Analyse af langsigtede elektrokardiografioptagelser for at detektere arytmier hos mus
Summary
Her præsenterer vi en trin-for-trin protokol til en semiautomatisk tilgang til analyse af murine langsigtet elektrokardiografi (EKG) data for grundlæggende EKG-parametre og almindelige arytmier. Data opnås ved implanterbare telemetrisendere i levende og vågne mus og analyseres ved hjælp af Ponemah og dets analysemoduler.
Abstract
Arytmier er almindelige og påvirker millioner af patienter over hele verden. Nuværende behandlingsstrategier er forbundet med betydelige bivirkninger og forbliver ineffektive hos mange patienter. For at forbedre patientplejen er der behov for nye og innovative terapeutiske koncepter, der kausalt er rettet mod arytmimekanismer. For at studere arytmiernes komplekse patofysiologi er egnede dyremodeller nødvendige, og mus har vist sig at være ideelle modelarter til at evaluere den genetiske indvirkning på arytmier, til at undersøge grundlæggende molekylære og cellulære mekanismer og til at identificere potentielle terapeutiske mål.
Implanterbare telemetrienheder er blandt de mest kraftfulde værktøjer, der er tilgængelige til at studere elektrofysiologi hos mus, hvilket muliggør kontinuerlig EKG-optagelse over en periode på flere måneder i frit bevægelige, vågne mus. På grund af det enorme antal datapunkter (>1 million QRS-komplekser om dagen) er analyse af telemetridata imidlertid stadig udfordrende. Denne artikel beskriver en trinvis tilgang til at analysere EKG’er og til at detektere arytmier i langsigtede telemetrioptagelser ved hjælp af softwaren, Ponemah, med sine analysemoduler, ECG Pro og Data Insights, udviklet af Data Sciences International (DSI). For at analysere grundlæggende EKG-parametre, såsom puls, P-bølgevarighed, PR-interval, QRS-interval eller QT-varighed, blev der udført en automatiseret attributanalyse ved hjælp af Ponemah til at identificere P-, Q- og T-bølger inden for individuelt justerede vinduer omkring detekterede R-bølger.
Resultaterne blev derefter gennemgået manuelt, hvilket gjorde det muligt at justere individuelle anmærkninger. Outputtet fra den attributbaserede analyse og mønstergenkendelsesanalysen blev derefter brugt af Data Insights-modulet til at detektere arytmier. Dette modul muliggør en automatisk screening for individuelt definerede arytmier i optagelsen efterfulgt af en manuel gennemgang af mistænkte arytmiepisoder. Artiklen diskuterer kort udfordringer ved optagelse og detektion af EKG-signaler, foreslår strategier til forbedring af datakvaliteten og giver repræsentative optagelser af arytmier detekteret hos mus ved hjælp af den ovenfor beskrevne tilgang.
Introduction
Hjertearytmier er almindelige og påvirker millioner af patienter over hele verden1. Aldrende befolkninger udviser en stigende forekomst og dermed en stor folkesundhedsbyrde som følge af hjertearytmier og deres sygelighed og dødelighed2. Nuværende behandlingsstrategier er begrænsede og ofte forbundet med betydelige bivirkninger og forbliver ineffektive hos mange patienter 3,4,5,6. Der er et presserende behov for nye og innovative terapeutiske strategier, der kausalt er rettet mod arytmimekanismer. For at studere arytmiernes komplekse patofysiologi er egnede dyremodeller nødvendige; Mus har vist sig at være en ideel modelart til at evaluere den genetiske indvirkning på arytmier, til at undersøge grundlæggende molekylære og cellulære mekanismer og til at identificere potentielle terapeutiske mål 7,8,9. Kontinuerlig EKG-optagelse er et veletableret koncept i den kliniske rutine for arytmidetektion10.
Implanterbare telemetrienheder er blandt de mest kraftfulde værktøjer, der er tilgængelige til at studere elektrofysiologi hos mus, da de tillader kontinuerlig optagelse af EKG (en almindelig tilgang er at implantere ledningerne i en bly-II-position) over en periode på flere måneder i frit bevægelige, vågne mus11,12. På grund af det enorme antal datapunkter (op til mere end 1 million QRS-komplekser om dagen) og begrænset viden om murinestandardværdier er analysen af telemetridata imidlertid stadig udfordrende. Almindeligt tilgængelige telemetrisendere til mus holder op til 3 måneder, hvilket fører til optagelse af op til 100 millioner QRS-komplekser. Det betyder, at pragmatiske analyseprotokoller er meget nødvendige for at reducere den tid, der bruges med hvert enkelt datasæt og vil give forskere mulighed for at håndtere og fortolke denne enorme mængde data. For at opnå et rent EKG-signal ved optagelse skal transmitterimplantation være optimal – føringspositionerne skal være så langt fra hinanden som muligt for at tillade højere signalamplituder.
Den interesserede læser kan henvises til en protokol af McCauley et al.12 for mere information. For at minimere støj skal bure og sendere placeres i et lydløst miljø, der ikke er udsat for forstyrrelser, såsom et ventileret skab med kontrollerede miljøfaktorer (temperatur, lys og fugtighed). I forsøgsperioden skal blypositionering kontrolleres regelmæssigt for at undgå tab af signal på grund af blyperforering eller sårhelingsproblemer. Fysiologisk er der en cirkadisk ændring i EKG-parametre hos gnavere som hos mennesker, hvilket skaber behovet for en standardiseret tilgang til opnåelse af baseline EKG-parametre fra en kontinuerlig registrering. I stedet for at beregne gennemsnitsværdier for EKG-parametre over en lang periode, bør analyse af et hvilende EKG svarende til det hos mennesker udføres for at opnå grundlæggende parametre såsom hvilepuls, P-bølgevarighed, PR-interval, QRS-varighed eller QT / QTc-interval. Hos mennesker registreres et hvilende EKG over 10 s ved en normal puls på 50-100 / min. Dette EKG inkluderer 8 til 17 QRS-komplekser. En analyse af 20 på hinanden følgende QRS-komplekser anbefales i musen som “hvilende EKG-ækvivalent”. På grund af ovennævnte cirkadiske ændring er en simpel tilgang at analysere to hvilende EKG’er om dagen, en om dagen og en om natten. Afhængigt af tænd/sluk-cyklussen i dyreanlægget vælges passende tidspunkter (f.eks. kl. 12/PM), og der opnås grundlæggende parametre.
Dernæst bruges et pulsplot over tid til at opdage relevant taky- og bradykardi, med på hinanden følgende manuel udforskning af disse episoder for at få et første indtryk. Dette pulsplot fører derefter til de vigtige parametre for maksimal og minimal puls over den registrerede periode samt pulsvariation over tid. Derefter analyseres datasættet for arytmier. Denne artikel beskriver en trinvis tilgang til at opnå disse baseline EKG-data fra langsigtede telemetrioptagelser af vågne mus over en optagelsesperiode på op til tre måneder. Desuden beskriver den, hvordan man registrerer arytmier ved hjælp af softwaren, Ponemah version 6.42, med sine analysemoduler, ECG Pro og Data Insights, udviklet af Data Sciences International (DSI). Denne version er kompatibel med både Windows 7 (SP1, 64 bit) og Windows 10 (64 bit).
Protocol
Representative Results
Discussion
Overflade-EKG er det primære diagnostiske værktøj til patienter, der lider af hjerterytmeforstyrrelser, og giver indsigt i mange elektrofysiologiske fænomener. Ikke desto mindre kræver tilstrækkelig analyse af hjerteoverflade EKG-patologier viden og definition af normale fysiologiske parametre. Mange års epidemiologisk forskning har ført til bred enighed om, hvad der er fysiologisk hos mennesker og dermed gjort det muligt for læger over hele verden klart at skelne mellem patologien. Analysen af overflade-EKG-dat…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Dette arbejde blev støttet af German Research Foundation (DFG; Klinikerforskerprogram i vaskulær medicin (PRIME), MA 2186/14-1 til P. Tomsits og D. Schüttler), tysk center for kardiovaskulær forskning (DZHK; 81X2600255 til S. Clauss), Corona Foundation (S199/10079/2019 til S. Clauss), ERA-NET om hjerte-kar-sygdomme (ERA-CVD; 01KL1910 til S. Clauss), Heinrich-og-Lotte-Mühlfenzl Stiftung (til S. Clauss) og China Scholarship Council (CSC, til R. Xia). Bidragyderne havde ingen rolle i manuskriptforberedelsen.
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).
