Herzfrequenzvariabilität und psychische Gesundheit bei Arbeitnehmenden mit unterschiedlicher Verausgabungsneigung

Alle 379 Probandinnen und Probanden wurden im Vorfeld der Teilnahme an der jeweiligen Querschnittsstudie sowohl mündlich wie schriftlich über die Studie aufgeklärt. Sie nahmen freiwillig an den Untersuchungen teil und gaben ihr schriftliches Einverständnis zur Verwendung der Daten für Forschungszwecke hinsichtlich der Prävention. Eingeschlossen wurden alle Probanden und Probandinnen in einem Alter zwischen 18 und 67 Jahren, die mindestens seit einem Jahr berufstätig waren. Ein weiteres Einschlusskriterium war die Tätigkeit in einem Beruf mit Interaktionen. Eine Entschädigung für die Teilnahme gab es nicht. Alle Teilnehmenden, auch wenn sie bei der statistischen Auswertung nicht berücksichtigt wurden, bekamen ein schriftliches Feedback bezüglich ihrer Fragebogenergebnisse sowie die Auswertung des Langzeit-EKGs. Rhythmologisch auffällige EKGs (z. B. häufige Extrasystolen, Vorhofflimmern etc.), Medikamente, die den Herzrhythmus beeinflussen, sowie ein diagnostizierter arterieller Hypertonus oder andere kardiologisch relevante Diagnosen in der Anamnese führten zum Ausschluss aus der vorliegenden HRV-Analyse. Es wurden 177 Teilnehmende aus der Studie aus verschiedenen Gründen ausgeschlossen: n = 16 (Dauer der EKG-Aufnahme war nicht ausreichend; < 22 h Aufzeichnungsdauer); n = 2 (Diabetes mellitus), n = 64 (Koronare Herzkrankheit), n = 1 (Schlaganfall), n = 9 (psychiatrische Medikation), n = 33 (Schilddrüsenerkrankungen), n = 29 (kein EKG vorhanden), n = 9 (für die HRV-Analyse aufgrund von vielen Extrasystolen nicht geeignet; > 1 % an der Gesamtzahl der Herzschläge). Letztendlich wurden 202 Teilnehmende (123 Erziehende, 56 Bankangestellte und 23 medizinische Fachangestellte) in die Auswertung eingeschlossen.

Die Teilnehmenden bekamen Fragebögen zur Erfassung soziodemografischer und gesundheitsbezogener Daten sowie den Fragebogen zur Erhebung der Effort-Reward-Imbalance nach Siegrist, welcher die Subskala zum Overcommitment enthält [34].

Um das Overcommitment der Teilnehmenden zu ermitteln, erfragte diese Subskala mittels sechs Aussagen die Einschätzung der Probanden. Die Beantwortung der Fragen erfolgte auf einer Likert-Skala (4 – „stimme voll zu“, 3 – „stimme zu“, 2 – „stimme nicht zu“ und 1 – „stimme gar nicht zu“). Die erreichbare Gesamtpunktzahl ergibt somit 6 bis 24 Punkte. Die Punkte dieser Overcommitment-bezogenen Fragen wurden addiert und ergaben den OC-Summenwert. Für die hier vorliegende Stichprobe wurde der OC-Wert für das „kritische Overcommitment“ durch Berechnung des 75. Perzentils/4. Quartils auf einen „Cut-off-Wert“ von 18 Punkten festgesetzt. Die Festlegung des OC-Wertes soll für jede Stichprobe separat vorgenommen werden [37, 38]. Dies führte zu einer Einteilung in eine Gruppe mit geringer Neigung zur Verausgabung (OC < 18) und eine Gruppe mit hoher Neigung zur Verausgabung (OC ≥ 18).

Um eine Aussage zur subjektiven psychischen Gesundheit der Teilnehmenden treffen zu können, wurde die deutsche Version des Fragebogens und Screeninginstruments für psychiatrische Erkrankungen General Health Questionnaire-12 (GHQ-12) eingesetzt, in dem die selbst wahrgenommenen Symptome der letzten vier Wochen abgefragt wurden [13, 23]. Ein „Likert-Scoring“ mit der Auswahl von 0–3 (0 – „besser als üblich“, 1 – „so wie üblich“, 2 – „schlechter als üblich“, 3 – „viel schlechter als üblich“) zu den zwölf Gesundheitsfragen ergibt für die Probandinnen und Probanden einen GHQ-Summenwert von 0 bis 36 Punkten, wobei ein niedriger Punktestand eine unbeeinträchtigte psychische Gesundheit vermuten lässt und ein hoher Punktestand einen Hinweis auf eine stärker beeinträchtigte psychische Gesundheit liefert. Das „GHQ-Scoring“ nach Goldberg und Williams 1988 bedient sich der dichotomen Skalierung 0‑0-1‑1 [13]. Dementsprechend kann bei zwölf Fragen ein GHQ-Summenscore zwischen null und zwölf Punkten erzielt werden. Ein beeinträchtigter GHQ-Summenscore gilt nach diesem Prinzip ab einem „Cut-off-Wert“ von > 4 Punkten und kann einen Hinweis auf die beeinträchtigte psychische Gesundheit der Teilnehmenden geben [23]. Die Reliabilität wurde für die hier untersuchte Stichprobe durch die Berechnung von Cronbachs α überprüft und mit einem Wert von 0,737 als akzeptabel eingestuft.

Die 24-h-EKG-Aufnahme erfolgte mittels Holter-EKG-Gerät (MT-101, Fa. Schiller, Baar, Schweiz), welches mit einer Abtastfrequenz von 1000 Hz die RR-Intervalle der Herzaktivität aufzeichnete. Die entstandenen Rohdaten wurden unter Zuhilfenahme der Software medilog Darwin2 Enterprise (Fa. Schiller, Baar, Schweiz) händisch von Artefakten bereinigt. Unter Zuhilfenahme des von den Teilnehmenden geführten Aktivitätsprotokolls wurden die Analysezeiträume für die untersuchten Zeitintervalle (24 h/6-h-Tag/6-h-Nacht) ausgewählt und mit der Software Kubios 3.4.3 (University of Kuopio, Finnland) untersucht. Der 6‑h-Tag-Zeitraum erstreckte sich über die Zeit von 10:00–16:00 Uhr, der 6‑h-Nacht-Zeitraum von 23:00–5:00 Uhr des Folgetages. Für die HRV-Analyse wurde eine Artefakt-Korrektur-Einstellung „custom“ mit „0,3“ genutzt. Um die Frequenzanalysen durchzuführen, wurde in Kubios die „Fast-Fourier-Transformation“ gewählt, mit einer Fensterbreite an die Gesamtdauer der Aufzeichnung bzw. 21.600 s (bei den 6‑h-Intervallen) angepasst und Fensterüberlappung von 50 % eingestellt.

Metrische Hintergründe der HRV-Parameter, welche sich unterteilen lassen in Zeit‑, Frequenz- sowie nichtlineare Bereiche, sind bereits in der wissenschaftlichen Literatur ausführlich beschrieben [28, 30, 35, 41]. Tab. 1 gibt einen Überblick über die in dieser Publikation verwendeten HRV-Parameter und beschreibt ihre Zuordnung zum sympathischen und/oder parasympathischen Nervensystem, wobei einige HRV-Parameter ohne eine klare Zuordnung zum Sympathikus bzw. Parasympathikus sind [29].

Die Auswahl der HRV-Parameter erfolgte aus dem Zeit‑, Frequenz- sowie nichtlinearen Bereich mit den Parametern MeanRR, SDNN, RMSSD, pNN50, LF, HF, LF n. u., HF n. u., LF/HF und SD2. Diverse Confounder können die HRV beeinflussen, was bei der Interpretation berücksichtigt werden sollte. Einen Überblick gibt die ins Englische übersetzte, aktuelle AMWF-S2k-Leitlinie „Nutzung der Herzschlagfrequenz und der Herzfrequenzvariabilität in der Arbeitsmedizin und der Arbeitswissenschaft“ [29]. Unter der Annahme eines verminderten parasympathischen Einflusses bei chronischem Stress würde sich die HRV erniedrigen [15, 29].

Um die Ergebnisse zu analysieren, wurde das statistische Auswertungsprogramm SPSS Statistics 26 (IBM, Armonk, NY, USA) genutzt. Grundsätzlich wird von einem Signifikanzniveau von p < 0,05 ausgegangen. Um einer α‑Fehlerkumulation entgegenzuwirken, wurden Signifikanzwerte von der Bonferroni-Korrektur (^b) für mehrere Tests angepasst. Um die Variablen auf Normalverteilung zu prüfen, wurde der Kolmogorov-Smirnov-Anpassungstest durchgeführt mit dem Ergebnis, dass nicht von einer Normalverteilung der überprüften Daten ausgegangen werden kann. Es werden aus diesem Grund im Rahmen der deskriptiven Statistik neben dem Median auch Min, Max, Mittelwert (MW) und Standardabweichung (SD) sowie ggf. 95 % Konfidenzintervall (95 % KI) angegeben.

Folgend wurden der nichtparametrische Spearman-Rho-Test für (Rang‑)Korrelationen für die Untersuchung der Zusammenhänge der ordinal skalierten Variablen wie der OC-Summe und Mann-Whitney-U-Test bzw. Kruskal-Wallis-Test für Untersuchungen unabhängiger Stichproben (Overcommitment normal und Overcommitment kritisch) metrisch oder ordinal skalierter Variablen wie HRV-Daten für die Analyse der Daten herangezogen. In Anlehnung an Cohen [7] wurde Spearman’s Rho als schwache Korrelation (ρ > 0,10), mäßige Korrelation (ρ > 0,30) und starke Korrelation (ρ > 0,50) klassifiziert. Die durchgeführten Tests der Zwischensubjekteffekte dienen der Untersuchung der Effektstärken der Kovariablen Berufsgruppe, Geschlecht, Alter und Body-Mass-Index (BMI) und den OC-Gruppen bezogen auf die HRV-Parameter. Für die Untersuchung wurde ein allgemeines lineares Modell verwendet und die Effektstärken jeweils als partielles Eta-Quadrat (η²) ausgegeben. Die Auswertung erfolgte nach folgendem Schema: η² < 0,06 (schwacher Effekt), η² = 0,06 ≤ 0,14 (mäßiger Effekt) und η² > 0,14 (starker Effekt) [7].

Die untersuchte Stichprobe enthält 183 (90,6 %) Frauen und 19 (9,4 %) Männer.

Die beiden OC-Gruppen wiesen in den Merkmalen Alter, Berufsjahre sowie BMI unterschiedliche Ausprägungen auf (Tab. 2). Das mediane Alter der kritischen OC-Gruppe lag mit 50 Jahren um zwölf Jahre über dem medianen Alter der Gruppe mit normalem Overcommitment (p < 0,001), analog betrug der Unterschied der Medianen im Merkmal Berufsjahre in den Gruppen 11,5 Jahre (p < 0,001). Die Geschlechter- und die Altersverteilung war in den beiden OC-Gruppen unterschiedlich ausgeprägt. Die Betrachtung des BMI zeigte keine statistisch signifikanten Unterschiede.

Die deskriptiven Werte für Overcommitment, die grundlegend für die Einordnung der Probanden in zwei Gruppen waren, sind in Tab. 3 aufgeführt. Die Verausgabungsneigung lag in der Gesamtstichprobe bei 15,0 ± 3,69 Punkten (Median 15,0). Erwartungsgemäß unterschieden sich die OC-Gruppen signifikant hinsichtlich des OC-Wertes (p < 0,001).

Der GHQ-Summenscore lag in der Gesamtstichprobe bei 2,5 ± 3,1 Punkten (Median 1,0) und war signifikant (p < 0,001) höher bei der kritischen OC-Gruppe im Vergleich zur Gruppe mit normalem OC (Tab. 3).

In Tab. 4 wird die Verteilung der Bewertung der eingeschätzten psychischen Gesundheit (GHQ auffällig bzw. unauffällig) in den unterschiedlichen Overcommitment-Gruppen (OC normal und OC kritisch) veranschaulicht. Anhand der Werte lässt sich von einer höheren Wahrscheinlichkeit für gesundheitliche Probleme der Probandinnen und Probanden ausgehen, falls die Ausprägung des Overcommitment kritisch ist. 39,5 % der Teilnehmenden der kritischen OC-Gruppe haben einen GHQ – „Cut-off-Wert“ von > 4 und schätzen damit ihre Gesundheit schlecht ein (p = 0,006).

Eine Analyse des Zusammenhangs der Overcommitment-Gruppen und der betrachteten HRV-Parameter für das 24-h-Intervall, die 6‑h-Tagphase und 6‑h-Nachtphase zeigt mittels Mann-Whitney-U-Test Signifikanzen, die in Tab. 5, 6 und 7 zusammengefasst wurden.

Der Mann-Whitney-U-Test offenbart im 24-h-Intervall signifikante Zusammenhänge zwischen den beiden Overcommitment-Gruppen in den HRV-Parametern RMSSD, pNN50, LF und HF (Tab. 5).

Im 6‑h-Tag-Intervall ist mittels Mann-Whitney-U-Test sichtbar, dass die frequenzbezogenen HRV-Parameter LF sowie HF zwischen den beiden Overcommitment-Gruppen signifikante Korrelationen aufweisen (Tab. 6).

Das 6‑h-Nacht-Intervall zeigte nach Überprüfung durch den Mann-Whitney-U-Test, dass die HRV-Parameter RMSSD (p = 0,024) sowie pNN50 (p = 0,033) zwischen den beiden Overcommitment-Gruppen signifikante Zusammenhänge aufwies (Tab. 7).

Die Korrelation der HRV-Parameter der Probanden mit den OC-Summenwerten ist für die einzelnen Zeitintervalle 24-h- und jeweils 6‑h-Tag sowie 6‑h-Nacht in Tab. 8 dargestellt.

Es finden sich in der Korrelationsanalyse in allen drei betrachteten Zeitintervallen einzelne signifikante Korrelationen, insbesondere im 6‑h-Nacht- sowie 24-h-Intervall. In der 24-h-Analyse korrelieren die HRV-Parameter RMSSD sowie pNN50 sowie LF und HF jeweils mit Overcommitment auf einem Signifikanzniveau von p < 0,01 und geringen Korrelationsstärken. Das 6‑h-Tag-Intervall weist lediglich zwei auf einem p < 0,05-Signifikanzniveau korrelierende HRV-Parameter (LF und HF) auf, wobei die Korrelationsstärke auch hier gering ausfällt. Im 6‑h-Nacht-Intervall korrelieren die HRV-Parameter RMSSD, pNN50 sowie HF jeweils mit der Verausgabungsneigung auf einem Signifikanzniveau von p < 0,01 und geringen Korrelationsstärken.

Zur Untersuchung der subjektiv eingeschätzten Gesundheit und reduzierten HRV-Parameter wurde eine Spearman-Rho-Korrelationsanalyse von HRV-Parametern der Probanden der betrachteten Intervalle (24, 6‑h-Tag, 6‑h-Nacht) und dem GHQ-Summenwert durchgeführt. Es fiel eine geringe Korrelation im 24-h-Intervall des Parameters MeanRR sowie drei geringe Korrelationen im 6‑h-Tag-Intervall desselbigen Parameters sowie des SDNN und SD2 auf. Nachts konnte keine Korrelation gezeigt werden (Tab. 8). Zur Überprüfung dieser Zusammenhänge wurden mittels Mann-Whitney-U-Test die zwei GHQ-Gruppen und die HRV-Parameter analysiert, wobei für die betrachteten HRV-Parameter aller Zeitintervalle kein signifikanter Zusammenhang gefunden werden konnte und eine tabellarische Darstellung deshalb entfällt.

Die durchgeführten Analysen mit der Testung der Zwischensubjekteffekte dienen der Untersuchung der Effektstärken der Kovariablen Berufsgruppe, Geschlecht, Alter und BMI und den OC-Gruppen bezogen auf die HRV-Parameter (Abb. 1, 2 und 3).

Die Ergebnisse des allgemeinen linearen Modells der drei Zeitintervalle aus Abb. 1, 2 und 3 zeigen, dass der Beruf, der BMI der Teilnehmenden als Kovarianten sowie die Overcommitment-Gruppen generell nur geringe Effekte auf die Ausprägung der HRV-Parameter aufweisen. Das Alter der Probandinnen und Probanden hat einen weitaus größeren Einfluss. Insbesondere im 6‑h-Nacht-Intervall zeigt die überwiegende Anzahl der HRV-Parameter einen mittelgradigen bis großen Effekt (bspw. RMSSD und pNN50). Etwas geringer, aber dennoch mit mittelgradigen bis großen Effekten ist dies auch im 6‑ h-Tag- (bspw. LFim 6‑ h-Tag-Intervall) bzw. 24‑ h-Intervall (bspw. RMSSD) zu sehen. Die einzigen HRV-Parameter, auf die das Alter keinen Einfluss hat, sind MeanRR, SDNN und SD2. Das Geschlecht der Teilnehmenden hat im 24-h-Intervall auf den Parameter LF einen mäßigen Effekt. Im 6‑h-Tag-Intervall erhöht sich der Einfluss des Geschlechts auf LF, fällt nachts jedoch gänzlich weg, sodass lediglich ein geringer Einfluss nachgewiesen werden kann.

Personen mit kritischem Overcommitment boten auch in der objektiven Beanspruchungsanalyse mittels HRV-Analyse deutlich reduzierte HRV-Werte, was insbesondere bei HRV-Parametern mit parasympathischen Anteilen (z. B. RMSSD, pNN50, HF) auffiel. Die objektiven Untersuchungen erfolgten in drei zeitlichen Intervallen: 24-h-, 6‑h-Tag und 6‑h-Nacht. Insbesondere in der Erholungsphase in der Nacht waren diese parasympathisch dominierten zeitbezogenen HRV-Parameter ebenfalls signifikant reduziert (RMSSD, pNN50). Die veränderten HRV-Parameter deuten dabei auf eine in der kritischen Overcommitment-Gruppe herabgesetzte Aktivität des Parasympathikus hin. Somit kann die Hypothese bestätigt werden. Eine Zunahme des Overcommitments geht mit einer Abnahme der HRV einher. Da Overcommitment eine Komponente des Fragebogens Effort-Reward-Imbalance (ERI) darstellt, erscheint es notwendig, Zusammenhänge zwischen ERI und HRV in weiteren Studien zu untersuchen. In einer Studie wurde ein negativer signifikanter Zusammenhang zwischen der Effort-Reward-Imbalance und dem HRV-Parameter RMSSD in einem 24 h-Intervall beschrieben [24]. Einen ähnlichen Zusammenhang zwischen HRV und der Effort-Reward-Imbalance zeigt die Arbeit von Hintsanen et al. (2007), welche allerdings lediglich bei jungen Frauen derartige Effekte nachweisen konnte [14].

Eine abschließende Analyse mit dem allgemeinen linearen Modell unter Berücksichtigung von Kovarianten Beruf, Alter, Geschlecht, BMI und Overcommitment-Gruppe ergab, dass das Alter sowohl in der 24-h-Phase als auch in den 6‑h-Phasen geringen bis mittleren Einfluss auf die HRV-Parameter hatte. Beruf, Overcommitment-Gruppe und BMI hatten keinen relevanten Einfluss. Das Geschlecht zeigte ebenfalls in dieser Stichprobe nur einen geringen Einfluss auf die HRV. Sowohl der geringe Einfluss des Alters als auch des Geschlechts stehen im Widerspruch zu der anerkannten wissenschaftlichen Literatur [30], was in der vorliegenden Studie aber damit begründet werden kann, dass die Geschlechter- und die Altersverteilung in den beiden Overcommitment-Gruppen unterschiedlich ausgeprägt waren.

Einzelne Korrelationen sind hauptsächlich im 24-h-Intervall und im 6‑h-Nacht-Intervall zu finden und bewegen sich alle im Bereich der geringen Korrelation. Es zeigen sich bei den parasympathisch zugeordneten HRV-Parametern in erster Linie negative Korrelationen, die einem verminderten parasympathischen Einfluss bei erhöhtem Overcommitment entsprechen. Die dem Sympathikus und Parasympathikus zugeteilten HRV-Parameter weisen positive Korrelationen auf (Ausnahme: SDNN und LF). Demnach kann eine Assoziation zur sympathischen Aktivierung des Organismus bei erhöhten OC-Werten hier vermutet werden. Die oben besprochenen signifikanten Mittelwertunterschiede zwischen den Overcommitment-Gruppen sind mit dem Ergebnis der Korrelationsanalyse vereinbar und tragen somit zur Bestätigung der Hypothese bei.

Garza et al. (2015) untersuchten den Zusammenhang zwischen dem Overcommitment und der HRV – allerdings nur in einem 2‑h-Intervall eines Arbeitstages pro Proband und anhand mehrerer 5‑min-Messungen in diesem Intervall und bezog die Variable des Messzeitpunktes des Tages (vormittags bzw. nachmittags) mit ein [12]. Unter diesen Voraussetzungen zeigten sich signifikante negative Zusammenhänge der ERI*Zeit-Interaktion mit den Variablen SDNN, RMSSD sowie HF. Ein positiver Zusammenhang konnte für den HRV-Parameter LF/HF gefunden werden. Es zeigten sich ebenfalls signifikant beeinflusste HRV-Parameter durch erhöhte Overcommitment-Werte. Die Ergebnisse der vorliegenden Arbeit sind aufgrund der unterschiedlichen Messzeitpunkte (24-h-, 6‑h-Tag und 6‑h-Nacht) nur bedingt mit denen von Garza et al. (2015) (vormittags/nachmittags) vergleichbar, sind unter Berücksichtigung dieses Unterschieds jedoch deckungsgleich.

Ein weiterer Vorteil der vorliegenden Studie besteht in der expliziten Analyse der Nacht-Intervalle, die eine Einschätzung der individuellen Erholungsfähigkeit zulassen. Aus früheren Studien ist bekannt, dass während des nächtlichen Schlafs physiologisch der parasympathische Einfluss des vegetativen Nervensystems überwiegt, sodass hier eine Erholung des Organismus einsetzen kann. Erniedrigte Werte einer nächtlichen HRV-Messung deuten auf eine reduzierte Fähigkeit des Organismus hin, sich an diese Phase der Erholung anzupassen und/oder können eine Folge eines unruhigen Schlafes sein [25]. Ferner ist diese Erholungsfähigkeit negativ assoziiert mit einer erhöhten kardiovaskulären Mortalität [20] und demnach von wichtiger präventivmedizinischer Aussagekraft. Daher bietet sich eine 24-h-Analyse der HRV zum Einschluss und Analyse dieser Erholungsfähigkeit an. In der vorliegenden Studie zeigten die Probandinnen und Probanden mit kritischem Overcommitment eine reduzierte Erholungsfähigkeit des Organismus und niedrigere HRV-Werte auf. Die Folge dieser mangelnden Erholungsfähigkeit, objektiviert als Ungleichgewicht des autonomen Nervensystems, kann eine Erhöhung des kardiovaskulären Risikos darstellen [8, 20]. Die Veränderungen der HRV-Parameter, in diesem Fall im Zusammenhang mit einem erhöhten Overcommitment, geben einen Hinweis darauf, dass die Wahrscheinlichkeit potenziell pathologischer kardiovaskulärer Ereignisse bei diesen Individuen steigt, was in vorherrschender Literatur bereits thematisiert wurde [4, 5, 21, 31, 33, 43]. Um die kardiovaskuläre Gesundheit zu erhalten, sollten bei kritischem Overcommitment präventive Maßnahmen am Arbeitsplatz ergriffen werden. Ziel sollte es dabei sein, ein Bewusstsein für das vorliegende kritische Overcommitment zu schaffen und Maßnahmen einzuleiten, die zu einem gesunden Umgang mit diesem Merkmal sowie zu einem nachhaltigen Arbeiten führen können. Für den Erhalt der physischen und auch psychischen Gesundheit ist es daher ratsam, im Falle einer erniedrigten HRV auch einen Fokus auf eventuell vorhandenes kritisches Overcommitment zu legen. Insbesondere für das Setting des Arbeitsplatzes ist es wichtig, den Gesundheitszustand der Mitarbeitenden in Bezug auf dysfunktionale Verhaltens- bzw. Charaktereigenschaften möglichst früh und akkurat zu erfassen, da nur dann durch Änderung der Arbeitsplatzbedingungen eine Besserung für diese eingeleitet werden kann.

Der in der vorliegenden Arbeit erhobene signifikante Altersunterschied von 12 Jahren zwischen den Teilnehmenden der jeweiligen Overcommitment-Gruppen zeigte, dass ältere Beschäftigte durchschnittlich höhere OC-Werte aufweisen als jüngere. Möglicherweise weist die nachrückende Generation an Mitarbeitenden ein entspannteres Verhältnis zum Beruf auf und präsentiert sich daher mit tendenziell geringeren OC-Werten. Diskussionen über Werte des Berufes von derzeit vier arbeitenden Generationen in einem Unternehmen sind aktuell und wurden schon in der Einleitung beschrieben [39]. Daraus ergeben sich Herausforderungen für das unternehmerische und betriebsärztliche Handeln.

Ein weiterer Erklärungsansatz ist die Möglichkeit, dass Overcommitment im Beruf nicht stabil bleibt, sondern sich tendenziell verstärkt. Möglicherweise bedeutet das langjährige Ausführen eines Berufs auch eine stärkere Identifikation mit diesem und somit eine erhöhte Bereitschaft, sich im Beruf zu verausgaben. Auch könnten erhöhte OC-Werte einen Vorteil im Beruf darstellen, weshalb Mitarbeitende mit dieser Ausprägung höhere Akzeptanz im Beruf erfahren und eher angestellt werden und bleiben. Der erwähnte Altersunterschied zwischen normalen und kritischen OC-Gruppen konnte in Form von Effort-Reward-Imbalance-Werten auch in anderen Veröffentlichungen gefunden werden [24]. Allerdings wurde hier nicht speziell das Overcommitment untersucht, sondern die ERI-Skala. Dadurch ist die Aussagekraft dieses Vergleichs zwar begrenzt, lässt aber einen ähnlichen Trend erkennen.

Die Untersuchung der subjektiv eingeschätzten psychischen Gesundheit und der reduzierten HRV-Parameter mittels Korrelationsanalyse lieferte vier schwach signifikante Korrelationen, davon drei beim 6‑h-Tag-Intervall (MeanRR, SDNN sowie SD 2) und eine Korrelation von MeanRR im 24-h-Intervall. Es existieren Untersuchungen, die diese Zusammenhänge vermuten lassen, allerdings in einem engen zeitlichen Rahmen in Form von Kurzzeitmessungen. So fand eine Metaanalyse von insgesamt zwölf Studien den Zusammenhang von sich verändernden HRV-Parametern während einer mentalen Belastung [6]. Es konnte gezeigt werden, dass einige HRV-Parameter wie RMSSD, pNN50 sowie SDNN unter mentalem Stress abnehmen. Es handelte sich hier jedoch um Messungen der HRV, die vor, während und nach dem erzeugten mentalen Stress stattfanden. Vergleiche erfolgten in dem Fall intraindividuell anhand der unterschiedlichen Zeitpunkte [6]. Diese Eigenschaft der Studie erschwert einen Vergleich mit der vorliegenden Arbeit, da hier interindividuelle Vergleiche von Probandinnen und Probanden vorgenommen werden. Zudem ist eine Betrachtung über einen deutlich längeren Zeitraum und entkoppelt von spezifischen mentalen Aufgaben oder Stressoren im Fokus. Weitere Studien konnten zeigen, dass eine mentale Beanspruchung in Form von Aufmerksamkeits- bzw. psychometrischen Leistungstests eine Verringerung von HRV-Parametern hervorruft [10, 45]. Die Studie von Thielmann et al. (2021) konnte zeigen, dass es einen signifikanten positiven Zusammenhang zwischen HRV (24-h-Analyse sowie in einem 6‑h-Nachtintervall) und mit dem GHQ erfasster subjektiver psychischer Gesundheit bei einer Gruppe von 84 Teilnehmenden gibt [41].

Generell ist es wichtig zu erwähnen, dass die betrachtete Stichprobe sich aus einer unausgeglichenen Anzahl der unterschiedlichen Berufsgruppen zusammensetzt und selbstverständlich nicht sämtliche Berufsgruppen des Arbeitsmarktes repräsentiert werden. Letztlich ist durch die Zusammensetzung der Stichprobe der Heterogenität Rechnung getragen, besonders im Vergleich zu anderen Veröffentlichungen, die sich lediglich auf eine Berufsgruppe konzentrieren [44]. Es handelt sich bei den erwähnten Studien um Berufsgruppen mit Interaktionsarbeit.

Zusätzlich sind die Ergebnisse weder auf Deutschland noch auf das Bundesland Sachsen-Anhalt zwingend generalisierbar, weil in erster Linie Probandinnen und Probanden der Region in und um Magdeburg in die Studie eingeschlossen wurden. Auch ist mit den Erziehern, Bankangestellten sowie medizinischen Fachangestellten nicht jede verfügbare Einrichtung untersucht worden, sondern nur jeweils die, die für eine Kooperation zugänglich waren. Aus dieser Tatsache können sich Verzerrungen ergeben: Beispielsweise könnten Einrichtungen mit besonders prekären Arbeitsbedingungen eine Kooperation ablehnen, um einen Einblick in die Institution zu vermeiden. Einrichtungen mit besonders positiven Arbeitsbedingungen würden sich demnach eher auf ein derartiges Forschungsprojekt einlassen. Es ist aber auch denkbar, dass Einrichtungen mit prekären Arbeitsbedingungen eher eine Kooperation anstreben, weil sie sich durch das Forschungsprojekt eine Verbesserung oder Gesundheitsprävention erhoffen. Denkbar wäre auch eine Ablehnung des Forschungsvorhabens in Einrichtungen, die einen besonders niedrigen Betreuungsschlüssel aufweisen und keine zeitliche Kapazität für die vorübergehende Freistellung ihrer Mitarbeitenden haben.

Die untersuchten Overcommitment-Gruppen enthalten eine unterschiedlich hohe Anzahl an Teilnehmenden, was bei der Vergleichbarkeit und Generalisierung der Ergebnisse beachtet werden muss (kritische Overcommitment-Gruppe 18,8 % der Probandinnen und Probanden). Diese Verteilung erscheint natürlichen Ursprungs, da ein Großteil der Bevölkerung höchstwahrscheinlich kein kritisch erhöhtes Overcommitment aufweist, was sich demnach in der Stichprobe widerspiegelt.

Zusätzlich zu oben genannten Überlegungen sollte der „Healthy worker effect“ erwähnt werden, weil dieser in der vorliegenden Arbeit einen Effekt der positiven Selektion erzeugen kann. Das heißt, in einer derartigen Untersuchung können bereits aus dem Arbeitsleben (z. B. wegen Krankheit) ausgeschiedene Mitarbeitende nicht eingeschlossen werden, weil sie nicht mehr zur Verfügung stehen. Es werden nur die noch arbeitsfähigen, gesunden Mitarbeitenden befragt, was zu einer Verzerrung führen kann [2].

Die untersuchte Stichprobe weist eine ungleiche Verteilung der Geschlechter zugunsten der Frauen (90,6 %) auf, sodass ein Einfluss der Variable „Geschlecht“ auf die hier gefundenen Ergebnisse anzunehmen ist. Dies zeigte sich in Ansätzen bei vereinzelten HRV-Parametern in der Analyse mit dem allgemeinen linearen Modell dieser Arbeit und wird auch in der Literatur aufgezeigt [22, 28, 30]. Die Ergebnisse der Metaanalyse von Koenig und Thayer bspw. ergaben bei Frauen signifikant niedrigere MeanRR und SDNN-Werte [22]. Die Autoren beschreiben, dass bei Frauen die HF höher, die LF und LF/HF niedriger im Vergleich zu Männern sind. Für zukünftige Studien wäre zu empfehlen, entweder auf eine annähernd gleiche Verteilung der Geschlechter zu achten oder die Ergebnisse unter den Gesichtspunkten unterschiedlicher, geschlechterspezifischer Referenzwerte zu interpretieren [28, 29].

Letztlich gab es für die Studie geltende Ausschlusskriterien zur Auswahl der Teilnehmenden, um den Einfluss von bekannten Einflussfaktoren auf die HRV möglichst zu minimieren [30]. Jedoch berufen sich anamnestische Angaben darauf, dass sich Probandinnen und Probanden ihrer Krankheiten bewusst sind. Neben den hier berücksichtigten Ausschlusskriterien befinden sich insbesondere in der wissenschaftlichen Literatur weitere Erkrankungen und Einflussfaktoren, welche einen Einfluss auf die HRV haben, und die vollumfänglich nicht erfragt werden konnten, z. B. Rauchen, Alkoholkonsum und sportliche Betätigung. Vorliegende Schilddrüsenerkrankung als ein HRV-beeinflussender Faktor könnte den Teilnehmenden unbekannt sein und dementsprechend nicht angegeben werden. Aus diesem Grund wäre ein Ansatzpunkt für eine Optimierung des vorliegenden Studiendesigns, die Erhebung und Betrachtung von detaillierteren Probandeninformationen (u. a. sozialer Status, Einkommenshöhe, Ressourcen oder wahrgenommene arbeitsbedingte Belastungsfaktoren) einzuschließen. Somit könnten HRV-beeinflussende Variablen der Studienteilnehmer in ausreichender Detailtiefe im Studiendesign berücksichtigt werden. Diese können auf die HRV jedoch eine modifizierende Wirkung haben und sollten kontrolliert werden, um aussagekräftigere HRV-Werte zu erhalten [11].