ces variables est un facteur prédictif de mortalité et d’arythmie grave indépendant des autres facteurs [29,30]. D’autres méthodes temporelles ont été utilisées pour étudier la variabilité mais ne seront pas abordées dans cet article [31–35]. La variabilité de la pression artérielle et de la fréquence cardiaque peut être définie comme un ensemble de fluctuations plus ou moins rapides. Il nous faut donc essayer de décrire ces oscillations (modulation du signal selon ses fréquences spécifiques) par une autre méthode. 4.5.2. Domaine fréquentiel Joseph Fourier a démontré en 1807 que tout signal périodique de forme quelconque est la superposition d’oscillations simples dites « sinusoïdales » (l’onde résultante étant la superposition de 2 ondes sinusoïdales), d’amplitudes et de fréquences variées. Ces oscillations simples sont appelées « harmoniques ». Plus le signal a une forme complexe, plus il contient d’harmoniques. Dans les cas simples, par exemple, le son d’un instrument de musique, la fréquence des harmoniques est un multiple entier (1, 2, 3, etc.) d’une fréquence appelée « fréquence fondamentale » ou « première harmonique ». Son musical, lumière chatoyante, courant électrique, tous ces signaux sont des vibrations, des successions d’oscillations qui se reproduisent à l’identique. Ces signaux sont dits « périodiques ». Trois variables les caractérisent : l’intensité du signal, donc son amplitude, la fréquence ou nombre d’oscillations par seconde et la forme des oscillations. Dans le mouvement harmonique, si chaque période dure un temps

432

E.P. Souza Neto et al. / Annales Françaises d’Anesthésie et de Réanimation 22 (2003) 425–452

Fig. 2. Enregistrement de la pression artérielle systolique (PAS) et de l’intervalle RR chez un volontaire sain, couché, en respiration non contrôlée, et calcul des paramètres de statistique descriptive. La PAS et l’intervalle RR combinent des oscillations amples et lentes et des variations plus rapides de faible amplitude. L’enregistrement a été réalisé entre 17 et 18 h à l’aide d’un système Finapres® 2300 et d’un oscilloscope Philips® (données personnelles).

T0 secondes (période propre de l’oscillateur), il se produit N0 = 1/T0 oscillations s–1. N0 est la fréquence propre des oscillations. Elle s’exprime en hertz (Hz). La transformation de Fourier du signal temporel permet donc de calculer le spectre du signal, et d’accéder ainsi à sa représentation fréquentielle [36]. La représentation spectrale présente en abscisse une échelle de fréquences et en ordonnée une échelle d’amplitudes. L’observation du signal dans ce nouveau domaine permet parfois de mettre en évidence des informations qui n’étaient pas facilement décelables dans le domaine temporel [37–40]. L’approche spectrale a permis de décrire la variabilité de la pression artérielle et de la fréquence cardiaque non pas en fonction du temps (domaine temporel), mais en fonction des oscillations qui la composent. La méthode décrite par Fourier est la plus classique pour analyser un signal et ainsi extraire les informations utiles qu’il contient.

4.5.2.1. Le filtrage du signal. Dans le signal brut, on peut avoir la présence d’artéfacts et de bruits, c’est pourquoi un filtrage de ce signal s’avère nécessaire. L’objectif du filtrage est de séparer 2 phénomènes de fréquences différentes. Il peut éliminer du signal certaines de ses composantes harmoniques indésirables (bande bloquée) ou inversement, ne garder que certaines fréquences (bandes passantes). Par exemple, prenons un signal avec 2 phénomènes quelconques, le phénomène A de fréquence comprise entre 0,1 et 0,4 Hz, et le phénomène B de fréquence comprise entre 1 et 1,6 Hz. Un filtre passe-bas (fréquence de coupure = 1 Hz) va permettre d’éliminer le phénomène B et donc d’extraire le phénomène A du signal brut. Nous pourrons alors obtenir uniquement les fréquences correspondantes au phénomène A. Un filtre passe-haut va permettre d’extraire le phénomène B du signal brut. Nous pourrons alors obtenir uniquement les fréquences

E.P. Souza Neto et al. / Annales Françaises d’Anesthésie et de Réanimation 22 (2003) 425–452

433

Fig. 3. Enregistrement Holter des 24 h chez un volontaire sain. La variabilité temporelle du rythme sinusal a été évaluée avec un logiciel Synetec 1.20® (Ela Médical). FC, fréquence cardiaque ; SD, écart-type (ou déviation standard) ; NN, (intervalle RR), intervalle entre 2 battements cardiaques ; pNN50, NN50 divisé par le nombre total d’intervalles ; RMSSD, racine carrée des différences au carré des intervalles RR successifs ; ASDNN, moyenne des déviations standard de l’intervalle RR sur des segments de 5 min ; SDANN, déviation standard de la moyenne des intervalles RR des segments de 5 min sur toute la période d’enregistrement. Données du Pr P. Chevalier (hôpital Louis-Pradel, Lyon).

correspondantes au phénomène B. Étant donnée la proximité existant entre ces 2 phénomènes, il nous faut un filtre qui possède la pente de coupure la plus rapide. L’extraction des informations utiles contenues dans les signaux et la présentation des résultats sous une forme appropriée sont des tâches essentielles du traitement du signal [22].

4.5.2.2. Théorème de Shannon. Le théorème de Shannon est un théorème d’échantillonnage : si un signal continu f(t) ne contient aucune composante de fréquence supérieure à fmax (Hz), toute l’information concernant f(t) est entièrement contenue dans les valeurs échantillonnées chaque Dt, pourvu que Dt < 1/(2 fmax) ou encore 1/Dt > 2 fmax (la fréquence

434

E.P. Souza Neto et al. / Annales Françaises d’Anesthésie et de Réanimation 22 (2003) 425–452

Fig. 4. Enregistrement Holter des 24 h chez un patient hypertendu avec un angor stable. L’analyse temporelle montre une altération profonde des paramètres avec un écart-type bas. La variabilité temporelle du rythme sinusal a été évaluée avec un logiciel Synetec 1.20® (Ela Médical). FC, fréquence cardiaque ; SD, écart-type (ou déviation standard) ; NN (intervalle RR), intervalle entre 2 battements cardiaques ; pNN50, NN50 divisé par le nombre total d’intervalles ; RMSSD, racine carrée des différences au carré des intervalles RR successifs ; ASDNN, moyenne des déviations standard de l’intervalle RR sur des segments de 5 min ; SDANN, déviation standard de la moyenne des intervalles RR des segments de 5 min sur toute la période d’enregistrement. Données du Pr P. Chevalier (hôpital Louis-Pradel, Lyon).

d’échantillonnage minimale est donc 2 fmax). Pour un intervalle de temps Dt de 2 s (fréquence d’acquisition = 0,5 Hz), le spectre couvrira les fréquences de 0 à 0,25 Hz et pour Dt = 0,2 s (fréquence d’acquisition = 5 Hz), le spectre ira jusqu’à 2,5 Hz. Le nombre de points (N) utilisés pour la transformée de Fourier rapide détermine le nombre de valeurs de l’échelle des fréquences (égal à la moitié du nombre de points). La

combinaison de la fréquence d’acquisition et du nombre de points détermine la largeur de chaque bande de fréquence du spectre, c’est la résolution fréquentielle du spectre : Df = 1/N Dt [22]. 4.5.2.3. Transformée de Fourier rapide. La transformée de Fourier rapide, est un algorithme de calcul de la transforma-

E.P. Souza Neto et al. / Annales Françaises d’Anesthésie et de Réanimation 22 (2003) 425–452

Fig. 5. Exemple des spectres provenant de différentes fonctions sinusoïdales (sin). Les fluctuations peuvent être décomposées par la transformée de Fourier, en une somme de fonctions sinusoïdales d’amplitude et de fréquence différentes [sin (i) + sin (i × 2,5)/ 2,7]. La somme de sin (i) et sin (i × 2,5)/2,7 n’est pas aisément identifiable dans le domaine temporel (en bas à gauche), elle le devient dans le domaine fréquentiel. Le spectre représente ainsi en abscisses une échelle de fréquences et en ordonnées un indice de l’amplitude de l’oscillation (données personnelles).

tion de Fourier qui permet d’en diminuer la complexité [36,38]. Lors de l’application pratique de la transformée de Fourier discrète, le nombre d’opérations requises est une donnée essentielle puisqu’elle détermine le temps de calcul nécessaire. En effet, pour le calcul de chacune des N valeurs X(k), on doit procéder à N multiplications et N – 1 additions. On doit donc effectuer au total des N valeurs, N2 multiplications et N (N – 1) additions. Cependant, de nombreux algorithmes ont permis de diminuer la complexité du calcul. Les algorithmes les plus utilisés sont ceux où N est une puissance entière de 2 : N = 2M (256, 512, 1024, etc.) et utilisant un échantillonnage équidistant des valeurs de la fonction d’origine. Avec ces algorithmes, il est possible de réduire le nombre des opérations nécessaires à un ordre de grandeur de N log2 (N). En général, on retrouve cette transformation sous le nom de TFR (transformée de Fourier rapide) ou de FFT Fast Fourier transform. 4.5.2.4. Contenu et définition d’un spectre. On conviendra d’appeler spectre toute représentation graphique, distribuant l’énergie du signal en fonction de la fréquence (Fig. 5). L’abscisse du spectre se limite à la fréquence d’échantillonnage divisée par 2 (Théorème de Shannon). Dans le cas de signaux non stationnaires, l’analyse de Fourier s’avère

435

moins bien adaptée. Pour remédier à ce problème, l’analyse de Fourier à fenêtre glissante (ou à court terme) a été introduite dans les années quarante [36,41]. Son principe est simple : pondérer le signal par une fenêtre localisée autour d’un instant t0 et de longueur D donnée, puis l’analyser par transformée de Fourier. Le résultat est une représentation du contenu fréquentiel local du signal. L’inconvénient principal de cette méthode est son incapacité à analyser efficacement un signal où sont à la fois présents des événements de supports courts et d’autres à supports longs, puisque la taille de la fenêtre d’analyse est fixe. Nous allons aborder ce problème dans la partie « limites des représentations temporelle et fréquentielle ». Depuis quelques années de nombreuses études ont utilisé l’analyse spectrale pour étudier le système cardiovasculaire [19,42–46]. L’étude d’un signal (pression artérielle, fréquence cardiaque ou intervalle RR) par l’intermédiaire de l’analyse spectrale, n’indique pas la localisation d’une fréquence particulière dans le temps, mais indique une densité de puissance fréquentielle cumulée (Figs. 5, 6). L’analyse spectrale réduit un signal à ses composantes constitutionnelles de fréquence et quantifie la puissance relative de ces composantes. Par exemple, la somme de 2 sinusoïdes est représentée par 2 pics distincts correspondant aux 2 fréquences des signaux d’origine (Fig. 5). 4.5.2.5. Analyse spectrale de la pression artérielle et de la fréquence cardiaque. L’analyse spectrale des signaux qui oscillent régulièrement, comme la pression artérielle et la fréquence cardiaque, donne la possibilité d’étudier les fréquences spécifiques des oscillations de ces signaux (Fig. 5). Ces oscillations reflètent à la fois la survenue des perturbations physiologiques qui se produisent naturellement et la réponse dynamique des systèmes de contrôle cardiovasculaire à ces perturbations [24,41,47]. Simultanément à la pression artérielle et à la fréquence cardiaque, il peut être intéressant d’enregistrer d’autres signaux comme la respiration. La respiration influence la variabilité de la pression artérielle et de la fréquence cardiaque, le volume courant et le rythme respiratoire déterminent l’amplitude des oscillations [47,48]. À partir de données expérimentales, un spectre de fréquences (allant de 0 à 0,4 Hz chez l’homme) se divisant principalement en 4 composantes a pu être défini (Fig. 6). Ces différents niveaux de fréquences sont : • les ultrabasses fréquences (ULF, ultra low frequency : 0,0001 à 0,003 Hz chez l’homme). Elles sont caractérisées par des rythmes très lents spontanés, et sont calculées à partir des enregistrements de longue durée (au moins de 24 h). L’estimation de la variabilité dans cette bande de fréquence n’est pas seulement un outil de recherche mais a des implications dans l’évaluation clinique, comme par exemple dans l’hypertension et comme valeur prédictive de mortalité après cardiopathie ischémique [23,28,49] ;

436

E.P. Souza Neto et al. / Annales Françaises d’Anesthésie et de Réanimation 22 (2003) 425–452

Fig. 6. Spectres de la pression artérielle systolique (PAS) et de l’intervalle RR chez un sujet en respiration non contrôlée, calculés à partir des données de la Fig. 2. On observe des oscillations dans les bandes de basses et hautes fréquences des 2 variables. DSP, densité spectrale de puissance (données personnelles).

• les très basses fréquences (VLF, very low frequency : 0,003 à 0,04 Hz chez l’homme). Elles traduisent les mécanismes de régulation à long terme, probablement liés à la thermorégulation [50], à la vasomotricité, au système rénine–angiotensine [37] ou à d’autres facteurs [50,51]. Ces rythmes sont difficiles à analyser avec les méthodes traditionnelles d’analyse spectrale [23,40] ; • les basses fréquences (LF, low frequency : 0,04 à 0,15 Hz chez l’homme). L’oscillation dans cette bande de fréquences est connue sous le nom d’onde de Mayer. Il existe un pic, en général aux alentours de 0,12 Hz chez l’homme et 0,4 Hz chez le rat. Son interprétation physiologique reste controversée. Les oscillations de la fréquence cardiaque dans la zone LF sont liées à l’activité du système baroréflexe [52]. Les systèmes parasympathique et sympathique seraient tous deux mis en jeu. Ces 2 systèmes agissent comme les 2 plateaux d’une balance, quand l’activité de l’un des systèmes augmente, l’autre diminue. Cette relation est utilisée comme modèle simplifié pour étudier le système autonome à destination cardiaque. En revanche, d’autres auteurs ont montré la capacité de ce modèle à mesurer le tonus sympathique [21,53,54]. L’augmentation des LF dans le spectre de la pression artérielle systolique et de l’intervalle RR est souvent due à une activation du système sympathique [21,24,53] (Fig. 7). Après blocage vagal, il existe une diminution importante des basses fréquences dans le spectre des intervalles RR, qui disparaît complètement après blocage bêta-adrénergique

[24]. En revanche, l’oscillation lente de la pression artérielle est essentiellement secondaire à une oscillation du tonus sympathique vasomoteur [40,55]. Cette oscillation de l’activité sympathique peut avoir pour origine : C une rythmicité endogène centrale [56,57]. Une augmentation de la puissance spectrale des basses fréquences de la pression artérielle est acceptée par de nombreux auteurs comme le signe d’une activation [24,50,57] ; C un phénomène de résonance dans la boucle baroréflexe, lié au délai de la réponse vasculaire à la modulation adrénergique [58]. Certains auteurs ont montré que l’analyse spectrale couplée de la fréquence cardiaque et de la pression artérielle dans cette gamme de fréquences correspondait au baroréflexe [58,59]. Après dénervation sino-aortique chez le rat, une réduction de 50 % des oscillations lentes de la pression artérielle est observée, indiquant une implication du baroréflexe artériel dans le mécanisme de ces oscillations. Toutefois, les oscillations résiduelles sont abolies par le blocage aigu du système nerveux sympathique, suggérant l’existence dans cette bande de fréquences, d’une rythmicité de la pression artérielle liée à l’activité sympathique indépendante du baroréflexe [60] ; • les hautes fréquences (HF, high frequency : 0,15 à 0,4 Hz chez l’homme ; si possible centré sur le rythme respiratoire). L’oscillation dans cette bande de fréquences est connue sous le nom d’ondes de Traube-Hering. À la fréquence respiratoire, il est possible d’identifier une

E.P. Souza Neto et al. / Annales Françaises d’Anesthésie et de Réanimation 22 (2003) 425–452

Fig. 7. Évolution temporelle (A) et fréquentielle (B) de l’intervalle RR chez un volontaire sain en 3 positions différentes. On observe une augmentation progressive le la densité spectrale de puissance (DSP) dans les basses fréquences (LF, 0,04 à 0,15 Hz) et une diminution de la DSP dans les hautes fréquences (HF, 0,15 à 0,4 Hz) entre la position couchée et debout (activation du système sympathique). L’enregistrement a été réalisé entre 17 et 18 h à l’aide d’un système Finapres® 2300 et d’un oscilloscope Philips® (données personnelles).

composante de haute fréquence dans la variabilité de l’intervalle RR et de la pression artérielle (Figs. 6, 7). Pour la fréquence cardiaque, le rythme de ces oscillations à hautes fréquences serait lié à l’action du nerf vague sur le cœur. En effet, ces oscillations disparaissent après blocage par l’atropine [39]. Cette gamme de fréquences est donc classiquement liée à l’activité parasympathique. Ainsi, l’arythmie sinusale respiratoire est utilisée comme un moyen de mesure de la modulation cardiaque vagale [61]. Toutefois, les HF ne peuvent pas refléter seulement la modulation de la fréquence cardiaque par le vague, puisque la modulation sympathique des variations de la fréquence cardiaque liées à la respi-

437

ration peut être présente si l’activité respiratoire est inférieure à 0,15 Hz (9 respirations/min) [62,63]. On peut conclure que la puissance de la fréquence cardiaque des HF au-dessus de 0,15 Hz est un indice satisfaisant mais incomplet du contrôle cardiaque vagal. D’où l’intérêt de réaliser des enregistrements avec une synchronisation respiratoire pour pouvoir interpréter la bande HF [64]. Les fluctuations de la pression artérielle dans les HF sont dues à une oscillation du débit cardiaque d’origine mécanique [24,50]. Les 2 facteurs principaux intervenant dans la réduction du débit cardiaque pendant l’inspiration sont la diminution de la pression intrathoracique et l’interdépendance ventriculaire [65]. Cette oscillation respiratoire est directement liée au mode respiratoire, et la bradypnée comme l’augmentation du volume courant l’amplifient (la bradypnée peut générer à chaque cycle respiratoire, une fluctuation de la pression artérielle qui peut atteindre 20 mmHg. Dans les pathologies comme la tamponnade, la diminution inspiratoire de la pression artérielle peut dépasser 20 mmHg) [24,50,65]. Cette situation s’inverse lors de la ventilation mécanique où l’on observe une élévation de la pression artérielle à l’inspiration. L’augmentation de la pression thoracique à l’inspiration augmente la précharge et diminue la postcharge. L’hypovolémie ou une hémorragie normotensive tend à majorer cette oscillation respiratoire de la pression artérielle systolique [66]. Un contrôle alterné entre les systèmes para- et orthosympathiques a été proposé comme modèle simplifié pour expliquer le contrôle cardiovasculaire par le système nerveux autonome. Les LF et les HF normalisées de la fréquence cardiaque (puissance dans la bande de fréquences considérée divisée par la puissance totale moins la VLF ; LF normalisée = 100 × LF/(HF + LF) ou HF normalisée = 100 × HF/(HF + LF)), ainsi que le rapport LF/HF, ont été proposés comme index pour quantifier le système sympathique et parasympathique au niveau cardiaque [67]. La normalisation tend aussi à diminuer les changements de la puissance totale sur les bandes LF et HF. Néanmoins, les valeurs normalisées doivent toujours être accompagnées des valeurs absolues, dans le but de mieux décrire la distribution de la puissance spectrale dans les bandes de fréquences [23]. Un autre point important est la variabilité inter-sujets. En réalité, cette variabilité peut être importante et peut rendre impossible les comparaisons utilisant seulement les valeurs absolues [23]. La puissance spectrale est utilisée pour quantifier les caractéristiques spectrales. Elle est estimée par l’aire sous le spectre, soit sur la totalité de la plage des fréquences étudiées (puissance totale du spectre, allant de 0 à 0,4 Hz chez l’homme), soit sur une bande de fréquence donnée (par exemple puissance basse fréquence). D’après le Théorème de Parseval, il y a conservation de l’énergie entre les domaines temporels et fréquentiels ce qui s’exprime par l’égalité en théorie de la variance et de la puissance totale du signal [22,23]. La puissance totale du spectre de la fré-

438

E.P. Souza Neto et al. / Annales Françaises d’Anesthésie et de Réanimation 22 (2003) 425–452

Tableau 1 Mesures de la variabilité dans le domaine fréquentiel pour la pression artérielle et la fréquence cardiaque Variable

Domaine de fréquence

PT

Toute l’échelle de fréquence, mais approximativement < 0,4 Hz 0,0001 à 0,003 Hz 0,003 à 0,04 Hz 0,04 à 0,15 Hz 0,15 à 0,4 Hz

ULF (VLT) VLF (VLT) LF (VCT) HF (VCT)

Correspondance dans le domaine temporel # SDNN

SDNN, SDANN SDNN index SDNN index RMSSD, pNN50

PT, puissance totale ; ULF, ultra basses fréquences ; VLF, très basses fréquences ; LF, basses fréquences ; HF, hautes fréquences ; VLT, variabilité à long terme ; VCT, variabilité à court terme ; SDNN, déviation standard de l’intervalle RR sur toute la période d’enregistrement ; SDANN, déviation standard de la moyenne des intervalles RR des segments de 5 min sur toute la période d’enregistrement ; SDNN index, moyenne des déviations standard de l’intervalle RR sur des segments de 5 min, pendant toute la période d’enregistrement ; RMSSD, racine carrée des différences au carré des intervalles RR successifs ; pNN50, NN50 divisé par le nombre total d’intervalles # Correspondance valable seulement pour la variabilité de la fréquence cardiaque.

quence cardiaque peut être assimilée à l’indice temporel SDNN [23] (Tableau 1). 4.5.2.6. Analyse spectrale croisée. Une analyse de la fonction de transfert entre 2 signaux peut être calculée en utilisant la transformée de Fourier rapide en considérant l’un des signaux comme signal d’entrée d’un système linéaire et l’autre signal comme signal de sortie de ce système. Cette analyse spectrale dite croisée, réalisée dans des conditions identiques à celles de l’analyse spectrale simple, permet de calculer une fonction de cohérence, une fonction de phase et une fonction de gain [38]. Plusieurs travaux ont utilisé l’analyse spectrale croisée pour étudier les relations entre la pression artérielle et la fréquence cardiaque [43,58–60,68]. 4.5.2.6.1. Cohérence. Un spectre de cohérence [K2 (f)], dont la valeur est comprise entre 0 (pas de cohérence) et 1 (cohérence maximale), indique pour chaque fréquence, la force de la relation linéaire entre les oscillations des 2 signaux [38,69]. Le seuil de signification de la cohérence dépend du nombre de périodes utilisées pour le calcul des spectres moyens. Plus ce nombre est élevé, plus ce seuil est bas (Fig. 8). En outre, la cohérence permet d’apprécier statistiquement la signification des fonctions de phase et de gain. La qualité du lien statistique entre la pression artérielle et la fréquence cardiaque donnée par la cohérence est utilisée dans le calcul de la sensibilité du baroréflexe. 4.5.2.6.2. Phase. La fonction de phase, calculée en degrés, ou en radians, est comprise entre – 180° et +180°. Pour une fréquence donnée, la phase indique le décalage entre les 2 signaux. Une phase négative indique que les fluctuations du paramètre d’entrée précèdent les variations du paramètre de sortie (Fig. 8). 4.5.2.6.3. Gain. Le spectre de gain correspond au module de la fonction de transfert (|H(f)|). Pour chaque fréquence, il indique le gain entre le signal de sortie et le signal d’entrée et

Fig. 8. Analyse spectrale croisée (cohérence, et phase) entre la pression artérielle systolique et l’intervalle RR chez un sujet en respiration non contrôlée. Les calculs ont été effectués à partir des données de la Fig. 2. On observe une bonne cohérence entre la pression artérielle systolique et l’intervalle RR, autour de 0,1 et de 0,2 Hz. La phase négative dans ces fréquences indique que la pression artérielle systolique précède l’intervalle RR (données personnelles).

est exprimé en unité du signal de sortie divisée par l’unité du signal d’entrée [39,58,59] (Fig. 9). 4.5.2.6.4. Analyse du baroréflexe. L’approche moderne du baroréflexe se fait par l’étude des variations spontanées de pression artérielle et de fréquence cardiaque. Cette approche a l’énorme avantage d’être non invasive, puisqu’un enregistrement de l’électrocardiogramme et celui de la pression artérielle battement par battement à l’aide de la technique de photopléthysmographie transcutanée (Finapres® ou Portapres®) suffisent. Cette méthode évite l’utilisation d’agents pharmacologiques [70,71]. On définit avec ces outils la sensibilité du baroréflexe spontané. Il est possible d’employer une analyse dans le domaine temporel pur pour définir ce baroréflexe spontané [71]. C’est la méthode des pentes ou des séquences. Certains auteurs ont modélisé la boucle baroréflexe en considérant un « signal d’entrée » — la pression artérielle systolique — et un « signal de sortie » — la réponse sur la fréquence cardiaque. Les techniques d’analyse spectrale croisées permettent de comparer ces 2 signaux et de

E.P. Souza Neto et al. / Annales Françaises d’Anesthésie et de Réanimation 22 (2003) 425–452

439

Fig. 9. Étude de la sensibilité du baroréflexe spontané par analyse spectrale. Les méthodes spectrales d’analyse du baroréflexe ne comparent pas directement les variations de la pression artérielle systolique et de l’intervalle RR mais leur analyse spectrale respective. La qualité du lien statistique entre ces 2 variables est donnée par la cohérence, elle aussi issue des techniques d’analyse spectrale. PAS, pression artérielle systolique ; IRR, intervalle RR ; c2 , la cohérence au carré entre l’intervalle RR et la pression artérielle systolique. Données du Dr M.A. Custaud (laboratoire de physiologie de l’environnement, Lyon).

définir des relations entre eux, dont le « gain ». Les méthodes spectrales d’analyse du baroréflexe ne comparent pas directement les variations de pression artérielle et de fréquence cardiaque (ou l’intervalle RR) mais leur analyse spectrale respective (Fig. 9). La qualité du lien statistique entre ces 2 variables est donnée par la cohérence, elle aussi issue des techniques d’analyse spectrale. Ce gain ne peut être calculé que s’il existe une cohérence suffisante entre ces 2 « signaux », en pratique quand c2 > 0,5 et sur des enregistrements de taille suffisante. On observe au repos que la variabilité de la pression artérielle est plus basse lorsque la sensibilité du baroréflexe est bonne. La variabilité de la fréquence cardiaque est liée par une relation dans le sens opposé, elle est la plus basse lorsque le baroréflexe est le plus altéré [12,60,68]. 4.5.2.7. Limites des représentations temporelles et fréquentielles. La transformée de Fourier et son inverse établissent une dualité entre le domaine temporel (le signal X(t)) et le domaine fréquentiel (son spectre X(f)). La place prépondérante de l’analyse spectrale dans le traitement du signal repose sur le concept de fréquence : celui-ci permet une meilleure compréhension de nombreux domaines s’intéressant à des ondes physiques ou reposant sur certaines périodicités d’événements. Cependant, ces outils ne permettent pas une description conjointe en temps et en fréquence : en particulier, le spectre X(f) ne donne aucune information directement exploitable sur la localisation temporelle des com-

posantes spectrales. De plus, la grande majorité des signaux rencontrés dans des situations concrètes, principalement les signaux biologiques comme la pression artérielle et la fréquence cardiaque, sont non stationnaires. Alors, la notion de décomposition en une somme d’exponentielles complexes propres à la transformée de Fourier doit être reconsidérée. Ceci a conduit à développer des outils spécifiques adaptés aux signaux non stationnaires, parmi lesquels émergent les méthodes temps–fréquence qui prennent explicitement en compte une possible évolution temporelle du contenu fréquentiel d’un signal [36,41]. D’autres méthodes d’analyse comme les méthodes autorégressives [21,24,45], et le complex demodulation ne seront pas abordées [72]. 4.5.3. Représentation temps–fréquence L’analyse de signaux non stationnaires nécessite des outils plus performants que ceux utilisés de manière classique pour l’analyse de signaux stationnaires, à savoir la représentation temporelle du signal et sa transformée de Fourier. Deux classes de méthodes apparues ces dernières années permettent de les étudier : les méthodes temps–fréquence, qui prennent explicitement en compte les évolutions temporelles possibles du contenu fréquentiel d’un signal (Figs. 10, 11), et les méthodes temps–échelle, les ondelettes (Fig. 12) dont le principe est de décrire l’évolution d’un signal à différents niveaux de résolution temporelle [73]. La concordance entre ces 2 catégories de méthodes d’analyse spectrale démontre

440

E.P. Souza Neto et al. / Annales Françaises d’Anesthésie et de Réanimation 22 (2003) 425–452

Fig. 10. Représentation des puissances (bleu : peu de puissance, rouge : puissance maximale) des intervalles RR chez l’homme, après analyse par la distribution de pseudo Wigner-Ville lissée. Les 9 premières minutes sont en respiration non contrôlée et les 11 min suivantes en respiration contrôlée à 12 cycles/min (0,2 Hz). La distribution de pseudo Wigner-Ville lissée permet de suivre les variations dans les bandes de haute fréquence liées à la respiration. On observe également beaucoup de puissance dans les très basses et les basses fréquences (données personnelles).

que dans les conditions stationnaires, elles peuvent être utilisées de manière interchangeable. Ces méthodes sont intéressantes dans l’analyse des signaux biologiques, puisqu’elles donnent une bonne résolution fréquentielle dans les basses fréquences indépendamment du caractère stationnaire du signal.

Fig. 11. Représentation temps–fréquence (spectrogramme) de la Fig. 7. L’amplitude des courbes est remplacée par un niveau de noir/blanc. Les niveaux de couleur représentent la puissance de la composante du signal ayant la fréquence correspondante au temps t correspondant (blanc : peu de puissance, noir : puissance maximale). Pour des raisons de lisibilité, les pics de puissance des très basses fréquences (< 0, 04 Hz) ont été filtrés pour que leur amplitude n’écrase pas les autres composantes (données personnelles). On note l’intérêt de ce type de représentation pour suivre l’évolution du spectre de l’intervalle RR au cours du temps.

Cohen a réuni dans une même classe, la « classe de Cohen », toutes les distributions répartissant l’énergie du signal dans le plan temps–fréquence. Comparées à l’analyse de Fourier à court terme et à la transformée par ondelettes, les approches temps–fréquence ne cherchent pas à représenter le signal comme une combinaison linéaire de signaux élémentaires dépendant à la fois du temps et de la fréquence ; l’objectif est de répartir l’énergie (ou la puissance dans le cas aléatoire) du signal sur les 2 variables de description [41,74]. Ces approches prennent tout leur sens lorsqu’il s’agit d’analyser des phénomènes non stationnaires et quand les méthodes temporelles ou fréquentielles n’apportent pas de réponses satisfaisantes. Ainsi, on peut définir des grandeurs spécifiques à cette classe de signaux comme par exemple « mesurer » la non stationnarité ou faciliter l’interprétation de ces signaux par extraction de leur loi de modulation et de dispersion. Des résultats théoriques ont également montré la capacité des transformations temps–échelle à mettre en évidence des singularités présentes dans un signal et à les caractériser (Fig. 12). Les objectifs sur le plan méthodologique ont été le développement d’une méthode d’analyse qui soit bien adaptée aux signaux biomédicaux (par exemple, la pression artérielle et la fréquence cardiaque). Récemment, un nouvel index, la fréquence centrale instantanée (FCI), a été proposé comme un index global de mesure de la relation sympathovagale. L’analyse des données d’intervalles RR par la distribution de Wigner-Ville lissée a permis une évaluation dynamique de la puissance spectrale des signaux non stationnaires [75]. La fréquence centrale instantanée a été calculée comme le pic de fréquence dans chaque bande, en approximation du premier moment du spectre instantané [76]. En utilisant le tilt-test, les auteurs ont montré que la fréquence centrale instantanée suivait les altérations de la balance sympathovagale. Un exemple de l’utilisation de cet index pendant l’anesthésie est donné (Fig. 13). En conclusion, une représentation temps–fréquence (RTF) consiste à décrire un signal temporel monodimensionnel par une fonction bidimensionnelle des variables temps et fréquence simultanément. Ceci permet « d’étaler » les informations sur une image et de mettre ainsi en évidence la structure temps–fréquence intrinsèque du signal. L’augmentation du nombre de données, résultant du passage d’une représentation 1D à une représentation 2D ne modifie pas le contenu informationnel mais accroît sa redondance, et peut faciliter sa lisibilité. Ce mode de représentation qui permet de suivre, de manière continue, l’évolution de la fréquence au cours du temps, est donc particulièrement intéressant pour les signaux non stationnaires. 4.5.3.1. Analyse dynamique du baroréflexe. L’aspect dynamique de la sensibilité du baroréflexe est actuellement évident. La sensibilité du baroréflexe n’est pas une « caractéristique » constante. Cette sensibilité s’adapte aux situations. C’est pourquoi des méthodes qui permettent de suivre les évolutions de la sensibilité du baroréflexe sont en cours de

E.P. Souza Neto et al. / Annales Françaises d’Anesthésie et de Réanimation 22 (2003) 425–452

441

Fig. 12. Analyse spectrale d’un signal théorique par la transformée en ondelettes. Les ondelettes permettent de suivre l’évolution temporelle du spectre des fréquences contenues dans le signal. Cette analyse permet de glisser le long du signal une fenêtre de différents coefficients, correspondant à différents niveaux, contenant la fonction ondelette (d’après [73], avec permission). VLF, très basses fréquences ; HF, hautes fréquences.

développement. Pour prendre en compte l’aspect dynamique du baroréflexe, notamment dans les situations instables au niveau cardiovasculaire, comme pendant l’anesthésie par exemple, des techniques d’analyse temps–fréquence et temps–échelle ont été mises au point [77–79]. Récemment, une nouvelle analyse a été développée par spectrogramme glissant dérivé de la technique du gain du baroréflexe spontané [80]. Le gain du baroréflexe est calculé non pas sur l’ensemble du signal mais sur une petite portion ou fenêtre que l’on fait glisser le long des signaux de la pression artérielle systolique et de l’intervalle RR. La Fig. 14 donne un exemple d’analyse en continu de la sensibilité du baroréflexe (gain HF et gain LF).

temps sont un indicateur de ses capacités d’adaptation aux évènements liés au travail et à la naissance [81,82]. L’analyse du rythme cardiaque fœtal s’appuie normalement sur 3 critères : le rythme cardiaque de base, c’est-à-dire la fréquence moyenne de base ; l’existence d’accélérations et de décélérations du rythme et la variabilité du rythme fœtal (la détection des périodes de hautes et basses variations). L’augmentation de la variabilité du rythme de base est fréquemment observée en association avec les contractions utérines, les manipulations fœtales et les mouvements fœtaux. Une variabilité réduite peut être d’origine médicamenteuse, signe d’immaturité fœtale, liée à une asphyxie fœtale ou liée à une phase de sommeil fœtal [81,82].

4.5.4. Utilisation en clinique de la variabilité de la fréquence cardiaque et de la pression artérielle Les études récentes consacrées à la variabilité de la fréquence cardiaque et de la pression artérielle permettent de mieux comprendre ce phénomène. Elles ont permis de l’étudier par différentes techniques de mesure, en particulier par l’analyse spectrale [19,21,23,35,44,46].

4.5.4.2. Anesthésie générale. L’étude des effets de certains médicaments sur les composantes de la variabilité de la pression artérielle et de la fréquence cardiaque a déjà été faite [83–85]. Au cours de l’anesthésie, le système nerveux autonome subit les influences des médications anesthésiques et des stimuli chirurgicaux. Une étude montre que les fluctuations du rythme cardiaque diminuent au cours de l’induction anesthésique (bandes LF et HF de la fréquence cardiaque sont atténuées), le rapport LF/HF croît au moment de l’intubation indiquant que la balance sympathovagale penche du côté sympathique lors de l’intubation trachéale [86]. De ce fait, malgré une induction anesthésique correcte, l’activité

4.5.4.1. Variabilité du rythme cardiaque fœtal. L’étude de la variabilité du rythme cardiaque fœtal est depuis plusieurs années un élément important de la surveillance obstétricale. En effet, les variations du rythme cardiaque fœtal au cours du

442

E.P. Souza Neto et al. / Annales Françaises d’Anesthésie et de Réanimation 22 (2003) 425–452

Fig. 13. La fréquence centrale instantanée (FCI) comme index global de mesure de la relation sympathovagale. L’intervalle RR a été enregistré chez 2 patients soumis à une chirurgie cardiaque. Figs. A, C. Patient contrôle (patient no 1). Figs. B, D. Bêtablocage préopératoire par l’aténolol (patient no 2). Les enregistrements des intervalles RR ont été obtenus avant et après l’induction de l’anesthésie (sufentanil, midazolam, atracurium), avant, pendant et après l’intubation trachéale. Les données d’intervalles RR ont été analysées par la distribution de pseudo Wigner-Ville lissée qui permet l’étude de périodes non stationnaires. Le spectre a été divisé en 2 bandes de fréquences : basses fréquences (LF, 0,04 à 0,15 Hz) et hautes fréquences (HF, 0,16 à 0,40 Hz). La FCI (Figs. A, B) a été calculée comme le pic de fréquence dans chaque bande, en approximation du premier moment du spectre instantané. La relation basses fréquences–hautes fréquences (LF/HF ; Figs. C, D) a été calculée comme la puissance des LF divisée par la puissance des HF. On observe que la FCI et la relation LF–HF tendent vers les HF après l’induction, suggérant l’installation d’une prédominance vagale. L’intubation trachéale entraîne la FCI en direction des LF confirmant l’augmentation de l’activité nerveuse sympathique (cette augmentation est moins nette sous aténolol). La FCI et la relation LF–HF permettent de suivre en continu les changements de la balance sympathovagale pendant l’induction et l’intubation (données personnelles).

nerveuse autonome sympathique change au cours de l’intubation. Pourtant, il paraît que l’altération de l’équilibre sympathique/parasympathique se prolonge plusieurs jours après l’intervention chirurgicale [87]. Il semble qu’au-delà des modifications de la pression artérielle et de la fréquence cardiaque, visibles sur le monitorage, il existe de subtiles fluctuations de ces paramètres. C’est pourquoi l’analyse spectrale est intéressante pour une évaluation précoce quantifiable du baroréflexe et du système cardiovasculaire en l’absence de signe clinique évident d’altération du système nerveux autonome [27,50]. Ces fluctuations peuvent différer selon la technique anesthésique [88,89]. Les agents anesthésiques et analgésiques d’une manière générale, diminuent la variabilité à court terme de la fréquence cardiaque et de la pression artérielle et réduisent le gain du baroréflexe [90–92]. Ainsi, le propofol et la thiopental diminuent la variabilité globale de la fréquence cardiaque, mais n’altèrent pas la balance sympathovagale et diminuent la variabilité de la pression artérielle [92]. L’étomidate paraît préserver le système nerveux autonome et le baroréflexe [93]. La kétamine induit une altération de la relation sympathovagale traduite par une augmentation de la composante LF et une diminution

de la composante HF [94]. Le midazolam, le diazépam et le flunitrazépam atténuent l’activité sympathique (diminuent le rapport LF/HF) et réduisent la variabilité à court terme [91]. En revanche, cette altération du baroréflexe paraît moins marquée avec le flunitrazépam qu’avec le diazépam ou le midazolam [91,95]. Les agents anesthésiques inhalés entraînent une diminution de l’activité globale du système nerveux autonome [27,88,89]. Ils produisent des effets dépresseurs, dosedépendants sur le système cardiovasculaire [96]. Cependant, la dépression du baroréflexe, induite par l’isoflurane serait moins importante que pour les autres anesthésiques inhalés [89,97,98]. Le protoxyde d’azote exerce un effet sympathique prédominant au niveau des vaisseaux périphériques et supprime l’action sympathique sur le nœud sino-atrial [99]. L’anesthésie par le sévoflurane–protoxyde d’azote réduit toutes les composantes du spectre de la variabilité de la fréquence cardiaque (analyse de Fourier), suggérant la diminution de l’activité du système sympathique et parasympathique [100]. Pour les morphinomimétiques, le sufentanil diminue l’activité globale du système nerveux autonome, il y

E.P. Souza Neto et al. / Annales Françaises d’Anesthésie et de Réanimation 22 (2003) 425–452

443

Fig. 14. Suivi de la sensibilité (gain) du baroréflexe par spectrogramme glissant calculée à partir des données de la Fig. 7. Le gain du baroréflexe est calculé non pas sur l’ensemble du signal mais sur une petite portion ou fenêtre de 90 s que l’on fait glisser le long des signaux de l’intervalle RR (IRR) et de la pression artérielle systolique (PAS). Ce gain peut être défini dans les bandes de basses fréquences (LF, 0,04–0,15Hz) et hautes fréquences (HF, 0,15–0,4 Hz). Gain LF, gain basses fréquences en ms/mmHg ; gain HF, gain haute fréquence en ms/mmHg ; c2, cohérence au carré si > 0,5 ; SIRR, puissance spectrale de IRR ; SPAS, puissance spectrale de la PAS ; f, bande de fréquences spécifiques (f1 – f2) (données personnelles).

a une baisse des composantes sympathiques et parasympathiques [93]. En revanche, le fentanyl ne modifie pas le niveau d’activité du système nerveux autonome [88]. Un nombre croissant de données de la littérature intègrent la notion de variabilité de la fréquence cardiaque dans le monitorage de la profondeur de l’anesthésie. L’anesthésie générale déprime la variabilité cardiaque, il est tentant d’utiliser des index reflétant cette variabilité pour monitorer la profondeur de la narcose [101,102]. Cependant, la sensibilité et la spécificité de cette technique (respectivement 70 et 60 %) sont inférieures à celles de méthodes comme l’index bispectral (97 et 95 % respectivement), ou d’autres méthodes dérivées de l’électro-encéphalogramme [101]. 4.5.4.3. Anesthésie locorégionale. Chez le sujet âgé à haut risque coronarien lors d’une chirurgie vasculaire périphéri-

que ou lors d’une arthroplastie de hanche, des auteurs ont comparé les effets de l’anesthésie générale (thiopental, fentanyl, isoflurane) et de la rachianesthésie (bupivacaïne 0,5 %, 20 mg) sur la variabilité de la fréquence cardiaque [103]. Dans cette étude la balance sympathovagale semble être mieux préservée après rachi-anesthésie qu’après une anesthésie générale (diminution significative dans les bandes VLF et LF et dans la relation LF/HF). Mais il existe une diminution importante de l’activité du système nerveux autonome proportionnelle au niveau de blocage. L’analyse spectrale montre la diminution de l’activité sympathique, diminution de la composante basse fréquence après le blocage sympathique cardiaque [104]. Les résultats sont contradictoires pour l’activité parasympathique [90,104–106]. Après anesthésie du plexus brachial, l’analyse spectrale croisée montre une diminution significative de la corrélation

444

E.P. Souza Neto et al. / Annales Françaises d’Anesthésie et de Réanimation 22 (2003) 425–452

entre les oscillations dans la bande LF de la fréquence cardiaque et du flux sanguin cutané (principalement à 0,1 Hz). Ces oscillations sont indépendantes des mécanismes thermorégulateurs [107]. Plusieurs auteurs ont suggéré l’utilisation de cette oscillation comme un marqueur du tonus sympathique sur la circulation cutanée ; un blocage sympathique efficace éliminera cette oscillation [107,108]. 4.5.4.4. Sympathomimétiques. La stimulation alpha-adrénergique, chez le volontaire sain, ne modifie pas la variabilité de la fréquence cardiaque mais augmente la composante LF de la pression artérielle. La stimulation bêta-adrénergique provoque une diminution de la variabilité de la fréquence cardiaque [109,110]. Chez le patient en réanimation, l’administration de sympathomimétiques n’entraîne pas de modifications majeures des composantes spectrales [111]. 4.5.4.5. Bêtabloquants. Chez l’homme les essais indiquent que les bêtabloquants en prise aiguë ou chronique augmentent la variabilité cardiaque dans son ensemble [112,113]. On observe une augmentation de l’activité vagale par l’analyse spectrale [113]. Cependant, une baisse du pic HF de la fréquence cardiaque en position couchée a été démontrée après prise de bêtabloquants [109]. L’influence des bêtabloquants sur le tonus vagal reste discutée et plus d’études sont encore nécessaires en contrôlant la fréquence respiratoire, le volume courant et l’unité de calculs de rythme cardiaque (fréquence cardiaque ou intervalle RR). 4.5.4.6. Ventilation mécanique. Il existe des variations cycliques à court terme, de la pression artérielle et de la fréquence cardiaque, dues à la ventilation, qui peuvent être explorées par l’analyse spectrale. Ces variations sont représentées par le pic HF de la fréquence cardiaque (arythmie respiratoire) et de la pression artérielle systolique qui est situé à la même fréquence que la respiration [24,42,48]. L’arythmie sinusale respiratoire correspond à une variation physiologique et périodique du rythme cardiaque. Elle est utilisée pour certains comme un index de l’activité vagale [42,48]. L’arythmie respiratoire est liée à différents facteurs : modulation directe des centres vagaux par les centres respiratoires, réponses réflexes à l’inflation pulmonaire, réponse baroréflexe aux oscillations respiratoires de pression artérielle, action sur le nœud sinusal du volume atrial et réflexe de Brainbridge [42,48]. Pour amplifier cette oscillation, on a encore recours à une respiration lente et profonde qui peut déterminer une oscillation de la fréquence cardiaque d’environ 30 % (au lieu de 5 % en respiration normale). La quantification de l’arythmie respiratoire est utilisée comme un index simple de l’activité vagale [23,42,48,114]. Le pic HF de la pression artérielle reflète l’oscillation respiratoire du volume d’éjection systolique et a donc un déterminant purement mécanique. La pression intrathoracique et l’interdépendance ventriculaire sont les 2 principaux facteurs intervenant [65]. Le cœur droit se remplit à l’inspi-

ration et éjecte plus au détriment du cœur gauche. En revanche, cette situation s’inverse lors d’une ventilation mécanique (élévation de la pression à l’inspiration). Les variations de la pression intrathoracique, l’élévation inspiratoire de la pression extramurale aortique, sont le principal déterminant des variations de la pression artérielle diastolique. La pression artérielle diastolique est donc maximale en fin d’inspiration. Ces variations sont souvent de faible amplitude, sauf chez les patients à compliance pulmonaire élevée ou ventilés avec d’assez hauts volumes courants [115–117]. Les variations respiratoires de la pression artérielle systolique résultent à la fois des variations de la pression artérielle diastolique et des variations du volume d’éjection du ventricule gauche. La pression artérielle systolique est donc minimale au cours de la phase expiratoire et maximale en fin d’inspiration [115–117]. Toute modification de précharge induit une modification importante du volume d’éjection du ventricule gauche qui, à son tour, ira changer la variabilité de la pression artérielle systolique. La variabilité respiratoire de la pression artérielle systolique peut être quantifiée aussi dans le domaine temporel en calculant la différence entre les pressions artérielles systoliques maximales et minimales (delta-up et delta-down respectivement) au cours d’un cycle respiratoire [115–117]. Les delta-up et les delta-down sont définis par rapport à une pression artérielle systolique de référence mesurée au cours d’une pause télé-expiratoire prolongée. 4.5.4.7. Douleur. Récemment, un nouveau moyen, l’index sympathovagal, obtenu par l’analyse spectrale de l’intervalle RR de l’électrocardiogramme, a été proposé pour évaluer la douleur. L’avantage de cet index est d’être utilisable chez le sujet non inconscient [118]. Chez le nourrisson né à terme lors d’une stimulation nociceptive (ponction capillaire au doigt), l’analyse spectrale montre une augmentation du tonus sympathique et une diminution du tonus parasympathique. De plus, cette réponse est moins importante mais plus prolongée chez le nourrisson de 8 mois que chez le nourrisson de 4 mois. Ce qui démontre une maturation progressive de la réponse autonomique cardiaque à la nociception [119]. 4.5.4.8. Hypovolémie. L’hypovolémie modérée augmente la variabilité globale de la pression artérielle sans altérer la variabilité de la fréquence cardiaque [120]. Une diminution du retour veineux induit une augmentation de la composante HF du signal de pression artérielle [65]. Il existe également une augmentation de la composante LF du signal de pression artérielle systolique, témoin de l’activation sympathique résultant de l’hypovolémie. 4.5.4.9. Syncopes. L’objectif commun des études est la recherche d’un profil de variabilité particulier chez les patients présentant des syncopes vagales reproduites par des tilt-tests. L’étude de la variabilité de la fréquence cardiaque chez les

E.P. Souza Neto et al. / Annales Françaises d’Anesthésie et de Réanimation 22 (2003) 425–452

volontaires sains et chez les patients présentant des syncopes montre des réponses hétérogènes et met en évidence différents modèles en fonction du type de syncope (cardioinhibitrice ou dépressive). Les patients présentant des syncopes vasodépressives ont des valeurs de RMSSD plus basses ainsi qu’une diminution des variations circadiennes du rapport LF/HF par rapport aux sujets contrôles et aux sujets présentant des syncopes cardio-inhibitrices [121]. 4.5.4.10. Infarctus du myocarde. L’étude de la variabilité de la fréquence cardiaque a été très utilisée comme un index pronostique dans l’infarctus du myocarde. Une variabilité de la fréquence cardiaque réduite est un facteur prédictif de mortalité augmentée et d’arythmie grave indépendant des autres facteurs [2–4]. Par exemple, le SDNN et le pNN50 ont une valeur prédictive de mortalité indépendante. Quand le SDNN est > à 100 ms, il y a un taux de survie supérieur par rapport aux patients avec le SDNN < à 100 ms [28–30]. Pour le pNN50, les patients avec une valeur > à 2 % présentent un taux de mortalité plus bas [30]. L’étude de la variabilité de la fréquence cardiaque a été utilisée aussi pour comprendre le déclenchement des arythmies [122]. 4.5.4.11. Insuffısance cardiaque. Dans les cas d’insuffisance cardiaque, secondaire à une cardiopathie dilatée, plusieurs articles ont démontré que certains paramètres de l’analyse de la variabilité de la fréquence cardiaque ont été des facteurs pronostiques de survie [123–124]. Dans une étude chez les patients insuffisants cardiaques, suivis pendant environ 50 mois, des auteurs ont retrouvé le SDNN comme facteur de pronostic avec 80 % de survie à 50 mois pour les patients ayant un SDNN > 100 ms contre seulement 40 % quand celui-ci est inférieur à 100 ms [123]. 4.5.4.12. Diabète. Chez les diabétiques, plusieurs études ont montré une diminution de la variabilité de la fréquence cardiaque et de la pression artérielle [125,126]. La neuropathie autonome cardiaque est une complication fréquente du diabète et est dotée d’un intérêt pronostique puisqu’elle s’accompagne d’une morbidité et d’une mortalité cardiovasculaire accrue [126]. Elle peut être étudiée par l’analyse spectrale [126]. 4.5.4.13. Insuffısance rénale chronique. L’ensemble du système nerveux autonome est atteint dans l’insuffisance rénale avec des symptômes divers : digestifs (retard à la vidange gastrique, diarrhée, constipation), sexuels (impuissance chez l’homme) et cardiovasculaires (hypotension orthostatique et hypotension en hémodialyse) [127]. L’insuffisance rénale entraîne, par elle-même, une neuropathie diffuse. Les mécanismes qui conduisent à cette neuropathie urémique restent inconnus. Ils sont vraisemblablement liés aux effets de certaines toxines urémiques. L’association à d’autres neuropathies aggrave les effets de l’atteinte urémique. C’est en particulier le cas pour les patients diabétiques ou atteints d’amylose. Au niveau cardio-

445

vasculaire, cette atteinte touche à la fois le système nerveux sympathique et parasympathique [128]. On observe une diminution de l’index LF et de l’index HF chez les patients en insuffisance rénale en faveur d’une atteinte diffuse du système nerveux végétatif [128]. Pour d’autres auteurs, l’atteinte parasympathique étant plus précoce et conduisant à une prédominance d’activité du système nerveux orthosympathique par altération de la balance sympathovagale [129]. Il semble que la transplantation rénale et l’hémodialyse amélioreraient cette neuropathie, mais seulement de façon partielle et tardive. Une amélioration des index végétatifs a été retrouvée après 6 mois de transplantation rénale [130]. La sensibilité du baroréflexe spontané retrouve la valeur des témoins après 19 mois de transplantation rénale contrairement aux patients hémodialysés [131]. 4.5.4.14. Atteintes neurologiques. Les atteintes du système nerveux central ou périphérique ont des effets importants sur la variabilité de la pression artérielle et de la fréquence cardiaque. Ces altérations sont en relation avec le niveau de la lésion, les médicaments utilisés et les antécédents du patient. Chez les malades avec une dysautonomie, il y a une diminution importante de la variabilité à court terme [5]. Le retour de la variabilité peut être utilisé comme un signe de récupération neurologique [132,133]. Chez les patients avec une lésion médullaire aiguë, il y a une réduction de la bande LF et une augmentation importante de la composante parasympathique mesurée par les méthodes temporelles et spectrales [132]. Chez les patients avec une lésion médullaire chronique, il y a une diminution de la bande LF avec une bande HF préservée. Ces patients ont été proposés comme modèle pour expliquer l’influence supraspinale dans ces oscillations. Chez ces patients, les efférentes vagales et sympathiques sont intactes mais il n’y pas de modulation supraspinale [134]. Il est montré l’absence d’oscillation dans la bande LF de la fréquence cardiaque après une lésion cervicale [135]. D’autres études détectent cette oscillation dans la bande LF mais proposent des explications différentes. Des auteurs attribuent cette oscillation à une modulation vagale [136], d’autres à la composante sympathique, vu le délai d’apparition après l’atteinte médullaire [137]. Les patients en mort encéphalique présentent une disparition quasi-complète de la variabilité de la pression artérielle et de la fréquence cardiaque, mesurée dans le domaine temporel et fréquentiel, et le gain du baroréflexe est proche de zéro [133,138]. Ces altérations sont moins importantes que chez les patients en coma profond [133]. Les index de variabilité sont moins précis que l’échelle de coma de Glasgow pour prédire l’issue de ces patients, mais ils sont facilement accessibles et peuvent fournir des informations sur le statut neurologique [23,139–141]. 4.5.4.15. Sepsis. L’analyse spectrale est probablement une voie d’avenir dans la compréhension physiopathogénique du sepsis et le pronostic des patients de réanimation en sepsis grave [111]. Au cours du choc septique il y une altération très

446

E.P. Souza Neto et al. / Annales Françaises d’Anesthésie et de Réanimation 22 (2003) 425–452

précoce de la variabilité de la pression artérielle et de fréquence cardiaque avec une récupération sympathique plus rapide chez les survivants [142]. La perte de contrôle autonome cardiaque correspondrait à une perte des interconnexions entre le cœur et les autres organes du fait du syndrome inflammatoire de défaillance multiviscérale. Les patients qui vont décéder ont une diminution progressive de la composante LF de la fréquence cardiaque [143,144]. Cette diminution multiplie par 13 le risque de décéder en réanimation ; un ratio LF/HF < 1,5 multiplierait par 7 le risque de décès en réanimation [143,144]. 4.5.4.16. Hypertension artérielle. L’étude de sujets hypertendus a montré une augmentation de la puissance des LF de la pression artérielle et de la fréquence cardiaque par rapport aux sujets normotendus [21,42,145]. La détection précoce de l’hypertension et l’étude de la variabilité cyclique de la pression artérielle et de la fréquence cardiaque permettraient d’apporter des informations, et de prévenir les manifestations physiopathologiques de l’hypertension [17,18]. Ainsi, à niveau de pression artérielle égal, il existe un retentissement viscéral plus important lors d’augmentation de la variabilité de la pression artérielle [146]. 4.5.4.17. Transplantation cardiaque. Chez les transplantés cardiaques, l’analyse spectrale a été utilisée pour tester la réinnervation des greffons [147]. En effet, immédiatement après la transplantation cardiaque il y a une disparition des pics des HF et LF de la fréquence cardiaque, traduisant la dénervation cardiaque, alors que la variabilité de la pression artérielle systolique est intacte. Ces pics réapparaissent avec la réinnervation [23,148]. La signification clinique de cette réinnervation n’est pas actuellement bien établie mais la simplicité et l’innocuité des méthodes d’analyse spectrale permettent d’ores et déjà de monitorer ces patients pour de futures études. 4.5.4.18. La circulation extracorporelle. Pendant la période de circulation extracorporelle (CEC), le cœur est arrêté et la pression artérielle varie uniquement sous l’influence de facteurs non cardiaques, en particulier du tonus vasomoteur. Cette période représente donc un modèle intéressant pour l’analyse de ce tonus vasomoteur afin de mieux comprendre le rôle des mécanismes non cardiaques [149,150]. Récemment, l’influence d’un traitement préopératoire pendant la CEC a été évaluée [150]. Trois groupes de patients ont été étudiés pendant la CEC : groupe contrôle, sans traitement à visée cardiovasculaire, groupe sous bêtabloqueur jusqu’au jour de l’intervention et groupe sous inhibiteur de l’enzyme de conversion jusqu’à la veille de l’intervention. Aucune différence de puissance spectrale avant ou pendant la CEC n’était observée entre les groupes. La puissance VLF était significativement diminuée pendant la CEC chez les patients contrôle et sous bêtabloqueur et la puissance LF était significativement diminuée chez les patients sous bêtabloqueur et sous inhibiteur de l’enzyme de conversion. Dans tous les

groupes, la bande VLF contenait près de 90 % de la puissance et ce pourcentage était significativement plus élevé qu’avant la CEC. Dans la bande LF, les pourcentages étaient inchangés. Ces résultats mettent en évidence la réorganisation de la variabilité tensionnelle lorsque les influences cardiorespiratoires sont supprimées. La puissance spectrale dans la bande VLF exprime l’essentiel de la variabilité de la pression artérielle mais les résultats ne permettent pas de conclure au rôle du système nerveux sympathique ou du système rénineangiotensine dans les oscillations VLF. De plus, le maintien de la puissance LF chez les patients du groupe contrôle suggère que ces patients s’adaptent mieux que les autres aux changements de conditions hémodynamiques liées à la CEC [150]. 5. La non linéarité Un système est dit non linéaire si la relation entre l’entrée et la sortie du système ne varie pas de façon homogène (la sortie ne sera pas proportionnelle à l’entrée). Ce sont les systèmes non linéaires qui sont susceptibles d’exhiber un comportement chaotique [151,152]. Les méthodes récentes de la dynamique non linéaire ont permis de mieux comprendre le comportement des organes, en particulier du cœur et du cerveau. Si l’on mesure par exemple l’évolution d’une quantité en fonction du temps on peut dresser un portrait du système dans l’espace des phases et étudier sa dynamique. À partir de telles séries temporelles, plusieurs paramètres peuvent être mesurés, tels la dimension fractale du système, l’exposant de Lyapunov ou l’entropie de Kolmogoroff [151,153]. 5.1. La théorie du chaos Récemment, une approche de la nature des phénomènes aléatoires est apparue : la théorie du chaos [151,154]. La théorie du chaos a révolutionné beaucoup de disciplines et a bouleversé les conceptions classiques du hasard. Il peut exister un ordre caché dans le désordre apparent de certains phénomènes d’allure aléatoire [151]. La théorie du chaos est en fait née d’une constatation : un système très simple peut poser des problèmes de prédiction extraordinairement difficiles. En d’autres termes, un système simple peut exhiber un fonctionnement dynamique très compliqué. Le système cardiovasculaire est un bon exemple. La variabilité cardiaque peut paraître un phénomène aléatoire alors qu’elle provient d’un système aux multiples mécanismes de régulation [79,152]. Le chaos cardiaque présente une dimension fractale élevée, de l’ordre de 3,25, ce qui signifie que nous avons besoin d’au moins 4 variables pour décrire ce système [155,156]. Des systèmes entièrement déterministes peuvent présenter des comportements complexes d’aspect aléatoire, bien que le hasard n’y ait aucune place. La théorie du chaos a apporté des outils d’analyse des phénomènes dynamiques et a brisé le paradigme du déterminisme linéaire. Le processus chaotique est présent dans la variabilité cardiaque et il se

E.P. Souza Neto et al. / Annales Françaises d’Anesthésie et de Réanimation 22 (2003) 425–452

447

modifie pour finalement disparaître dans les heures qui précèdent une fibrillation ventriculaire ou un arrêt cardiaque [157,158]. Chez le fœtus aussi, il y une disparition de la structure chaotique du rythme cardiaque fœtal en cas de souffrance in utero [159]. Cette altération de la dynamique non linéaire se retrouve aussi chez les patients en mort encéphalique [160]. D’autres études montrent que les techniques d’analyse non linéaire de séries temporelles rendent possible l’investigation des mécanismes dynamiques non linéaires sous-jacents comme par exemple l’activité électro-encéphalographique [161,162]. L’analyse des enregistrements électroencéphalographiques a été proposée pour surveiller la profondeur anesthésique, la complexité des attracteurs étranges1 sous-jacente au rythme électrique diminuant avec la profondeur de l’anesthésie [163–165]. 5.2. Notion de fractal Les cycles de la nature seraient gouvernés par les mêmes règles mathématiques régissant aussi les fractales [153]. Des études récentes ont montré que la variabilité de la pression artérielle et de la fréquence cardiaque inclurait non seulement des oscillations harmoniques mais aussi des oscillations non harmoniques qui apparaissent sur le spectre non pas comme des pics mais comme une puissance qui recouvre une large bande de fréquence [155,166]. Outre les harmoniques, le spectre de ces séries chronologiques exhibe un profil général où la puissance est inversement proportionnelle à la fréquence, plus la fréquence est basse plus la puissance du spectre est importante [156,166]. Ce profil général, appelé composant 1/f est caractéristique des propriétés fractales de la variabilité observée (Fig. 15). Le fractal peut être calculé à partir de l’électroencéphalogramme [164,167–169]. En anesthésie, le fractal est déjà utilisé pour estimer le niveau de sédation ou d’anesthésie [167,169]. Il permet de guider l’administration de produits anesthésiques en adéquation avec l’intensité de la stimulation chirurgicale. L’analyse fractale de la fréquence cardiaque a été suggérée pour surveiller la réactivité neurovégétative. L’anesthésie fait chuter l’indice fractal [170,171]. Cette baisse est expliquée par une diminution de la réactivité neurovégétative provoquée par l’anesthésie et recherchée afin de réduire la nociception pendant la chirurgie [170,171]. 6. Conclusion L’analyse spectrale est actuellement très sollicitée par les cliniciens dans le but d’obtenir des marqueurs cliniques pour 1

Un attracteur est ce vers quoi tend l’état du système. Dans un système périodique entretenu, comme le balancier d’une horloge, le mouvement se répète identique à lui-même indéfiniment. L’attracteur est une trajectoire fermée nommée cycle limite. Les attracteurs des phénomènes chaotiques possèdent une structure particulière, les trajectoires restent confinées dans un même espace mais ne se confondent jamais. Ils sont appelés attracteurs étranges.

Fig. 15. Analyse spectrale à redondance multiscalaire de la variabilité de l’intervalle RR. Cette analyse (spectre noir) objective des harmoniques dans les hautes fréquences (HF ≥ 0,15 Hz) et dans les basses fréquences (0,04 ≤ BF ≤ 0,15 Hz). Si on effectue une analyse spectrale classique (trait fin), la détermination de ces harmoniques est perturbée par la présence d’un composant d’allure générale 1/f : plus la fréquence est basse, plus la puissance spectrale est haute. Ce composant représente environ 80 % de la puissance spectrale totale et correspond au bruit fractal contenu dans la variabilité de l’intervalle RR (données personnelles).

certaines pathologies. L’étude de la variabilité de la pression artérielle et de la fréquence cardiaque paraît être un indicateur pratique pour le diagnostic, le pronostic et le traitement de certaines maladies. Parmi les entités cliniques étudiées nous pouvons citer : la stratification de complications postinfarctus myocardique en termes de mortalité globale, la mort subite par arythmie létale, la transplantation cardiaque, la neuropathie diabétique. De même, l’utilisation de la variabilité de la pression artérielle et de la fréquence cardiaque dans l’évaluation des médicaments peut aider à dégager des profils d’action utiles pour mieux comprendre leur mode d’action. Le recours au système nerveux autonome comme cible pour des médicaments cardiovasculaires n’a pas été complètement exploité. Cependant, d’autres études en conditions méthodologiques standardisées sont nécessaires pour mieux cerner la place respective de la variabilité de la pression artérielle et de la fréquence cardiaque comme facteurs de risques indépendants, et non comme simples marqueurs du risque ou de stimulation sympathovagale. En anesthésie, l’analyse de la variabilité de la pression artérielle et de la fréquence cardiaque peut permettre une analyse plus fine et plus discriminante du rôle respectif des produits anesthésiques et de la chirurgie sur l’activité du système nerveux autonome. La création d’un monitorage multimodal (monitorage hémodynamique de la fréquence cardiaque et de pression artérielle, index bispectral, variabilité de la fréquence cardiaque et de la pression artérielle par les méthodes linéaires et non linéaires) pour l’adéquation de

448

E.P. Souza Neto et al. / Annales Françaises d’Anesthésie et de Réanimation 22 (2003) 425–452

l’anesthésie fait déjà l’objet de recherches (http://www. loria.fr/equipes/maia/projets/anesthesie.html). La création d’une boucle fermée, entre le monitorage et les informations fournies par le logiciel d’administration des agents anesthésiques avec objectifs de concentration, permettra une optimisation de l’utilisation des produits anesthésiques. En réanimation, l’intérêt de la variabilité a été démontré. Les patients qui vont décéder ont une diminution progressive de la composante LF de la fréquence cardiaque. Les analyses non linéaires effectuées aboutissent à la même conclusion : il semble que la dynamique cardiovasculaire ait des propriétés non linéaires sans qu’elles puissent être nettement mises en évidence. Malgré son caractère parfois abstrait, cette théorie trouve un retentissement dans des domaines comme les systèmes biologiques. Il serait intéressant d’évaluer l’altération de paramètre de la complexité chaotique survenant lors d’une anesthésie ou l’étude de la fonction baroréflexe grâce aux nouveaux concepts introduits par les analyses non linéaires. En anesthésie, il peut être envisagé de réaliser une analyse non linéaire des enregistrements de l’activité électrique cérébrale et de l’activité cardiaque pendant différents protocoles pour évaluer les effets des agents anesthésiques sur le cerveau. Références [1]

Guyton AC. Blood pressure control. Special role of the kidneys and body fluids. Science 1991;252:1813–6. [2] Lombardi F, Sandrone G, Pernpruner S, Sala R, Garimoldi M, Cerutti S, et al. Heart rate variability as an index of sympathovagal interaction after acute myocardial infarction. Am J Cardiol 1987;60: 1239–45. [3] Bigger JT, Fleiss JL, Rolnitzky LM, Steinman RC. The ability of several short-term measures of RR variability to predict mortality after myocardial infarction. Circulation 1993;88:927–34. [4] Tsuji H, Larson MG, Venditti Jr FJ, Manders ES, Evans JC, Feldman CL, et al. Impact of reduced heart rate variability on risk for cardiac events. The Framingham Heart Study. Circulation 1996;94: 2850–5. [5] Mathias CJ, Bannister R. Investigation of autonomic disorders. In: Mathias CJ, Bannister R, editors. Autonomic Failure A Textbook of Clinical Disorders of the Autonomic Nervous System. Oxford: University Press; 1999. p. 169–95. [6] Guyton AC. Le système nerveux autonome ; la médullosurrénale. In: Guyton AC, editor. Précis de Physiologie Médicale. Italie : Piccin Nuova Libraria ; 1996. p. 659–70. [7] Burnstock G. Mechanisms of interaction of peptide and nonpeptide vascular neurotransmitter systems. J Cardiovas Pharmacol 1987;10: S74–81. [8] Walker RJ, Brooks HL, Holden-Dye L. Evolution and overview of classical transmitter molecules and their receptors. Parasitology 1996; 113:S3–S33. [9] Benarroch EE. Central neurotransmitters and neuromodulators in cardiovascular regulation. In: Mathias CJ, Bannister R, editors. Autonomic Failure A textbook of clinical disorders of the autonomic nervous system. New York: Oxford University Press; 1999. p. 37–44. [10] Taddei S, Pedrinelli R, Salvetti A. Sympathetic nervous systemdependent vasoconstriction in humans. Evidence for mechanistic role of endogenous purine compounds. Circulation 1990;82:2061–7. [11] Rand MJ. Nitrergic transmission: nitric oxide as a mediator of nonadrenergic, non-cholinergic neuro-effector transmission. Clin Exp Pharmacol Physiol 1992;19:147–69.

[12] Scher AM, O’leary DS, Sheriff DD. Arterial baroreceptor regulation of peripheral resistance and of cardiac performance. In: Persson PB, Kirchheim HR, editors. Baroreceptor Reflexes-Integrative functions and clinical aspects. Berlin: Springer-Verlag; 1991. p. 75–125. [13] Berdeaux A, Giudicelli JF. Antihypertensive drugs and baroreceptor reflex control of heart rate and blood pressure. Fundam Clin Pharmacol 1987;1:257–82. [14] Eckberg DL. Temporal response patterns of the human sinus node to brief carotid baroreceptor stimuli. J Physiol 1976;258:769–82. [15] Del Bo A, Le Doux JE, Reis DJ. Sympathetic nervous system and control of blood pressure during natural behaviour. J Hypertens 1985; 3:S105–6. [16] Kleiger RE, Miller JP, Bigger Jr JT, Moss AJ, the Multicenter PostInfarction Research Group. Decreased heart rate variability and its association with increased mortality after acute myocardial infarction. Am J Cardiol 1987;59:256–62. [17] Parati G, Ravogli A, Frattola A, Groppelli A, Ulian L, Santucciu C, et al. Blood pressure variability: clinical implications and effects of antihypertensive treatment. J Hypertens 1994;12:S35–40. [18] Siche JP, Tremel F, Comparat V, de Gaudemaris R, Mallion JM. Examination of variability in arterial blood pressure at rest using spectral analysis in hypertensive patients. J Hypertens 1995;13: 147–53. [19] Elghozi JL, Girard A, Laude D. Variabilité de la pression artérielle : mécanismes de contrôle nerveux. Lett Pharmacol 1991;5:253–8. [20] Lantelme P, Custaud MA, Vincent M, Milon H. Implications cliniques de la variabilité tensionnelle. Arch Mal Cœur Vaiss 2002;95:787–92. [21] Pagani M, Lombardi F, Guzzetti S, Rimoldi O, Furlan R, Pizzinelli P, et al. Power spectral analysis of heart rate and arterial pressure variabilities as a marker of sympathovagal interaction in man and conscious dog. Circ Res 1986;59:178–93. [22] Papoulis A. Signal analysis. Singapore: Mcgraw Hill Book Company; 1984. [23] Task force of the European society of cardiology and the North American society of pacing and electrophysiology. Heart rate variability-Standards of measurement, physiological interpretation, and clinical use. Circulation 1996;93:1043–65. [24] Malliani A, Pagani M, Lombardi F, Cerutti S. Cardiovascular neural regulation explored in the frequency domain. Circulation 1991;84: 482–92. [25] Spiegel MR, Stephens LJ. Écart-type et autres mesures de dispersion. In: Spiegel MR, Stephens LJ, editors. Théorie et problèmes de statistique. England: McGraw-Hill International; 2000. p. 89–113. [26] Mancia G. Blood pressure variability: mechanisms and clinical significance. J Cardiovasc Pharmacol 1990;16:S1–6. [27] Fleisher LA. Heart rate variability as an assessment of cardiovascular status. J Cardiothorac Vasc Anesth 1996;10:659–71. [28] Bigger JT, Fleiss JL, Steinman RC, Rolnitzky LM, Kleiger RE, Rottman JN. Correlations among time and frequency domain measures of heart period variability two weeks after acute myocardial infarction. Am J Cardiol 1992;69:891–8. [29] Ponikowski P, Anker SD, Chua TP, Szelemej R, Piepoli M, Adamopoulos S, et al. Depressed heart rate variability as an independent predictor of death in chronic congestive heart failure secondary to ischemic or idiopathic dilated cardiomyopathy. Am J Cardiol 1997; 79:1645–50. [30] Szabo BM, Van Veldhuisen DJ, Van der Veer N, Brouwer J, De Graeff PA, Crijns HJ. Prognostic value of heart rate variability in chronic congestive heart failure secondary to idiopathic or ischemic dilated cardiomyopathy. Am J Cardiol 1997;79:978–80. [31] Eckberg DL. Human sinus arrhythmia as an index of vagal cardiac outflow. J Appl Physiol 1983;54:961–6. [32] Schechtman VL, Kluge KA, Harper RM. Time-domain system for assessing variation in heart rate. Med Biol Eng Comput 1988;26: 367–73.

E.P. Souza Neto et al. / Annales Françaises d’Anesthésie et de Réanimation 22 (2003) 425–452 [33] Malik M, Xia R, Odemuyiwa O, Staunton A, Poloniecki J, Camm AJ. Influence of the recognition artefact in automatic analysis of longterm electrocardiograms on time-domain measurement of heart rate variability. Med Biol Eng Comput 1993;31:539–44. [34] Brouwer J, Van Veldhuisen DJ, Man In’t Veld AJ, Haaksma J, Dijk WA, Visser KR, et al. Prognostic value of heart rate variability during long-term follow-up in patients with mild to moderate heart failure. The Dutch Ibopamine Multicenter Trial Study Group. J Am Coll Cardiol 1996;28:1183–9. [35] Berntson GG, Bigger Jr JT, Eckberg DL, Grossman P, Kaufmann PG, Malik M, et al. Committee Report. Heart rate variability: origins, methods, and interpretive caveats. Psychophysiology 1997;34: 623–48. [36] Kay SM, Marple Jr. SL. Spectrum analysis - A modern perspective. Proc IEEE 1981;69:1380–419. [37] Akselrod S, Gordon D, Ubel FA, Shannon DC, Berger AC, Cohen RJ. Power spectrum analysis of heart rate fluctuation: a quantitative probe of beat-to-beat cardiovascular control. Science 1981;213:220–2. [38] De Boer RW. Beat-to-beat blood-pressure fluctuations and heart-rate variability in man: physiological relationships, analysis techniques and a simple model. Thesis of the department of physiology. Amsterdam: University of Amsterdam; 1985. [39] Akselrod S. Spectral analysis of fluctuations in cardiovascular parameters: a quantitative tool for the investigation of autonomic control. Trends Pharmacol Sci 1988;9:6–9. [40] Cerutti C, Gustin MP, Paultre CZ, Lo M, Julien C, Vincent M, et al. Autonomic nervous system and cardiovascular variability in rats: a spectral analysis approach. Am J Physiol 1991;261:H1292–9. [41] Cohen L. Time-frequency distributions-a review. Proc IEEE 1989;77: 941–81. [42] Elghozi JL, Laude D, Janvier F. Clonidine reduces blood pressure and heart rate oscillations in hypertensive patients. J Cardiovasc Pharmacol 1991;17:935–40. [43] Saul JP, Berger RD, Albrecht P, Stein SP, Chen MH, Cohen RJ. Transfer function analysis of circulation: unique insights into cardiovascular regulation. Am J Physiol 1991;261:H1231–45. [44] Elghozi JL, Elkik F. Méthodologie et évaluation de la variabilité tensionnelle. Thérapie 1994;50:261–6. [45] Rubini R, Porta A, Baselli G, Cerutti S, Paro M. Power spectrum analysis of cardiovascular variability monitored by telemetry in conscious unrestrained rats. J Auton Nerv Syst 1993;45:181–90. [46] Wu MC. Analysis of blood pressure variability. Am J Hypertens 1993;6:198S–200S. [47] Persson PB. Spectrum analysis of cardiovascular time series. Am J Physiol 1997;273:R1201–10. [48] Laude D, Weise F, Girard A, Elghozi JL. Spectral analysis of systolic blood pressure and heart rate oscillations related to respiration. Clin Exp Pharmacol Physiol 1995;22:352–7. [49] Bilge AR, Stein PK, Domitrovich PP, Gerard PL, Rottman JN, Kleiger RE, et al. Assessment of ultra low frequency band power of heart rate variability: validation of alternative methods. Int J Cardiol 1999;71:1–6. [50] Parati G, Saul JP, Di Rienzo M, Mancia G. Spectral analysis of blood pressure and heart rate variability in evaluating cardiovascular regulation-A critical appraisal. Hypertension 1995;25:1276–86. [51] Yamamoto Y, Hughson RL. Coarse-graining spectral analysis: new method for studying heart rate variability. J Appl Physiol 1991;71: 1143–50. [52] Robbe HW, Mulder LJ, Ruddel H, Langewitz WA, Veldman JB, Mulder G. Assessment of baroreceptor reflex sensitivity by means of spectral analysis. Hypertension 1978;10:538–43. [53] Pagani M, Furlan R, Pizzinelli P, Crivellaro W, Cerutti S, Malliani A. Spectral analysis of R-R and arterial pressure variabilities to assess sympathovagal interaction during mental stress in humans. J Hypertens 1989;7:S14–5.

449

[54] Bianchi A, Bontempi B, Cerutti S, Gianoglio P, Comi G, Natali Sora MG. Spectral analysis of heart rate variability signal and respiration in diabetic subjects. Med Biol Eng Comput 1990;28:205–11. [55] Daffonchio A, Franzelli C, Di Rienzo M, Castiglioni P, Ramirez AJ, Parati G, et al. Effect of sympathectomy on blood pressure variability in the conscious rat. J Hypertens 1991;9:S70–1. [56] Preiss G, Polosa C. Patterns of sympathetic neuron activity associated with Mayer waves. Am J Physiol 1974;226:724–30. [57] Grasso R, Rizzi G, Schena F, Cevese A. Arterial baroreceptors are not essential for low frequency oscillation of arterial pressure. J Auton Nerv Syst 1995;50:323–31. [58] Madwed JB, Albrecht P, Mark RG, Cohen RJ. Low-frequency oscillations in arterial pressure and heart rate: a simple computer model. Am J Physiol 1989;256:H1573–9. [59] Jacob HJ, Ramanthan A, Pan SG, Brody MJ, Myers GA. Spectral analysis of arterial pressure lability in rats with sinoaortic deafferentation. Am J Physiol 1995;269:R1481–8. [60] Cerutti C, Barres C, Paultre C. Baroreflex modulation of blood pressure and heart rate variabilities in rats: assessment by spectral analysis. Am J Physiol 1994;266:H1993–2000. [61] Katona PG, Jih F. Respiratory sinus arrhythmia: noninvasive measure of parasympathetic cardiac control. J Appl Physiol 1975;39:801–5. [62] Novak V, Novak P, De Champlain J, Le Blanc AR, Martin R, Nadeau R. Influence of respiration on heart rate and blood pressure fluctuations. J Appl Physiol 1993;74:617–26. [63] Berntson GG, Bigger JT, Eckberg DL, Grossman P, Kaufmann PG, Malik M, et al. Heart rate variability: origins, methods and interpretive caveats. Psychophysiology 1997;34:623–48. [64] Hirsch JA, Bishop B. Respiratory sinus arrhythmia in humans: how breathing pattern modulates heart rate. Am J Physiol 1981;241: H620–9. [65] Toska K, Eriksen M. Respiration-synchronous fluctuations in stroke volume, heart rate and arterial pressure in humans. J Physiol 1993; 472:501–12. [66] Perel A, Pizov R, Ctev S. Systolic blood pressure variations is a sensitive indicator of hypovolemia in ventilated dogs subjected to graded hemorrhage. Anesthesiology 1987;67:498–502. [67] Malliani A, Lombardi F, Pagani M, Cerutti S. Clinical exploration of the autonomic nervous system by means of electrocardiography. Ann N Y Acad Sci 1990;601:234–46. [68] De Boer RW, Karemaker JM, Strackee J. Hemodynamic fluctuations and baroreflex sensitivity in humans: a beat-to-beat model. Am J Physiol 1987;253:H680–9. [69] Challis RE, Kitney RI. Biomedical signal processing (in four parts). Part 2. The frequency transforms and their inter-relationships. Med Biol Eng Comput 1991;29:1–17. [70] Gerritsen J, TenVoorde BJ, Dekker JM, Kostense PJ, Bouter LM, Heethaar RM. Baroreflex sensitivity in the elderly: influence of age, breathing and spectral methods. Clin Sci 2000;99:371–81. [71] Parlow J, Viale JP, Annat G, Hughson R, Quintin L. Spontaneous cardiac baroreflex in humans. Comparison with drug-induced responses. Hypertension 1995;25:1058–68. [72] Hayano J, Taylor JA, Yamada A, Mukai S, Hori R, Asakawa T, et al. Continuous assessment of hemodynamic control by complex demodulation of cardiovascular variability. Am J Physiol 1993;264: H1229–38. [73] Pichot V, Gaspoz JM, Molliex S, Antoniadis A, Busso T, Roche F, et al. Wavelet transform to quantify heart rate variability and to assess its instantaneous changes. J Appl Physiol 1999;86:1081–91. [74] Flandrin P, Escudié B. Time and frequency representations of finite energy signals: A physical property as a result of a Hilbertian condition. Signal Proc 1980;2:93–100. [75] Jasson S, Médigue C, Maison-Blanche P, Montano N, Meyer L, Vermeiren C, et al. Instant power spectrum analysis of heart rate variability during orthostatic tilt using a time–/frequency–domain method. Circulation 1997;96:3521–6.

450

E.P. Souza Neto et al. / Annales Françaises d’Anesthésie et de Réanimation 22 (2003) 425–452

[76] Boashash B. Estimating and interpreting the instantaneous frequency of a signal - Part 1: Fundamentals. Proc IEEE 1992;80:520–38. [77] Cerutti S, Bianchi AM, Mainardi LT. Advanced spectral methods for detecting dynamic behaviour. Auton Neurosci 2001;90:3–12. [78] Barbieri R, Parati G, Saul JP. Closed- vs open-loop assessment of heart rate baroreflex. IEEE Eng Med Bio Mag 2001;20:33–42. [79] Wiklund U, Akay M, Morrison S, Niklasson U. Wavelet decomposition of cardiovascular signals for baroreceptor function tests in pigs. IEEE Trans Biomed Eng 2002;49:651–61. [80] Custaud MA, Souza Neto EP, Abry P, Flandrin P, Millet C, Duvareille M, et al. Orthostatic tolerance and spontaneous baroreflex sensitivity in men versus women after 7 days of head down bed rest. Auton Neurosci 2002;100:66–76. [81] Spencer JA, Johnson P. Fetal heart rate variability changes and foetal behavioural cycles during labour. Br J Obstet Gynaecol 1986;93: 314–21. [82] Samueloff A, Langer O, Berkus M, Field N, Xenakis E, Ridgway L. Is fetal heart rate variability a good predictor of fetal outcome? Acta Obstet Gynecol Scand 1994;73:39–44. [83] Grichois ML, Japundzic N, Head GA, Elghozi JL. Clonidine reduces blood pressure and heart rate oscillations in the conscious rat. J Cardiovasc Pharmacol 1990;16:449–54. [84] Japundzic N, Grichois ML, Zitoun P, Laude D, Elghozi JL. Spectral analysis of blood pressure and heart rate in conscious rats: effects of autonomic blockers. J Auton Nerv Syst 1990;30:91–100. [85] Cook JR, Bigger Jr JT, Kleiger RE, Fleiss JL, Steinman RC, Rolnitzky LM. Effect of atenolol and diltiazem on heart period variability in normal persons. J Am Coll Cardiol 1991;17:480–4. [86] Huang HH, Chan HL, Lin PL, Wu CP, Huang CH. Time-frequency spectral analysis of heart rate variability during induction of general anaesthesia. Br J Anaesth 1997;79:754–8. [87] Marsch SC, Skarvan K, Schaefer HG, Naegeli B, Paganoni R, Castelli I, et al. Prolonged decrease in heart rate variability after elective hip arthroplasty. Br J Anaesth 1994;72:643–9. [88] Galletly DC, Westenberg AM, Robinson BJ, Corfiatis T. Effect of halothane, isoflurane and fentanyl on spectral components of heart rate variability. Br J Anaesth 1994;72:177–80. [89] Kato M, Komatsu T, Kimura T, Shimada Y. Spectral analysis of heart rate variability during isoflurane anesthesia. Anesthesiology 1992;77: 669–74. [90] Fleisher LA, Frank SM, Shir Y, Estafanous M, Kelly S, Raja SN. Cardiac sympathovagal balance and peripheral sympathetic vasoconstriction: epidural vs general anesthesia. Anesth Analg 1994; 79:165–71. [91] Marty J, Gauzit R, Lefevre P, Couderc E, Farinotti R, Henzel C, et al. Effects of diazepam and midazolam on baroreflex control of heart rate and on sympathetic activity in humans. Anesth Analg 1986;65:113–9. [92] Yang CH, Shyr MH, Kuo TB, Tan PP, Chan SH. Effects of propofol on nociceptive response and power spectra of electroencephalographic and systemic arterial pressure signals in the rat: correlation with plasma concentration. J Pharmacol Exp Ther 1995;275:1568–74. [93] Latson TW, McCarroll SM, Mirhej MA, Hyndman VA, Whitten CW, Lipton JM. Effects of three anesthetic induction techniques on heart rate variability. J Clin Anesth 1992;4:265–76. [94] Komatsu T, Singh PK, Kimura T, Nishiwaki K, Bando K, Shimada Y. Differential effects of ketamine and midazolam on heart rate variability. Can J Anaesth 1995;42:1003–9. [95] Gauzit R, Balagny D, Marty J, Couderc E, Farinotti R. Effets du flunitrazépam sur le contrôle baroréflexe de la fréquence cardiaque et sur l’activité adrénergique. Ann Fr Anesth Réanim 1987;6:347–51. [96] Bernard JM, Wouters PF, Doursout MF, Florence B, Chelly JE, Merin RG. Effects of sevoflurane and isoflurane on cardiac and coronary dynamics in chronically instrumented dogs. Anesthesiology 1990;72:659–62. [97] Seagard JL, Elegbe EO, Kampine JP. Effects of isoflurane on the baroreceptor reflex. Anesthesiology 1983;59:511–20.

[98] Kotrly KJ, Ebert TJ, Vucins E, Igler FO, Barney JA, Kampine JP. Baroreceptor reflex control of heart rate during isoflurane anesthesia in humans. Anesthesiology 1984;60:173–9. [99] Galletly DC, Tobin PD, Robinson BJ, Corfiatis T. Effect of inhalation of 30 % nitrous oxide on spectral heart rate variability in conscious man. Clin Sci 1993;85:389–92. [100] Tanaka M, Nishikawa T. Sevoflurane speeds recovery of baroreflex control of heart rate after minor surgical procedures compared with isoflurane. Anesth Analg 1999;89:284–9. [101] Sleigh JW, Donovan J. Comparison of bispectral index, 95% spectral edge frequency and approximate entropy of the EEG, with changes in heart rate variability during induction of general anaesthesia. Br J Anaesth 1999;82:666–71. [102] Pichot V, Buffiere S, Gaspoz JM, Costes F, Molliex S, Duverney D, et al. Wavelet transform of heart rate variability to assess autonomic nervous system activity does not predict arousal from general anesthesia. Can J Anaesth 2001;48:859–63. [103] Backlund M, Toivonen L, Tuominen M, Pere P, Lindgren L. Changes in heart rate variability in elderly patients undergoing major noncardiac surgery under spinal or general anesthesia. Reg Anesth Pain Med 1999;24:386–92. [104] Introna R, Yodlowski E, Pruett J, Montano N, Porta A, Crumrine R. Sympathovagal effects of spinal anesthesia assessed by heart rate variability analysis. Anesth Analg 1995;80:315–21. [105] Kawamoto M, Tanaka N, Takasaki M. Power spectral analysis of heart rate variability after spinal anaesthesia. Br J Anaesth 1993;71:523–7. [106] Landry DP, Bennett FM, Oriol NE. Analysis of heart rate dynamics as a measure of autonomic tone in obstetrical patients undergoing epidural or spinal anesthesia. Reg Anesth 1994;19:189–95. [107] Bernardi L, Hayoz D, Wenzel R, Passino C, Calciati A, Weber R, et al. Synchronous and baroceptor-sensitive oscillations in skin microcirculation: evidence for central autonomic control. Am J Physiol 1997;273:H1867–78. [108] Szili-Torok T, Paprika D, Peto Z, Babik B, Bari F, Barzo P, et al. Effect of axillary brachial plexus blockade on baroreflex-induced skin vasomotor responses: assessing the effectiveness of sympathetic blockade. Acta Anaesthesiol Scan 2002;46:815–20. [109] Ahmed MW, Kadish AH, Parker MA, Goldberger JJ. Effect of physiologic and pharmacologic adrenergic stimulation on heart rate variability. J Am Coll Cardiol 1994;24:1082–90. [110] Tulen JH, Man in ‘t Veld AJ, Van Roon AM, Moleman P, Van Steenis HG, Blankestijn PJ, et al. Spectral analysis of hemodynamics during infusions of epinephrine and norepinephrine in men. J Appl Physiol 1994;76:1914–21. [111] Yien HW, Hseu SS, Lee LC, Kuo TB, Lee TY, Chan SH. Spectral analysis of systemic arterial pressure and heart rate signals as a prognostic tool for the prediction of patient outcome in the intensive care unit. Crit Care Med 1997;25:258–66. [112] Harasawa Y, Imaizumi T, Ando S, Masaki H, Harada S, Momohara M, et al. Influence of arotinolol hydrochloride on heart rate spectrum in hypertensive subjects. Jpn Circ J 1994;58:326–37. [113] Hohnloser SH, Klingenheben T, Zabel M, Just H. Effect of sotalol on heart rate variability assessed by Holter monitoring in patients with ventricular arrhythmias. Am J Cardiol 1993;72:67A–71A. [114] Fortrat JO, Yamamoto Y, Hughson RL. Respiratory influences on nonlinear dynamics of heart rate variability. Biol Cybern 1997;77: 1–10. [115] Tavernier B, Makhotine O, Lebuffe G, Dupont J, Scherpereel P. Systolic pressure variation as a guide to fluid therapy in patients with sepsis-induced hypotension. Anesthesiology 1998;89:1313–21. [116] Preisman S, Pfeiffer U, Lieberman N, Perel A. New monitors of intravascular volume: a comparison of arterial pressure waveform analysis and the intrathoracic blood volume. Intensive Care Med 1997;23:651–7.

E.P. Souza Neto et al. / Annales Françaises d’Anesthésie et de Réanimation 22 (2003) 425–452 [117] Michard F, Chemla D, Richard C, Wysocki M, Pinsky MR, Lecarpentier Y, et al. Clinical use of respiratory changes in arterial pulse pressure to monitor the hemodynamic effects of PEEP. Am J Respir Crit Care Med 1999;159:935–9. [118] Lindh V, Wiklund U, Hakansson S. Heel lancing in term new-born infants: an evaluation of pain by frequency domain analysis of heart rate variability. Pain 1999;80:143–8. [119] Oberlander TF, Grunau RE, Pitfield S, Whitfield MF, Saul JP. The developmental character of cardiac autonomic responses to an acute noxious event in 4- and 8-months-old healthy infants. Pediatr Res 1999;45:519–25. [120] Girard A, Phan ML, Weise F, Elghozi JL. Effects of plasmapheresis on short-term variability of blood pressure in healthy donors. Clin Auton Res 1992;2:299–302. [121] Lazzeri C, La Villa G, Barletta G, Franchi F. 24-hours heart rate variability in patients with vasovagal syncope. Pacing Clin Electrophysiol 2000;23:463–8. [122] Coumel P. Modifications of heart rate variability preceding the onset of tachyarrhythmias. Cardiologia 1990;35:7–12. [123] Fauchier L, Babuty D, Cosnay P, Autret ML, Fauchier JP. Heart rate variability in idiopathic dilated cardiomyopathy: characteristics and prognostic value. J Am Coll Cardiol 1997;30:1009–14. [124] Yi G, Goldman JH, Keeling PJ, Reardon M, Mckenna WJ, Malik M. Heart rate variability in idiopathic dilated cardiomyopathy: relation to disease severity and prognosis. Heart 1997;77:108–14. [125] Lishner M, Akselrod S, Avi VM, Oz O, Divon M, Ravid M. Spectral analysis of heart rate fluctuations. A non-invasive, sensitive method for the early diagnosis of autonomic neuropathy in diabetes mellitus. J Auton Nerv Syst 1987;19:119–25. [126] Freeman R, Saul JP, Roberts MS, Berger RD, Broadbridge C, Cohen RJ. Spectral analysis of heart rate in diabetic autonomic neuropathy. A comparison with standard tests of autonomic function. Arch Neurol 1991;48:185–90. [127] Savica V, Musolino R, Di Leo R, Santoro D, Vita G, Bellinghieri G. Autonomic dysfunction in uremia. Am J Kidney Dis 2001;38: S118–21. [128] Vita G, Bellinghieri G, Trusso A, Costantino G, Santoro D, Monteleone F, et al. Uremic autonomic neuropathy studied by spectral analysis of heart rate. Kidney Int 1999;56:232–7. [129] Tory K, Sallay P, Toth-Heyn P, Szabo A, Szabo A, Tulassay T, et al. Signs of autonomic neuropathy in childhood uremia. Pediatr Nephrol 2001;16:25–8. [130] Agarwal A, Anand IS, Sakhuja V, Chugh KS. Effect of dialysis and renal transplantation on autonomic dysfunction in chronic renal failure. Kidney Int 1991;40:489–95. [131] Gerhardt U, Riedasch M, Steinmetz M, Hohage H. Kidney transplantation improves baroreceptor sensitivity. Int J Cardiol 1999;70:233–9. [132] Mathias CJ, Frankel HL. Autonomic disturbances in spinal cord lesions. In: Mathias CJ, Bannister R, editors. Autonomic failure A textbook of clinical disorders of the autonomic nervous system. Oxford: University Press; 1999. p. 494–513. [133] Freitas J, Azevedo E, Teixeira J, Carvalho MJ, Costa O, Falção de Freitas A. Heart rate variability as an assessment of brain death. Transplant Proc 2000;32:2584–5. [134] Spyer KM. Central nervous mechanisms contributing to cardiovascular control. J Physiol 1994;474:1–19. [135] Inoue K, Miyake S, Kumashiro M, Ogata H, Yoshimura O. Power spectral analysis of heart rate variability in traumatic quadriplegic humans. Am J Physiol 1990;258:H1722–6. [136] Koh J, Brown TE, Beightol LA, Ha CY, Eckberg DL. Human autonomic rhythms: vagal cardiac mechanisms in tetraplegic subjects. J Physiol 1994;474:483–95. [137] Guzzetti S, Cogliati C, Broggi C, Carozzi C, Caldiroli D, Lombardi F, et al. Influences of neural mechanisms on heart period and arterial pressure variabilities in quadriplegic patients. Am J Physiol 1994;266:H1112–20.

451

[138] Conci F, Di Rienzo M, Castiglioni P. Blood pressure and heart rate variability and baroreflex sensitivity before and after brain death. J Neurol Neurosurg Psychiatry 2001;71:621–31. [139] Baillard C, Vivien B, Mansier P, Mangin L, Jasson S, Riou B, et al. Brain death assessment using instant spectral analysis of heart rate variability. Crit Care Med 2002;30:306–10. [140] Lowensohn RI, Weiss M, Hon EH. Heart-rate variability in braindamaged adults. Lancet 1977;1:626–8. [141] Rapenne T, Moreau D, Lenfant F, Vernet M, Boggio V, Cottin Y, et al. Could heart rate variability predict outcome in patients with severe head injury? A pilot study. J Neurosurg Anesthesiol 2001;13:260–8. [142] Piepoli M, Garrard CS, Kontoyannis DA, Bernardi L. Autonomic control of the heart and peripheral vessels in human septic shock. Intensive Care Med 1995;21:112–9. [143] Sharshar T, Castel M, Annane D, Raphael JC, Gajdos P. Signification pronostique de l’altération des rythmes cardiovasculaires au cours des états infectieux : analyse. Réanim Urgences 1997;6:722. [144] Winchell RJ, Hoyt DB. Spectral analysis of heart rate variability in the Icu. J Surg Res 1996;63:11–6. [145] Huikuri HV,Ylitalo A, Pikkujamsa SM, Ikaheimo MJ, Airaksinen KE, Rantala AO, et al. Heart rate variability in systemic hypertension. Am J Cardiol 1996;77:1073–7. [146] Parati G, Pomidossi G, Albini F, Malaspina D, Mancia G. Relationship of 24-hours blood pressure mean and variability to severity of target-organ damage in hypertension. J Hypertens 1987;5:93–8. [147] Fallen EL, Kamath MV, Ghista DN, Fitchett D. Spectral analysis of heart rate variability following human heart transplantation: evidence for functional reinnervation. J Auton Nerv Syst 1988;23:199–206. [148] Bernardi L, Keller F, Sanders M, Reddy PS, Griffith B, Meno F, et al. Respiratory sinus arrhythmia in the denervated human heart. J Appl Physiol 1989;67:1447–55. [149] Yang MW, Kuo TBJ, Lin SM, Chan KH, Chan SHH. Continuous, on-line, real-time spectral analysis of SAP signals during cardiopulmonary bypass. Am J Physiol 1995;268:H2329–35. [150] Souza Neto EP, Loufouat J, Saroul C, Paultre C, Chiari P, Piriou V, et al. Blood pressure variability during cardiopulmonary bypass [abstract]. Eur J Anaesthesiol 2001;18:A.21. [151] Mansier P, Clairambault J, Charlotte N, Médigue C, Vermeiren C, LePape G, et al. Linear and non-linear analyses of heart rate variability: a minireview. Cardiovasc Res 1996;31:371–9. [152] Golberger AL. Non linear dynamics for clinicians: chaos theory, fractals and complexity at the bedside. Lancet 1996;347:1312–4. [153] Grosskinsky S, Timme M, Naundorf B. Universal attractors of reversible aggregate-reorganization processes. Phys Rev Lett 2002;88: 245501–11. [154] Elbert T, Ray WJ, Kowalik ZJ, Skinner JE, Graf KE, Birbaumer N. Chaos and physiology: deterministic chaos in excitable cell assemblies. Physiol Rev 1994;74:1–47. [155] Makikallio TH, Ristimae T, Airaksinen KE, Peng CK, Goldberger AL, Huikuri HV. Heart rate dynamics in patients with stable angina pectoris and utility of fractal and complexity measures. Am J Cardiol 1998;81:27–31. [156] Nunes Amaral LA, Ivanov PC, Aoyagi N, Hidaka I, Tomono S, Goldberger AL, et al. Behavioral-independent features of complex heartbeat dynamics. Phys Rev Lett 2001;86:6026–9. [157] Golberger AL, Rigney DR, Mietus J, Antman EM, Greenwald S. Nonlinear dynamics in sudden cardiac death syndrome: heart rate oscillations and bifurcations. Experientia 1987;44:983–7. [158] Lombardi F. Chaos theory, heart rate variability and arrhythmic mortality. Circulation 2000;101:8–10. [159] Chaffin DG, Golberg CC, Reed KL. The dimension of chaos in the fetal heart rate. Am J Obstet Gynecol 1991;165:1425–9. [160] Neumann T, Post H, Ganz RE, Walz MK, Skyschally A, Schulz R, et al. Linear and non-linear dynamics of heart rate variability in brain dead organ donors. Z Kardiol 2001;90:484–91.

452

E.P. Souza Neto et al. / Annales Françaises d’Anesthésie et de Réanimation 22 (2003) 425–452

[161] Sarbadhikari SN, Chakrabarty K. Chaos in the brain: a short review alluding to epilepsy, depression, exercise and lateralization. Med Eng Phys 2001;23:445–55. [162] Theiler J, Rapp PE. Re-examination of the evidence for lowdimensional, nonlinear structure in the human electroencephalogram. Electroenceph Clin Neurophysiol 1996;98:213–22. [163] Godman NW. Chaos in anesthesia. Anaesthesia 1990;45:187–8. [164] Ortolani O, Conti A, Di Filippo A, Adembri C, Moraldi E, Evangelisti A, et al. EEG signal processing in anaesthesia. Use of a neural network technique for monitoring depth of anaesthesia. Br J Anaesth 2002;88:644–8. [165] Zhang XS, Roy RJ. Derived fuzzy knowledge model for estimating the depth of anesthesia. IEEE Trans Biomed Eng 2001;48:312–23. [166] Yamamoto Y, Hughson RL. On the fractal nature of heart rate variability in humans: effects of data length and beta-adrenergic blockade. Am J Physiol 1994;266:R40–9.

[167] Kearse Jr LA, Rosow C, Zaslavsky A, Connors P, Dershwitz M, Denman W. Bispectral analysis of the electroencephalogram predicts conscious processing of information during propofol sedation and hypnosis. Anesthesiology 1998;88:25–34. [168] Pereda E, Gamundi A, Rial R, Gonzalez J. Non-linear behaviour of human EEG: fractal exponent versus correlation dimension in awake and sleep stages. Neurosci Lett 1998;250:91–4. [169] Rampil IJ. A primer for EEG signal processing in anesthesia. Anesthesiology 1998;89:980–1002. [170] Chinzei M. Do changes in bispectral index in noxious stimuli reflect the responsiveness of autonomic nervous system? J Anest 1998;12: 351. [171] Storella RJ, Horrow JC, Polansky M. Differences among heart rate variability measures after anesthesia and cardiac surgery. J Cardiothorac Vasc Anesth 1999;13:451–3.