Analysera långsiktiga elektrokardiografiinspelningar för att upptäcka arytmier hos möss
Summary
Här presenterar vi ett steg-för-steg-protokoll för ett semiautomatiserat tillvägagångssätt för att analysera murina långsiktiga elektrokardiografidata (EKG) för grundläggande EKG-parametrar och vanliga arytmier. Data erhålls genom implanterbara telemetrisändare hos levande och vakna möss och analyseras med hjälp av Ponemah och dess analysmoduler.
Abstract
Arytmier är vanliga och drabbar miljontals patienter världen över. Nuvarande behandlingsstrategier är förknippade med betydande biverkningar och förblir ineffektiva hos många patienter. För att förbättra patientvården behövs nya och innovativa terapeutiska koncept som är kausala inriktade på arytmimekanismer. För att studera arytmiernas komplexa patofysiologi är lämpliga djurmodeller nödvändiga, och möss har visat sig vara idealiska modellarter för att utvärdera den genetiska påverkan på arytmier, för att undersöka grundläggande molekylära och cellulära mekanismer och för att identifiera potentiella terapeutiska mål.
Implanterbara telemetrienheter är bland de mest kraftfulla verktygen som finns tillgängliga för att studera elektrofysiologi hos möss, vilket möjliggör kontinuerlig EKG-inspelning under en period av flera månader i fritt rörliga, vakna möss. På grund av det enorma antalet datapunkter (>1 miljon QRS-komplex per dag) är det dock fortfarande utmanande att analysera telemetridata. I den här artikeln beskrivs en steg-för-steg-metod för att analysera EKG och för att upptäcka arytmier i långsiktiga telemetriinspelningar med hjälp av programvaran Ponemah med dess analysmoduler, EKG Pro och Data Insights, utvecklade av Data Sciences International (DSI). För att analysera grundläggande EKG-parametrar, såsom hjärtfrekvens, P-vågvaraktighet, PR-intervall, QRS-intervall eller QT-varaktighet, utfördes en automatiserad attributanalys med Ponemah för att identifiera P-, Q- och T-vågor inom individuellt justerade fönster runt detekterade R-vågor.
Resultaten granskades sedan manuellt, vilket möjliggjorde justering av enskilda anteckningar. Utdata från den attributbaserade analysen och mönsterigenkänningsanalysen användes sedan av modulen Data Insights för att identifiera arytmier. Denna modul möjliggör en automatisk screening för individuellt definierade arytmier i inspelningen, följt av en manuell granskning av misstänkta arytmiepisoder. Artikeln diskuterar kortfattat utmaningar vid inspelning och detektering av EKG-signaler, föreslår strategier för att förbättra datakvaliteten och ger representativa inspelningar av arytmier som detekteras hos möss med hjälp av det tillvägagångssätt som beskrivs ovan.
Introduction
Hjärtarytmier är vanliga och drabbar miljontals patienter världen över1. Åldrande befolkningar uppvisar en ökande förekomst och därmed en stor folkhälsobörda till följd av hjärtarytmier och deras sjuklighet och dödlighet2. Nuvarande behandlingsstrategier är begränsade och ofta förknippade med betydande biverkningar och förblir ineffektiva hos många patienter 3,4,5,6. Nya och innovativa terapeutiska strategier som kausalt riktar sig mot arytmimekanismer behövs omgående. För att studera arytmiernas komplexa patofysiologi är lämpliga djurmodeller nödvändiga; Möss har visat sig vara en idealisk modellart för att utvärdera den genetiska påverkan på arytmier, för att undersöka grundläggande molekylära och cellulära mekanismer och för att identifiera potentiella terapeutiska mål 7,8,9. Kontinuerlig EKG-inspelning är ett väletablerat begrepp i den kliniska rutinen för arytmidetektering10.
Implanterbara telemetrianordningar är bland de mest kraftfulla verktygen som finns tillgängliga för att studera elektrofysiologi hos möss eftersom de möjliggör kontinuerlig inspelning av EKG (ett vanligt tillvägagångssätt är att implantera ledningarna i en bly-II-position) under en period av flera månader i fritt rörliga, vakna möss11,12. På grund av det stora antalet datapunkter (upp till mer än 1 miljon QRS-komplex per dag) och begränsad kunskap om murina standardvärden är analysen av telemetridata fortfarande utmanande. Allmänt tillgängliga telemetrisändare för möss varar upp till 3 månader, vilket leder till inspelning av upp till 100 miljoner QRS-komplex. Detta innebär att pragmatiska analysprotokoll är välbehövliga för att minska tiden med varje enskild datauppsättning och kommer att göra det möjligt för forskare att hantera och tolka denna enorma mängd data. För att få en ren EKG-signal vid inspelning måste sändarimplantationen vara optimal – ledningspositionerna bör vara så långt ifrån varandra som möjligt för att möjliggöra högre signalamplituder.
Den intresserade läsaren kan hänvisas till ett protokoll av McCauley et al.12 för mer information. För att minimera buller måste burar och sändare placeras i en tyst miljö som inte är utsatt för störningar, såsom ett ventilerat skåp med kontrollerade miljöfaktorer (temperatur, ljus och fuktighet). Under försöksperioden måste blypositionering kontrolleras regelbundet för att undvika signalförlust på grund av blyperforering eller sårläkningsproblem. Fysiologiskt finns det en cirkadisk förändring i EKG-parametrar hos gnagare som hos människor, vilket genererar behovet av ett standardiserat tillvägagångssätt för att erhålla baslinje-EKG-parametrar från en kontinuerlig inspelning. I stället för att beräkna medelvärden för EKG-parametrar under en lång period bör analys av ett vilande EKG som liknar det hos människor utföras för att erhålla grundläggande parametrar som vilopuls, P-vågvaraktighet, PR-intervall, QRS-varaktighet eller QT / QTc-intervall. Hos människor registreras ett vilo-EKG över 10 s, vid en normal hjärtfrekvens på 50-100/min. Detta EKG innehåller 8 till 17 QRS-komplex. En analys av 20 på varandra följande QRS-komplex rekommenderas i musen som “vilande EKG-ekvivalent”. På grund av den ovan nämnda cirkadiska förändringen är ett enkelt tillvägagångssätt att analysera två vilande EKG per dag, en på dagtid och en på natten. Beroende på lampans på/av-cykel i djuranläggningen väljs lämpliga tider (t.ex. 12 AM/PM) och grundläggande parametrar erhålls.
Därefter används ett pulsdiagram över tid för att upptäcka relevant taky- och bradykardi, med på varandra följande manuell utforskning av dessa episoder för att få ett första intryck. Detta pulsdiagram leder sedan till de viktiga parametrarna för maximal och lägsta hjärtfrekvens under den registrerade perioden samt hjärtfrekvensvariation över tid. Därefter analyseras datasetet för arytmier. I den här artikeln beskrivs en steg-för-steg-metod för att hämta dessa EKG-baslinjedata från långsiktiga telemetriinspelningar av vakna möss under en registreringsperiod på upp till tre månader. Vidare beskriver den hur man upptäcker arytmier med hjälp av programvaran, Ponemah version 6.42, med dess analysmoduler, EKG Pro och Data Insights, utvecklade av Data Sciences International (DSI). Denna version är kompatibel med både Windows 7 (SP1, 64 bitar) och Windows 10 (64 bitar).
Protocol
Representative Results
Discussion
Yt-EKG är det primära diagnostiska verktyget för patienter som lider av hjärtrytmstörningar, vilket ger insikter i många elektrofysiologiska fenomen. Ändå kräver tillräcklig analys av hjärtytans EKG-patologier kunskap och definition av normala fysiologiska parametrar. Många års epidemiologisk forskning har lett till bred enighet om vad som är fysiologiskt hos människor och därmed gjort det möjligt för läkare över hela världen att tydligt skilja patologin. Analysen av yt-EKG-data är dock en stor utma…
Divulgations
The authors have nothing to disclose.
Acknowledgements
Detta arbete stöddes av German Research Foundation (DFG; Clinician Scientist Program in Vascular Medicine (PRIME), MA 2186/14-1 till P. Tomsits och D. Schüttler), German Centre for Cardiovascular Research (DZHK; 81X2600255 till S. Clauss), Corona Foundation (S199/10079/2019 till S. Clauss), ERA-NET om hjärt-kärlsjukdomar (ERA-CVD; 01KL1910 till S. Clauss), Heinrich-and-Lotte-Mühlfenzl Stiftung (till S. Clauss) och China Scholarship Council (CSC, till R. Xia). Finansiärerna hade ingen roll i manuskriptförberedelserna.
References
- Camm, A. J., et al. Guidelines for the management of atrial fibrillation: the Task Force for the Management of Atrial Fibrillation of the European Society of Cardiology (ESC). Europace. 12 (10), 1360-1420 (2010).
- Chugh, S. S., et al. Worldwide epidemiology of atrial fibrillation: a Global Burden of Disease 2010 Study. Circulation. 129 (8), 837-847 (2014).
- Dobrev, D., et al. New antiarrhythmic drugs for treatment of atrial fibrillation. Lancet. 375 (9721), 1212-1223 (2010).
- January, C. T., et al. 2019 AHA/ACC/HRS focused update of the 2014 AHA/ACC/HRS Guideline for the management of patients with atrial fibrillation: a report of the American College of Cardiology/American Heart Association Task Force on Clinical Practice Guidelines and the Heart Rhythm Society in Collaboration With the Society of Thoracic Surgeons. Circulation. 140 (2), 125-151 (2019).
- Heijman, J., et al. Cardiac safety assays. Current Opinion in Pharmacology. 15, 16-21 (2014).
- Kirchhof, P., et al. ESC Guidelines for the management of atrial fibrillation developed in collaboration with EACTS. European Heart Journal. 37 (38), 2893-2962 (2016).
- Clauss, S., et al. Animal models of arrhythmia: classic electrophysiology to genetically modified large animals. Nature reviews. Cardiology. 16 (8), 457-475 (2019).
- Schüttler, D., et al. Animal models of atrial fibrillation. Circulation Research. 127 (1), 91-110 (2020).
- Dobrev, D., et al. Mouse models of cardiac arrhythmias. Circulation Research. 123 (3), 332-334 (2018).
- Rosero, S. Z., et al. Ambulatory ECG monitoring in atrial fibrillation management. Progress in cardiovascular diseases. 56 (2), 143-152 (2013).
- Russell, D. M., et al. A high bandwidth fully implantable mouse telemetry system for chronic ECG measurement. Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology. 2011, 7666-7669 (2011).
- McCauley, M. D., et al. Ambulatory ECG recording in mice. Journal of Visualized Experiments : JoVE. (39), e1739 (2010).
- Mehendale, A. C., et al. Unlock the information in your data: Software to find, classify, and report on data patterns and arrhythmias. Journal of Pharmacological and Toxicological Methods. 81, 99-106 (2016).
- Hulsmans, M., et al. Macrophages facilitate electrical conduction in the heart. Cell. 169 (3), 510-522 (2017).
- Boukens, B. J., et al. Misinterpretation of the mouse ECG: ‘musing the waves of Mus musculus. Journal of Physiology. 592 (21), 4613-4626 (2014).
- Wehrens, X. H., et al. Mouse electrocardiography: an interval of thirty years. Cardiovascular Research. 45 (1), 231-237 (2000).
- Goldbarg, A. N., et al. Electrocardiogram of the normal mouse, Mus musculus: general considerations and genetic aspects. Cardiovascular Research. 2 (1), 93-99 (1968).
- Kaese, S., et al. The ECG in cardiovascular-relevant animal models of electrophysiology. Herzschrittmachertherapie und Elektrophysiologie. 24 (2), 84-91 (2013).
- Speerschneider, T., et al. Physiology and analysis of the electrocardiographic T wave in mice. Acta Physiologica. 209 (4), 262-271 (2013).
- Toib, A., et al. Remodeling of repolarization and arrhythmia susceptibility in a myosin-binding protein C knockout mouse model. American Journal of Physiology. Heart and Circulatory Physiology. 313 (3), 620-630 (2017).
- Thireau, J., et al. Heart rate variability in mice: a theoretical and practical guide. Experimental Physiology. 93 (1), 83-94 (2008).
- Hilgard, J., et al. Significance of ventricular pauses of three seconds or more detected on twenty-four-hour Holter recordings. American Journal of Cardiology. 55 (8), 1005-1008 (1985).
