Analyse van langdurige elektrocardiografie-opnames om aritmieën bij muizen te detecteren
Summary
Hier presenteren we een stapsgewijs protocol voor een semi-geautomatiseerde benadering om murine long-term elektrocardiografie (ECG) -gegevens te analyseren voor basis-ECG-parameters en veel voorkomende aritmieën. Gegevens worden verkregen door implanteerbare telemetrietransmitters in levende en wakkere muizen en geanalyseerd met behulp van Ponemah en zijn analysemodules.
Abstract
Aritmieën komen vaak voor en treffen miljoenen patiënten wereldwijd. De huidige behandelingsstrategieën worden geassocieerd met significante bijwerkingen en blijven bij veel patiënten ineffectief. Om de patiëntenzorg te verbeteren, zijn nieuwe en innovatieve therapeutische concepten nodig die zich causaal richten op aritmiemechanismen. Om de complexe pathofysiologie van aritmieën te bestuderen, zijn geschikte diermodellen nodig en het is bewezen dat muizen ideale modelsoorten zijn om de genetische impact op aritmieën te evalueren, fundamentele moleculaire en cellulaire mechanismen te onderzoeken en potentiële therapeutische doelen te identificeren.
Implanteerbare telemetrie-apparaten behoren tot de krachtigste hulpmiddelen die beschikbaar zijn om elektrofysiologie bij muizen te bestuderen, waardoor continue ECG-opname gedurende een periode van enkele maanden mogelijk is bij vrij bewegende, wakkere muizen. Vanwege het enorme aantal datapunten (>1 miljoen QRS-complexen per dag) blijft de analyse van telemetriegegevens echter een uitdaging. Dit artikel beschrijft een stapsgewijze aanpak om ECG’s te analyseren en aritmieën te detecteren in telemetrie-opnames op lange termijn met behulp van de software Ponemah, met zijn analysemodules, ECG Pro en Data Insights, ontwikkeld door Data Sciences International (DSI). Om basis-ECG-parameters te analyseren, zoals hartslag, P-golfduur, PR-interval, QRS-interval of QT-duur, werd een geautomatiseerde attribuutanalyse uitgevoerd met Ponemah om P-, Q- en T-golven te identificeren binnen individueel aangepaste vensters rond gedetecteerde R-golven.
De resultaten werden vervolgens handmatig beoordeeld, waardoor individuele annotaties konden worden aangepast. De output van de attribuutgebaseerde analyse en de patroonherkenningsanalyse werd vervolgens door de Data Insights-module gebruikt om aritmieën te detecteren. Deze module maakt een automatische screening mogelijk voor individueel gedefinieerde aritmieën binnen de opname, gevolgd door een handmatige beoordeling van vermoedelijke aritmie-episodes. Het artikel bespreekt kort uitdagingen bij het registreren en detecteren van ECG-signalen, suggereert strategieën om de gegevenskwaliteit te verbeteren en biedt representatieve opnames van aritmieën gedetecteerd bij muizen met behulp van de hierboven beschreven aanpak.
Introduction
Hartritmestoornissen komen vaak voor en treffen miljoenen patiënten wereldwijd1. De vergrijzing van de bevolking vertoont een toenemende incidentie en dus een grote belasting voor de volksgezondheid als gevolg van hartritmestoornissen en hun morbiditeit en mortaliteit2. De huidige behandelingsstrategieën zijn beperkt en vaak geassocieerd met significante bijwerkingen en blijven bij veel patiënten niet effectief 3,4,5,6. Nieuwe en innovatieve therapeutische strategieën die zich causaal richten op aritmiemechanismen zijn dringend nodig. Om de complexe pathofysiologie van aritmieën te bestuderen, zijn geschikte diermodellen nodig; muizen zijn een ideale modelsoort gebleken om de genetische impact op aritmieën te evalueren, om fundamentele moleculaire en cellulaire mechanismen te onderzoeken en om potentiële therapeutische doelen te identificeren 7,8,9. Continue ECG-registratie is een ingeburgerd concept in de klinische routine van aritmiedetectie10.
Implanteerbare telemetrie-apparaten behoren tot de krachtigste hulpmiddelen die beschikbaar zijn om elektrofysiologie bij muizen te bestuderen, omdat ze continue registratie van het ECG mogelijk maken (een veel voorkomende aanpak is om de leads in een lood-II-positie te implanteren) gedurende een periode van enkele maanden in vrij bewegende, wakkere muizen11,12. Vanwege het enorme aantal datapunten (tot meer dan 1 miljoen QRS-complexen per dag) en de beperkte kennis van murine standaardwaarden, blijft de analyse van telemetriegegevens echter een uitdaging. Algemeen beschikbare telemetriezenders voor muizen gaan tot 3 maanden mee, wat leidt tot de opname van maximaal 100 miljoen QRS-complexen. Dit betekent dat pragmatische analyseprotocollen hard nodig zijn om de tijd die met elke individuele dataset wordt doorgebracht te verminderen en onderzoekers in staat stellen deze enorme hoeveelheid gegevens te verwerken en te interpreteren. Om een schoon ECG-signaal bij opname te verkrijgen, moet de implantatie van de zender optimaal zijn – de loodposities moeten zo ver mogelijk uit elkaar liggen om hogere signaalamplitudes mogelijk te maken.
De geïnteresseerde lezer kan worden verwezen naar een protocol van McCauley et al.12 voor meer informatie. Verder, om geluid te minimaliseren, moeten kooien en zenders in een stille omgeving worden geplaatst die niet gevoelig is voor enige verstoring, zoals een geventileerde kast met gecontroleerde omgevingsfactoren (temperatuur, licht en vochtigheid). Tijdens de experimentele periode moet de loodpositionering regelmatig worden gecontroleerd om signaalverlies als gevolg van loodperforatie of wondgenezingsproblemen te voorkomen. Fysiologisch gezien is er een circadiane verandering in ECG-parameters bij knaagdieren zoals bij mensen, waardoor de behoefte aan een gestandaardiseerde aanpak ontstaat voor het verkrijgen van baseline ECG-parameters uit een continue registratie. In plaats van de gemiddelde waarden van ECG-parameters over een lange periode te berekenen, moet een analyse van een rust-ECG worden uitgevoerd dat vergelijkbaar is met dat bij mensen om basisparameters te verkrijgen zoals rusthartslag, P-golfduur, PR-interval, QRS-duur of QT / QTc-interval. Bij mensen wordt een rust-ECG geregistreerd over 10 s, bij een normale hartslag van 50-100 / min. Dit ECG omvat 8 tot 17 QRS-complexen. Een analyse van 20 opeenvolgende QRS-complexen wordt aanbevolen in de muis als “rust-ECG-equivalent”. Vanwege de bovengenoemde circadiane verandering is een eenvoudige aanpak om twee rustende ECG’s per dag te analyseren, één overdag en één ‘s nachts. Afhankelijk van de licht aan/uit-cyclus in de dierfaciliteit worden geschikte tijden geselecteerd (bijv. 12.00 uur/PM) en worden basisparameters verkregen.
Vervolgens wordt een hartslagplot in de loop van de tijd gebruikt om relevante tachy- en bradycardie te detecteren, met opeenvolgende handmatige verkenning van deze afleveringen om een eerste indruk te krijgen. Deze hartslagplot leidt vervolgens tot de belangrijke parameters van maximale en minimale hartslag over de geregistreerde periode en hartslagvariabiliteit in de loop van de tijd. Daarna wordt de dataset geanalyseerd op aritmieën. Dit artikel beschrijft een stapsgewijze aanpak om deze baseline ECG-gegevens te verkrijgen uit telemetrie-opnames op lange termijn van wakkere muizen gedurende een opnameperiode van maximaal drie maanden. Verder beschrijft het hoe aritmieën te detecteren met behulp van de software Ponemah versie 6.42, met zijn analysemodules, ECG Pro en Data Insights, ontwikkeld door Data Sciences International (DSI). Deze versie is compatibel met zowel Windows 7 (SP1, 64 bit) als Windows 10 (64 bit).
Protocol
Representative Results
Discussion
Het oppervlakte-ECG is het primaire diagnostische hulpmiddel voor patiënten die lijden aan hartritmestoornissen en biedt inzicht in vele elektrofysiologische verschijnselen. Niettemin vereist voldoende analyse van ECG-pathologieën van het hartoppervlak kennis en definitie van normale fysiologische parameters. Vele jaren van epidemiologisch onderzoek hebben geleid tot brede instemming met wat fysiologisch is bij mensen en zo artsen wereldwijd in staat gesteld om het pathologische duidelijk te onderscheiden. De analyse v…
Divulgazioni
The authors have nothing to disclose.
Acknowledgements
Dit werk werd ondersteund door de German Research Foundation (DFG; Clinician Scientist Program In Vascular Medicine (PRIME), MA 2186/14-1 aan P. Tomsits en D. Schüttler), German Centre for Cardiovascular Research (DZHK; 81X2600255 aan S. Clauss), de Corona Foundation (S199/10079/2019 aan S. Clauss), het ERA-NET on Cardiovascular Diseases (ERA-CVD; 01KL1910 aan S. Clauss), de Heinrich-and-Lotte-Mühlfenzl Stiftung (aan S. Clauss) en de China Scholarship Council (CSC, aan R. Xia). De financiers hadden geen rol in de voorbereiding van het manuscript.
Riferimenti
- 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).
