Abstract Background Chest pain is one of the most common complaints among patients presenting to the emergency department (ED). Causes of chest pain can be benign or life threatening, making accurate risk stratification a critical issue in the ED. In addition to the use of established clinical scores, prior studies have attempted to create predictive models with heart rate variability (HRV). In this study, we proposed heart rate n-variability (HRnV), an alternative representation of beat-to-beat variation in electrocardiogram (ECG) and investigated its association with major adverse cardiac events (MACE) for ED patients with chest pain. Methods We conducted a retrospective analysis of data collected from the ED of a tertiary hospital in Singapore between September 2010 and July 2015. Patients >20 years old who presented to the ED with chief complaint of chest pain were conveniently recruited. Five to six-minute single-lead ECGs, demographics, medical history, troponin, and other required variables were collected. We developed the HRnV-Calc software to calculate HRnV parameters. The primary outcome was 30-day MACE, which included all-cause death, acute myocardial infarction, and revascularization. Univariable and multivariable logistic regression analyses were conducted to investigate the association between individual risk factors and the outcome. Receiver operating characteristic (ROC) analysis was performed to compare the HRnV model (based on leave-one-out cross-validation) against other clinical scores in predicting 30-day MACE. Results A total of 795 patients were included in the analysis, of which 247 (31%) had MACE within 30 days. The MACE group was older and had a higher proportion of male patients. Twenty-one conventional HRV and 115 HRnV parameters were calculated. In univariable analysis, eleven HRV parameters and 48 HRnV parameters were significantly associated with 30-day MACE. The multivariable stepwise logistic regression identified 16 predictors that were strongly associated with the MACE outcome; these predictors consisted of one HRV, seven HRnV parameters, troponin, ST segment changes, and several other factors. The HRnV model outperformed several clinical scores in the ROC analysis. Conclusions The novel HRnV representation demonstrated its value of augmenting HRV and traditional risk factors in designing a robust risk stratification tool for patients with chest pain at the ED.

Heart rate variability (HRV) is a widely adopted tool for evaluating changes in cardiac autonomic regulation. The majority of efforts have focused on developing methods to assess HRV by deriving sophisticated parameters with linear and nonlinear techniques and adopting advanced signal processing tools for efficient noise removal and accurate QRS detection. In this paper, we propose a novel representation of beat-to-beat variation in an electrocardiogram (ECG), called heart rate n-variability (HRnV), as an alternative to conventional HRV measures. We derived two novel HRnV measures based on non-overlapped and overlapped RR intervals. We also conducted a simulation study by using an ECG record from the MIT-BIH Normal Sinus Rhythm Database to demonstrate the feasibility of calculating HRnV parameters. Among the time domain parameters, we observed that the values were generally incremental with the increase in n. We observed the same trend of changes for the frequency domain parameters. In the nonlinear analysis, the differences between HRV and HRnV from Poincare plot measures were obvious, while those from entropy and detrended fluctuation analysis metrics were not. HRnV measures enable us to augment conventional HRV measures with additional parameters. Although issues remain to be addressed regarding HRnV, we hope to stimulate a new stream of research on this new representation of HRV. HRnV is an important addition to HRV and will contribute to extending the landscape of current studies on HRV.