Prediction of paroxysmal atrial fibrillation based on 24-hour Holter electrocardiographic monitoring

Cover Page

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription Access

Abstract

BACKGROUND: Predicting and detecting paroxysmal atrial fibrillation at an early stage is a key priority for preventing cardioembolic complications.

AIM: This study aimed to develop a predictive tool for paroxysmal atrial fibrillation in patients with sinus rhythm.

MATERIAL AND METHODS: A single-center case-control study was conducted involving 6630 patients. The main group comprised 97 individuals with newly diagnosed paroxysmal atrial fibrillation. The control group included 99 patients without atrial fibrillation, matched for anthropometric and comorbidity parameters. Standard laboratory and instrumental methods were used. During 24-hour Holter ECG monitoring, the following parameters were analyzed: sex, age, monitoring duration, and rhythm driver. Special attention was given to early ectopic beats of the “P on T” and “R on T” types. Differences were considered statistically significant at p ≤ 0.05.

RESULTS: Holter ECG parameters (extrasystole, ectopy, and paroxysmal tachycardia) were significantly more frequent and had higher values in the main group. A specific type of early atrial extrasystole (“P on T”) was observed in 97.9% of the main group, compared with 4.0% of the control group (odds ratio, 8461.648; 95% CI, 382.1983–187336). The number of supraventricular extrasystoles (isolated, paired, grouped) was significantly higher in the main group. Interval durations were also significantly longer in this group. No significant differences between groups were found in the frequency of ventricular extrasystoles or ST-segment depression. A logistic regression model was developed based on the most significant predictors: sex; number of atrial and atrioventricular supraventricular extrasystoles; number of isolated and paired ventricular extrasystoles; presence of allorhythmia in ventricular ectopy; and presence of early “P on T” ectopic beats. The model yielded an area under the curve (AUC) of 0.996, with an optimal risk threshold of 0.5 and prediction accuracy of 97.45%.

CONCLUSION: A predictive tool for paroxysmal atrial fibrillation in patients with sinus rhythm was developed, demonstrating high predictive performance.

About the authors

Olga A. Germanova

International Scientific and Educational Centre for cardiovascular pathology and cardiac imaging — Samara state medical university

Email: olga_germ@mail.ru
ORCID iD: 0000-0003-4833-4563
SPIN-code: 2110-8259

MD, Dr. Sci. (Med.)

Russian Federation, 18 Gagarina st, Samara,443079

Yulia B. Reshetnikova

International Scientific and Educational Centre for cardiovascular pathology and cardiac imaging — Samara state medical university

Email: jul_borisova@mail.ru
ORCID iD: 0000-0002-9041-4885
SPIN-code: 2305-9321
Russian Federation, 18 Gagarina st, Samara,443079

Timur S. Syunyakov

International Scientific and Educational Centre for cardiovascular pathology and cardiac imaging — Samara state medical university

Email: sjunja@bk.ru
ORCID iD: 0000-0002-4334-1601
SPIN-code: 7629-5309

MD, Cand. Sci. (Med.)

Russian Federation, 18 Gagarina st, Samara,443079

Andrey V. Germanov

Medical university REAVIZ

Author for correspondence.
Email: andreygermanov189@gmail.com
ORCID iD: 0000-0002-5789-2332
SPIN-code: 7410-4365

MD, Cand. Sci. (Med.), Assist. Prof., Depart. of Internal Medicine

Russian Federation, Samara

References

  1. Hindricks G, Potpara T, Dagres N, et al.; ESC Scientific Document Group. 2020 ESC Guidelines for the diagnosis and management of atrial fibrillation developed in collaboration with the European Association for Cardio-Thoracic Surgery (EACTS): The Task Force for the diagnosis and management of atrial fibrillation of the European Society of Cardiology (ESC) Developed with the special contribution of the European Heart Rhythm Association (EHRA) of the ESC. Eur Heart J. 2021;5(42):373–498. doi: 10.1093/eurheartj/ehaa612
  2. Palamà Z, Nesti M, Robles AG, et al. All, Tailoring the Ablative Strategy for Atrial Fibrillation: A State-of-the-Art Review. Cardiol Res Pract. 2022:9295326. doi: 10.1155/2022/9295326
  3. Bourke JP, Dunuwille A, O’Donnell D, et al. Pulmonary vein ablation for idiopathic atrial fibrillation: six month outcome of first procedure in 100 consecutive patients. Heart. 2005;1(91):51–57. doi: 10.1136/hrt.2003.023093
  4. Holmqvist F, Platonov PG, Carlson J, et al.; MADIT II Investigators. Altered interatrial conduction detected in MADIT II patients bound to develop atrial fibrillation. Ann Noninvasive Electrocardiol. 2009;3(14):268–275. doi: 10.1111/j.1542-474X.2009.00309.x
  5. Platonov PG. P-wave morphology: underlying mechanisms and clinical implications. Ann Noninvasive Electrocardiol. 2012;3(17):161–169. doi: 10.1111/j.1542-474X.2012.00534.x
  6. Matsubara TJ, Fujiu K, Kodera S, et al. Prediction of Atrial Fibrillation Being Asymptomatic at First Onset by Cardiac Pacing. Int Heart J. 2022;3(63):486–491. doi: 10.1536/ihj.21-594
  7. Gorenek B, Birdane A, Kudaiberdieva G, et al. P wave amplitude and duration may predict immediate recurrence of atrial fibrillation after internal cardioversion. Annals of Noninvasive Electrocardiology. 2003;3(8):215–218. doi: 10.1046/j.1542-474x.2003.08308.x
  8. Mani BC, Pavri BB. Dual atrioventricular nodal pathways physiology: a review of relevant anatomy, electrophysiology, and electrocardiographic manifestations. Indian Pacing Electrophysiol J. 2014;1(14):12–25. doi: 10.1016/s0972-6292(16)30711-2
  9. Vogler J, Breithardt G, Eckardt L. Bradyarrhythmias and conduction blocks. Rev Esp Cardiol (Engl Ed). 2012;7(65):656–67. doi: 10.1016/j.recesp.2012.01.025
  10. Bockeria OL, Sergeev AV. Atrioventricular nodal reentry tachycardia. Annaly aritmologii. 2015;2(12):60–67. doi: 10.15275/annaritmol.2015.2.1
  11. Chen SA, Hsieh MH, Tai CT, et al. Initiation of atrial fibrillation by ectopic beats originating from the pulmonary veins: electrophysiological characteristics, pharmacological responses, and effects of radiofrequency ablation. Circulation. 1999;18(100):1879–1886. doi: 10.1161/01.cir.100.18.1879
  12. Li Q, Su B, Liu J. Diagnostic values of different ECG durations in paroxysmal AF diagnosis. Ann Noninvasive Electrocardiol. 2022;2(27):12921. doi: 10.1111/anec.12921
  13. Raghunath S, Pfeifer JM, Ulloa-Cerna AE, et al. Deep Neural Networks Can Predict New-Onset Atrial Fibrillation From the 12-Lead ECG and Help Identify Those at Risk of Atrial Fibrillation-Related Stroke. Circulation. 2021;13(143):1287–1298. doi: 10.1161/CIRCULATIONAHA.120.047829
  14. de Gregorio C, Di Franco A, Panno AV, et al. The Safari Study Group. Subclinical Atrial Fibrillation on Prolonged ECG Holter Monitoring: Results from the Multicenter Real-World SAFARI (Silent Atrial Fibrillation ANCE-Sicily Research Initiative) Study. J Cardiovasc Dev Dis. 2023;8(10):336. doi: 10.3390/jcdd10080336
  15. Miyazaki Y, Toyoda K, Iguchi Y, et al. Atrial Fibrillation After Ischemic Stroke Detected by Chest Strap-Style 7-Day Holter Monitoring and the Risk Predictors: EDUCATE-ESUS. J Atheroscler Thromb. 2021;5(28):544-554. doi: 10.5551/jat.58420
  16. Reiffel JA, Verma A, Kowey PR, et al; REVEAL AF Investigators. Rhythm monitoring strategies in patients at high risk for atrial fibrillation and stroke: A comparative analysis from the REVEAL AF study. Am Heart J. 2020;(219):128–136. doi: 10.1016/j.ahj.2019.07.016
  17. Chua SK, Chen LC, Lien LM, et al. Comparison of Arrhythmia Detection by 24-Hour Holter and 14-Day Continuous Electrocardiography Patch Monitoring. Acta Cardiol Sin. 2020;3(36):251–259. doi: 10.6515/ACS.202005_36(3).20190903A
  18. Germanova OA, Galati G, Kunts LD, et al. Predictors of paroxysmal atrial fibrillation: Analysis of 24-hour ECG Holter monitoring. Science and Innovations in Medicine. 2024;9(1):44–48. doi: 10.35693/SIM626301
  19. Germanova O, Galati G, Germanov A, et al. Atrial fibrillation as a new independent risk factor for thromboembolic events: hemodynamics and vascular consequence of long ventricular pauses. Minerva Cardiol Angiol. 2023;71(2):175–181. doi: 10.23736/S2724-5683.22.06000-8
  20. Germanova O, Galati G, Germanov V, et al. Atrial Fibrillation: is it an additional risk factor of atherosclerosis? J Angiol Vasc Surg. 2021;6:65–70.
  21. Kunts LD, Germanova OA, Sunyakov TS. Certificate of registration of the computer program «Method for predicting paroxysmal atrial fibrillation in patients with sinus rhythm using the “Arfa” regression equation» № 2024616348 Russian Federation: published 19.03.2024. (In Russ.)

Supplementary files

Supplementary Files
Action
1. JATS XML
Download
2. Fig. 1. Software with the Arfa regression equation. Patient data were entered, and the final risk of developing paroxysmal atrial fibrillation was calculated

Download (122KB)
Indexing metadata

© 2025 Eco-Vector




Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».