Analysere langsiktige elektrokardiografiopptak for å oppdage arytmier hos mus

Summary

Her presenterer vi en trinnvis protokoll for en halvautomatisert tilnærming for å analysere murine langsiktige elektrokardiografi (EKG) data for grunnleggende EKG-parametere og vanlige arytmier. Data oppnås ved implanterbare telemetrisendere i levende og våkne mus og analyseres ved hjelp av Ponemah og dets analysemoduler.

Abstract

Arytmier er vanlige, og påvirker millioner av pasienter over hele verden. Nåværende behandlingsstrategier er forbundet med betydelige bivirkninger og forblir ineffektive hos mange pasienter. For å forbedre pasientbehandlingen er det behov for nye og innovative terapeutiske konsepter som er kausalt rettet mot arytmimekanismer. For å studere den komplekse patofysiologien til arytmier, er det nødvendig med egnede dyremodeller, og mus har vist seg å være ideelle modellarter for å evaluere den genetiske effekten på arytmier, for å undersøke grunnleggende molekylære og cellulære mekanismer og for å identifisere potensielle terapeutiske mål.

Implanterbare telemetrienheter er blant de kraftigste verktøyene som er tilgjengelige for å studere elektrofysiologi hos mus, noe som muliggjør kontinuerlig EKG-opptak over en periode på flere måneder i frittgående, våkne mus. På grunn av det enorme antallet datapunkter (>1 million QRS-komplekser per dag), er analyse av telemetridata fortsatt utfordrende. Denne artikkelen beskriver en trinnvis tilnærming for å analysere EKG og oppdage arytmier i langsiktige telemetriopptak ved hjelp av programvaren Ponemah, med sine analysemoduler, EKG Pro og Data Insights, utviklet av Data Sciences International (DSI). For å analysere grunnleggende EKG-parametere, som hjertefrekvens, P-bølgevarighet, PR-intervall, QRS-intervall eller QT-varighet, ble det utført en automatisert attributtanalyse ved hjelp av Ponemah for å identifisere P-, Q- og T-bølger i individuelt justerte vinduer rundt oppdagede R-bølger.

Resultatene ble deretter gjennomgått manuelt, noe som gjorde det mulig å justere individuelle merknader. Utdataene fra den attributtbaserte analysen og mønstergjenkjenningsanalysen ble deretter brukt av Data Insights-modulen til å oppdage arytmier. Denne modulen tillater automatisk screening for individuelt definerte arytmier i opptaket, etterfulgt av en manuell gjennomgang av mistenkte arytmiepisoder. Artikkelen diskuterer kort utfordringer med å registrere og oppdage EKG-signaler, foreslår strategier for å forbedre datakvaliteten, og gir representative opptak av arytmier oppdaget hos mus ved hjelp av tilnærmingen beskrevet ovenfor.

Introduction

Hjertearytmier er vanlige, og påvirker millioner av pasienter over hele verden¹. Aldrende befolkninger viser en økende forekomst og dermed en stor folkehelsebelastning som følge av hjertearytmier og deres sykelighet og dødelighet². Nåværende behandlingsstrategier er begrensede og ofte forbundet med betydelige bivirkninger og forblir ineffektive hos mange pasienter 3,4,5,6. Nye og innovative terapeutiske strategier som kausalt retter seg mot arytmimekanismer er presserende nødvendig. For å studere den komplekse patofysiologien til arytmier, er det nødvendig med egnede dyremodeller; mus har vist seg å være en ideell modellart for å evaluere den genetiske effekten på arytmier, for å undersøke grunnleggende molekylære og cellulære mekanismer, og for å identifisere potensielle terapeutiske mål ^7,8,9. Kontinuerlig EKG-registrering er et veletablert konsept i den kliniske rutinen for arytmideteksjon¹⁰.

Implanterbare telemetrienheter er blant de kraftigste verktøyene som er tilgjengelige for å studere elektrofysiologi hos mus, da de tillater kontinuerlig registrering av EKG (en vanlig tilnærming er å implantere ledningene i en bly-II-stilling) over en periode på flere måneder i fritt bevegelige, våkne mus^11,12. På grunn av det enorme antallet datapunkter (opptil mer enn 1 million QRS-komplekser per dag) og begrenset kunnskap om murine standardverdier, er analysen av telemetridata fortsatt utfordrende. Vanligvis tilgjengelige telemetrisendere for mus varer opptil 3 måneder, noe som fører til opptak av opptil 100 millioner QRS-komplekser. Dette betyr at pragmatiske analyseprotokoller er sårt tiltrengt for å redusere tiden brukt med hvert enkelt datasett, og vil tillate forskere å håndtere og tolke denne enorme mengden data. For å oppnå et rent EKG-signal ved opptak, må senderimplantasjonen være optimal - blyposisjonene skal være så langt fra hverandre som mulig for å tillate høyere signalamplituder.

Den interesserte leser kan henvises til en protokoll av McCauley et ^al.12 for mer informasjon. Videre, for å minimere støy, må bur og sendere plasseres i et stille miljø som ikke er utsatt for forstyrrelser, for eksempel et ventilert skap med kontrollerte miljøfaktorer (temperatur, lys og fuktighet). I løpet av eksperimentperioden må blyposisjonering kontrolleres regelmessig for å unngå tap av signal på grunn av blyperforering eller sårhelingsproblemer. Fysiologisk er det en sirkadisk endring i EKG-parametere hos gnagere som hos mennesker, noe som genererer behovet for en standardisert tilnærming til å oppnå baseline EKG-parametere fra et kontinuerlig opptak. I stedet for å beregne gjennomsnittsverdier for EKG-parametere over en lang periode, bør analyse av et hvile-EKG som ligner på mennesker utføres for å oppnå grunnleggende parametere som hvilepuls, P-bølgevarighet, PR-intervall, QRS-varighet eller QT / QTc-intervall. Hos mennesker registreres et hvile-EKG over 10 s, med en normal hjertefrekvens på 50-100/min. Dette EKG inkluderer 8 til 17 QRS-komplekser. En analyse av 20 påfølgende QRS-komplekser anbefales i musen som "hvilende EKG-ekvivalent". På grunn av den ovennevnte sirkadiske endringen er en enkel tilnærming å analysere to hvilende EKG per dag, en på dagtid og en om natten. Avhengig av lysets av/på-syklus i dyreavdelingen, velges passende tider (f.eks. 12 AM/PM), og grunnleggende parametere oppnås.

Deretter brukes et pulsplott over tid for å oppdage relevant taky- og bradykardi, med påfølgende manuell utforskning av disse episodene for å få et førsteinntrykk. Dette hjertefrekvensplottet fører deretter til de viktige parametrene for maksimal og minimum hjertefrekvens over den registrerte perioden, samt hjertefrekvensvariabilitet over tid. Deretter analyseres datasettet for arytmier. Denne artikkelen beskriver en trinnvis tilnærming for å oppnå disse baseline EKG-dataene fra langsiktige telemetriopptak av våkne mus over en opptaksperiode på opptil tre måneder. Videre beskriver den hvordan man oppdager arytmier ved hjelp av programvaren, Ponemah versjon 6.42, med sine analysemoduler, ECG Pro og Data Insights, utviklet av Data Sciences International (DSI). Denne versjonen er kompatibel med både Windows 7 (SP1, 64 bit) og Windows 10 (64 bit).

Protocol

1. Forhåndsarrangementer

1. Start Ponemah 6.42 programvare, og bekreft brukernavnet og serienummeret til programvarelisensen på følgende skjermbilde ved å klikke på Fortsett.
2. Last inn eksperimentet som inneholder EKG av interesse
   1. Hvis Ponemah startes for første gang, må du være oppmerksom på at dialogboksen Kom i gang i Ponemah åpnes, og tilbyr tre alternativer: 1) Opprett eksperiment, 2) Last inn eksperiment, 3) Importer eksperiment.
      1. Velg Last inn eksperiment for å åpne en fil. Når dialogboksen Bla etter mappe åpnes, velger du eksperimentfilen med utvidelsen (". PnmExp"), og last inn filen ved å klikke på Åpne.
      2. Hvis du vil åpne et datasett som er registrert i Ponemah 5.x eller Dataquest ART, bruker du funksjonen Importer eksperiment.
         MERK: Hvis programvaren åpnes på nytt, lastes det siste eksperimentet automatisk inn i hovedvinduet for videre gjennomgang. I menyen under Eksperiment tilbys de samme tre alternativene som i dialogboksen Kom i gang : 1) Opprett eksperiment, 2) Åpne eksperiment, 3) Importer eksperiment.
3. Klikk på Handlinger / Start gjennomgang fra verktøylinjen, og gå til dialogboksen Last inn gjennomgangsdata , som gir en oversikt over alle musefagene og de respektive signalene som er registrert i det lastede eksperimentet (figur 1A).
   1. Velg opptaket som refererer til musen som skal analyseres ved å klikke i avmerkingsboksen ved siden av musenummeret i venstre panel Emner.
   2. Merk av i avmerkingsboksen ved siden av EKG i det midterste panelet Signaltyper.
   3. Bestem varigheten av signalet som skal analyseres med det ekstreme høyre panelet Time Range. Vær oppmerksom på følgende tre alternativer: Hele eksperimentet, som vil laste alle EKG-dataene fra den valgte musen; Parsersegmenter, som bare laster inn data i Parser-segmenter som ble lagt til under en tidligere gjennomgangsøkt; Tidsintervall, som tillater lasting av et bestemt tidsområde enten ved å angi en bestemt start- og sluttdato eller ved å angi en tidsvarighet.
   4. For å lagre utvalget, bruk dialogboksen Laster inn definisjoner i øvre venstre hjørne, som også tillater lasting av tidligere lagrede valg.
      MERK: Størrelsen på de valgte dataene vil bli indikert med enten en grønn eller rød linje basert på filstørrelsen i øvre høyre hjørne under Datastørrelse. For øyeblikket tillater programvaren lasting av opptil 3 GB data for gjennomgang; 3 GB data kan tilsvare et kontinuerlig 24-timers opptak på 3-4 dager.
   5. Klikk på OK for å laste det valgte datasettet inn i Review.
4. Etter å ha klikket OK, observer at Ponemah gjennomgang vinduet åpnes sammen med flere separate vinduer. Selv om Hendelser og Parametere Windows åpnes og vises som standard, velg manuelt andre nødvendige vinduer basert på grafer av interesse under Grafer / Graph Oppsett verktøylinjen.
   MERK: Hvis Hendelser og Parametere ikke åpne som standard, de kan aktiveres av Vindu/parametere og Vindu/arrangementer.
   1. Legg merke til dialogboksen Diagramoppsett, som gjør det mulig å sette opp opptil 16 grafiske vinduer som gir både rådata (f.eks. EKG-signaler) og avledede parametere (f.eks. XY-sløyfe) (figur 1B).
   2. Merk av for Aktiver side for å vise EKG-sporingen. I listen nedenfor velger du linjen inkludert ønsket mus (under Emne) og datatype (under Presentasjon) ved å klikke på den respektive avmerkingsboksen til venstre. Bruk følgende innstillinger: Type, Primær; Etikett, opptil 11 tegn som vises i tittellinjen i vinduet; Tid, 00:00:00:01 som angir sekunder som enheten som brukes.
      1. Skriv inn riktig informasjon i tekstboksene Etikett, Enhet, Lav og Høy .
         MERK: Aktiver to sider til, Pulstrend og Mal, som er nyttige for analyse av grunnleggende EKG-parametere og for arytmideteksjon.
   3. På siden Pulstrend aktiverer du en annen diagramside og definerer som en trend å tegne inn hjertefrekvensen (HR) over tid. Bruk følgende innstillinger til å tegne inn pulsen for hele dataene som lastes inn i Gjennomgangstype, Trend; Inngang, EKG; Presentasjon, HR; Merkelapp, HR-trend; Enhet, bpm; Lav: 50; Høy: 1000.
      MERK: Maler er EKG-sykluser med nøyaktig plasserte merker som kan brukes som representative EKG-sykluser for mønstergjenkjenningsanalyse. De tillater valg av et lite antall representative sykluser og matching av disse malene til hele EKG, og kommenterer dermed alle andre sykluser tilsvarende.
      1. Hvis du vil bruke malfunksjonen, oppretter du et malbibliotek (en fil der malene er lagret) for hvert emne. Dette gjør du ved å velge alternativet Maloppsett/Malbibliotek (figur 2A).
      2. Velg Ny... fra rullegardinmenyen under Malbibliotek for å opprette et nytt malbibliotek.
         MERK: Det er noen flere alternativer i rullegardinmenyen: Ingen binding fjerner tilknytningen til tidligere konfigurerte malbibliotek fra emnet. Bla gjennom knytter et eksisterende malbibliotek som ble konfigurert under en tidligere gjennomgangsøkt.
      3. Deretter konfigurerer du et maldiagram, velger oppsett / eksperimentoppsett / grafoppsett og velger en side som skal brukes som malgrafside. Merk av for Aktiver side, velg Mal for typen, og kontroller at Inndata gjenspeiler brukerens emne/kanal-valg. Skriv inn riktig informasjon i tekstboksene Etikett, Enhet, Lav og Høy, og klikk på OK-knappen for å vise et grafikkvindu for hver grafikkside som ble konfigurert under Grafisk oppsett som vist i figur 2B.
         MERK: En grafoppsettside for malinnstillinger vises som vist i figur 2B. I henhold til siden som er valgt i dialogboksen for diagramoppsett, er tittellinjene i vinduene merket fra side 1 - 16, basert på antall sider aktivert (eksempler på side 1, 2, 3 er vist i henholdsvis figur 3A, figur 3B og figur 3C).
5. Gjør noen viktige justeringer i EKG-sporingsvinduet (figur 3A).
   1. Juster Y-aksen som representerer EKG-amplituden ved å dobbeltklikke i EKG-sporingsvinduet for å velge Skalering. Her velger du Autoskalering eller juster manuelt ved hjelp av Høy akseverdi og Lavakseverdi.
   2. For å justere X-aksen som representerer tiden, klikk på de respektive verktøylinjeikonene: Zoom inn for å utvide tidsperioden (dvs. færre QRS-komplekser vises), Zoom ut for å komprimere tidsperioden (dvs. flere QRS-komplekser vises).
   3. For å vise DT (Delta Time) og RT (Real Time) i nedre venstre hjørne, venstreklikk på EKG-sporingen med markøren (en vertikal svart linje) for å plassere og se sanntidsinformasjon ved markørplasseringen under RT.
   4. Siden DT viser et tidsintervall etter brukerens valg, høyreklikker du på vinduet, både for å plassere markøren og for å velge Tilbakestill deltatid i dialogboksen som vises. Venstreklikk til en annen posisjon i EKG-sporingen for å måle tidsintervallet mellom de valgte tidsintervallene vist som Delta Time (DT).
6. Sørg for at hvert segment av sporingen (P, Q, R, T-bølge) gjenkjennes og kommenteres riktig for EKG-analysen. For å oppnå dette, definer og analyser Attributter ved å høyreklikke i EKG-vinduet, og klikk på Analyse/attributter opsjon.
   MERK: Den Attributter for EKG-analyse dialog åpnes som vist i Figur 4A. Øverst i denne dialogboksen, flere alternativer (QRS, PT, Avansert, Støy, Merker, Notater, Presisjon) tillate justering av ulike innstillinger (forklart nedenfor).
   1. Klikk på QRS-fanen for å justere R- og QS-identifikasjon.
      1. QRS-deteksjonsterskel: Bruk den angitte prosentandelen på den største deriverte toppen som er illustrert i bølgeformvinduet.
         MERK: Definer en optimal verdi for å eliminere undersensing (dvs. noen R-bølger kan ikke oppdages) og oversensing av topper (dvs. andre topper, for eksempel T-bølger, kan mistolkes som R-bølger). Terskelen (region uthevet i rosa i figur 4A) skal krysse med derivatet av EKG. Ideelt sett bør attributtverdiene, som bidrar til å identifisere QRS-komplekser og skille mellom klare sykluser og støyhendelser, opprettholdes på konstante (eller nesten konstante) nivåer mellom alle opptak fra ett prosjekt for å tillate sammenlignbarhet over forskjellige dyr per prosjekt. Når du har etablert optimale verdier, opprettholder du attributtinnstillingene for hele opptaket.
      2. Min R-avbøyning: Forsikre deg om at R-amplitudeendringen (basert på minimum / maksimum signalverdier og ikke isoelektriske nivåer) overskrider denne verdien før du kommenterer den som en R-bølge.
         MERK: Min R Avbøyning bør ideelt sett være høyere enn støy og lavere enn forventet avbøyning av R-bølge. En lav verdi kan resultere i støymåling og derfor oversensing, en høy verdi kan føre til undersensing.
      3. Maksimal hjertefrekvens: Kontroller at verdien som angis her, er høyere enn den maksimale forventede hjertefrekvensen.
         MERK: En lav verdi kan føre til undersensing, en høy verdi kan føre til oversensing da støyende sykluser har større sjanse for å bli merket som R-bølger.
      4. Minimum hjertefrekvens: Kontroller at verdien som angis her, er nær den laveste forventede hjertefrekvensen.
         MERK: Juster hjertefrekvensgrensene for hvert opptak individuelt, avhengig av signalamplituden og støygraden. Forskere må være klar over at et bredt spekter av hjertefrekvenser kan føre til manglende evne til å oppdage arytmier; Et smalt utvalg av hjertefrekvens kan imidlertid føre til ekstrem oversensing (f.eks. Tusenvis av episoder identifisert som "takykardi", som ikke lenger tillater en meningsfull analyse).
      5. Juster Peak Bias for å oppdage positive og negative R-bølger.
         MERK: En positiv Peak Bias favoriserer deteksjon av positive R-bølger; en negativ Peak Bias favoriserer deteksjon av negative R-bølger.
      6. Intra Cardiac: Bruk denne innstillingen i tilfeller der P-bølgen raskt endres, og når dens derivat kan overstige derivatet av R-bølgen, noe som resulterer i falsk merknad av P-bølgen som en R-bølge.
      7. Baseline Recovery Threshold: Angi denne verdien, som representerer en "blanking periode" rundt R-bølgen, for å hindre at programvaren søker etter Q- eller S-bølger, da små gjenstander ellers kan føre til falsk merknad av Q- eller S-bølger.
         MERK: En verdi på 0 vil for eksempel resultere i søk etter Q/S-bølger fra toppen av R-bølgen, en verdi på 70 vil resultere i søk etter Q/S-bølger først etter 70 % gjenvinning av R-bølgehøyden.
   2. Klikk på PT-fanen for innstillinger for deteksjon av P- og T-bølger.
      1. Maks QT-intervall: Juster dette intervallet for å definere intervallet der en oppdaget T-bølge vil bli akseptert.
      2. T-vindu fra S: Juster denne innstillingen for å definere søkeintervallet for en T-bølge som starter fra S-bølge til høyre.
      3. T-vindu fra R: Juster denne innstillingen for å definere søkeintervallet for en T-bølge som starter fra R-bølge til venstre.
      4. P-vindu fra R: Juster denne innstillingen for å definere søkeintervallet for en P-bølge som starter fra R-bølge til venstre.
      5. T Retning: Angi Begge som standard for å søke etter både positive og negative T-bølger, da denne innstillingen definerer om det bare søkes i positiv, bare negativ eller begge positive/negative T-bølger.
      6. P Retning: Angi Begge som standard for å søke etter både positive og negative P-bølger, da denne innstillingen definerer om bare positive, bare negative eller begge positive / negative P-bølger søkes.
      7. P-plassering: Juster denne innstillingen for å forskyve P-merket mot (høy verdi) eller bort (lav verdi) fra toppen av P-bølgen.
      8. T-plassering: Juster denne innstillingen for å forskyve T-merket mot (høy verdi) eller bort (lav verdi) fra toppen av P-bølgen.
      9. Alternativ ende av T: Juster denne innstillingen for å søke etter en alternativ T-bølge utover den første potensielle T-bølgen. Angi en lavere verdi for å velge den første T-bølgen og en høyere verdi for å velge den alternative T-bølgen.
      10. Toppfølsomhet: Juster denne parameteren for å eliminere små topper når du identifiserer P- og T-bølger. Bruk dette sammen med Peak Identification.
          MERK: En verdi på 0 definerer maksimal følsomhet; En verdi på 100 definerer minimal følsomhet. Den minimale verdien for maksimal følsomhet avhenger av kvaliteten på signalet. Hvis støynivået er lavt og/eller P- og T-bølgene skiller seg tydelig ut, utløses disse bølgene godt, selv når toppfølsomheten er 100. Vanligvis trenger ikke Peak Sensitivity og Peak Identification justering med mindre signalet er støyende, og analysealgoritmen støter på problemer med deteksjon av P- og T-bølger. I så fall oppnås de beste resultatene ved å justere parameteren i trinn på 25.
      11. Peak Identification: Bruk denne parameteren sammen med Peak Sensitivity for å definere terskelen for identifisering av P- og T-bølger. Senk opptil 0 maksimal følsomhet hvis små P/T-bølger ikke identifiseres. Hvis P/T-bølger ikke identifiseres selv når Maksimal følsomhet er satt til 0, senker du Toppidentifikasjon, justerer i trinn på 25.
      12. High ST Segment: Bruk dette attributtet hvis T-bølgen er svært nær QRS-komplekset, noe som resulterer i et høyt ST-segment.
          MERK: Siden mus mangler et tydelig ST-segment, med en T-bølge som oppstår rett etter QRS-komplekset, bør denne innstillingen ikke brukes på mus.
   3. Klikk på kategorien Avanserte attributter for å angi lav/høypassfiltre, for å definere J-punktet for å bestemme ST-høyde/depresjon (ikke nyttig hos mus), for å angi korreksjonsfaktorer for QT-måling, og for å definere arytmiske QRS-komplekser etter høyden på R-bølgen og varigheten av QRS-komplekset.
      MERK: Bruk standardinnstillingene som er forhåndsdefinert i denne kategorien. Hvis signalet påvirkes, for eksempel av elektromagnetisk interferens, justerer du filterinnstillingene her, noe som kan bidra til å forbedre signalkvaliteten. Definisjon av "arytmiske QRS-komplekser" forbedrer ikke nøyaktigheten for å oppdage for tidlig ventrikulær fangstslag over metoden som er foreslått her (hver PVC vil også resultere i en pause og oppdages derfor ved denne tilnærmingen). De øvrige innstillingene er kun relevante for helt spesifikke forskningsspørsmål og er derfor ikke beskrevet i detalj her.
   4. Bruk Støy-fanen til å justere attributter for å identifisere støy.
      1. Klikk på avmerkingsboksen Aktiver støydeteksjon for å identifisere støy, og angi Dårlige datamerker.
      2. Klikk på avmerkingsboksen Aktiver frafallsdeteksjon for å angi dårlige datamerker rundt data definert som frafall basert på signalverdien maksimum / minimum. Juster Min Good Data Time, som definerer tiden mellom to frafallssegmenter som også anses som frafall selv om signalet er bra.
      3. Juster terskelen for ugyldige data for å definere støynivået som EKG-signalet ikke kan analyseres riktig over.
         MERK: Dette støyende datasegmentet vil bli inkludert mellom dårlige datamerker og vil ikke bli analysert. Ingen EKG-avledede parametere vil bli rapportert for disse segmentene av "dårlige data".
      4. Angi min støypuls under hvilken hjertefrekvens anses som støy.
   5. Bruk kategorien Merker til å aktivere og deaktivere valideringsmerker.
      MERK: Det anbefales å alltid slå på Mark Cycle Numbers, som vil legge til et kontinuerlig tall til hver R-bølge identifisert. Dette vil bidra til å navigere gjennom EKG-opptaket.
   6. Bruk kategorien Notater til å skrive inn notater som skal vises i den eksperimentelle loggfilen.
   7. Bruk kategorien Presisjon til å definere presisjonen som parametere rapporteres med.
   8. Angi attributter og klikk på Beregn på nytt for å se effekten av justeringene som er gjort i bølgeformvinduet som en forhåndsvisning.
   9. Hvis (i en ideell situasjon) alle EKG-bølger er riktig kommentert, klikker du på OK for å bekrefte attributtinnstillingene, som åpner dialogboksen Effekter og omfang av endringer. For å analysere EKG, klikk på avmerkingsboksene Analyser kanalen og Hele kanalen på nytt og bekreft ved å klikke på OK.
7. Avhengig av inndatainnstillingene i dialogboksen Attributter noterer du valideringsmerkene som vises i EKG-sporingen. Gå gjennom opptaket manuelt, og sjekk om valideringsmerker så vel som dårlige datamerker er riktig angitt. Bruk Data Insights til å kontrollere R-merkene og EKG Pro for å kontrollere P- og T-merker.
   1. Hvis mange merker er feil, endrer du attributter og analyserer opptaket på nytt.
      MERK: Spesifikke innstillinger kan brukes på bestemte datasegmenter når EKG-morfologien er forskjellig fra resten av opptaket. Ponemah-programvarehåndboken gir standardverdier for EKG-analyseattributter for forskjellige arter under Ponemah Software Manual / Analysis Modules / Electrocardiogram / Attributes Dialog. Til å begynne med kan disse verdiene brukes og deretter justeres manuelt, til nok eller (i en ideell situasjon) alle EKG-bølger er merket.
   2. Utfør manuell opprydding hvis bare noen få merker er feil. Flytt hvert valideringsmerke (unntatt R-bølgemerker) til riktig posisjon ved å venstreklikke, holde og flytte det respektive merket. Høyreklikk i EKG-opptaket for å legge til flere valideringsmerker eller merke arytmiske R-bølger. Høyreklikk på et feil innstilt merke for å slette dette merket.
8. Klikk på Handlinger / Logging Rate (eller trykk F8) for å angi Logging Rate, som definerer hvor ofte avledede data er logget til Derived Parameter List View eller plottet til grafer som bruker de avledede parametrene. For analyse av grunnleggende EKG-parametere og arytmia, bruk Epoch 1 som standardinnstilling, som angir loggingshastigheten til hver syklus.
   MERK: Loggingsfrekvensen kan økes når som helst under anskaffelse eller gjennomgang.

2. Analyse av grunnleggende EKG-parametere

MERK: I tillegg til validering / dårlige datamerker, måler og beregner programvaren også automatisk et stort utvalg av avledede parametere som deretter rapporteres i den avledede parameterlisten.

1. Klikk på Emneoppsett/kanaldetaljer for å velge en av de avledede parameterne.
   MERK: I den avledede parameterlisten er hver parameter knyttet til nummeret til det respektive QRS-komplekset.
   1. Dobbeltklikk på en rad i parametertabellen for å vise de tilsvarende EKG-syklusene i midten av det primære EKG-grafikkvinduet, og finn og visualiser enkelt morfologien til EKG-syklusene som tilsvarer de avledede parametrene i de valgte rådataene.
      MERK: Det er mulig å synkronisere i begge retninger: fra tabellen til grafikken og også fra grafikken til bordet. Når loggingshastigheten er 1 Epoke, utføres synkroniseringen for hver enkelt syklus. Dette er enkelt å sjekke fra syklusnummeret (NUM) i parametertabellen og i grafikken. Spesielt i lange opptak er denne synkroniseringsfunksjonen mellom tabellene og grafikken veldig nyttig.
2. For å ta hensyn til den sirkadiske endringen i EKG-parametere, i stedet for å beregne gjennomsnittsverdier for EKG-parametere over en lang periode, analyser et hvile-EKG som ligner på mennesker for å oppnå grunnleggende EKG-parametere som hvilepuls, P-bølgevarighet, PR-intervall, QRS-varighet eller QT / QTc-intervall. Analyser 20 påfølgende QRS-komplekser i musen som "hvilende EKG-ekvivalent".
   MERK: Hos mennesker registreres et hvile-EKG over 10 s ved en normal hjertefrekvens på 50-100 / min. Dette EKG inkluderer 8 til 17 QRS-komplekser.
   1. Som mus følger en sirkadisk rytme, analyser to hvilende EKG per dag, en om dagen og en om natten for å kontrollere for sirkadiske effekter. Velg passende tidspunkter avhengig av lysets av/på-syklus i dyreavdelingen, f.eks. kl. 12.00.
   2. Velg en del av EKG med god signalkvalitet og stabil hjertefrekvens i diagrammet for HR-trender innen en definert rimelig tidsramme rundt dette tidspunktet (f.eks. ±30 min).
   3. Bekreft nøyaktigheten av valideringsmerkene eller juster manuelt i 20 påfølgende QRS-komplekser. Legg til manglende valideringsmerker.
   4. For ytterligere beregninger og visualiseringer, merk linjene som inneholder verdiene til disse 20 påfølgende QRS-kompleksene i den avledede parameterlisten, og kopier til et regneark eller statistikkprogramvare.

3. Arytmideteksjon ved hjelp av mønstergjenkjenning (EKG PRO-modul)

MERK: Ponemahs EKG PRO-modul bruker utvalgte QRS-komplekser som maler for videre analyse. EKG-mønstrene til malene sammenlignes med alle QRS-komplekser i opptaket for å beregne prosentandelen av likhet ("match") og for å gjenkjenne arytmier (f.eks. Atrielle eller ventrikulære for tidlige fangstslag). Antall QRS-komplekser som må merkes, avhenger av variasjonen i QRS-amplituden i opptaket. I visse tilfeller gir valg og merking av ett QRS-kompleks en likhet på 80 prosent med det respektive opptaket, og markerer flertallet av QRS-sykluser. Dette er imidlertid et ideelt tilfelle, og under analysen er antall QRS-komplekser som må merkes som maler vanligvis høyere.

1. Merk QRS-komplekser som maler til minst 80 prosent eller høyere er oppnådd. Videre kan du bruke malmatching for å merke P-, Q-, S- og T-bølger hvis disse ikke er eller ikke er tilstrekkelig gjenkjent etter attributtinnstillinger (avsnitt 1.7).
   MERK: R-merker må identifiseres for sykluser før de analyseres med EKG PRO. Dette krever at enten R-merkene beholdes fra anskaffelse, eller at den attributtbaserte analysen må utføres før EKG PRO-analysen utføres. De andre merkene (P, Q, S og T) trenger ikke være til stede for EKG PRO-analyse.
2. Etter å ha fullført maloppsettet (som beskrevet i 1.4.4), velg ønsket EKG-bølge (med merket R). Juster om nødvendig valideringsmerkene slik at de nøyaktig gjenspeiler de riktige posisjonene til EKG-merkene av interesse. Høyreklikk på syklusen i displaypanelet i EKG-sporingsvinduet , velg Legg til syklus og analyser [Enkel mal], og noter syklusen som vises i Mal-vinduet .
   MERK: Det kan være nødvendig å utføre en autoskalering for både X- og Y-aksen for å se hele syklusen. EKG-merker kan flyttes på malgrafsiden .
3. Høyreklikk på visningspanelet i malvinduet , og velg Legg til syklus og analyser (enkeltmal) for å starte dialogboksen Malanalyse vist i figur 4B. Velg ønsket Template Match-region som alle andre EKG-sykluser skal sammenlignes med. Endre om nødvendig de avanserte innstillingene for ønsket Match Region.
   MERK: Flere samsvarsregioner kan velges avhengig av ønsket utdata fra analysen (de avledede parametrene av interesse).
4. Velg et dataområde som analysen skal utføres på.
   Dataområdet tillater reanalyse av dataene som er synlige i grafen, dataene fra venstre kant av det synlige området fra primærgrafen fremover til slutten av det lastede datasettet, dataene i Parser-segmentene eller hele kanalen.
5. Velg typen sykluser som skal analyseres.
   1. Velg Alle for å sammenligne malbiblioteket med Alle sykluser med et gyldig R-merke.
   2. Velg Uovertruffen for å hoppe over tidligere samsvarende sykluser og sammenligne malbiblioteket med bare de uovertrufne syklusene.
      MERK: Dette er nyttig når du legger til flere maler i malbiblioteket for større samsvarsdekning, siden behandlingstiden er kortere.
6. Velg ønsket samsvarsmetode. Når du velger flere samsvarsområder og hele sykluser, bruker du malen som i gjennomsnitt samsvarer best med syklusen, for å plassere merkene. Når Region brukes, for å få best mulig samsvar for hvert samsvarsområde, plasserer du merkene fra forskjellige maler.
7. Velg OK for å utføre analysen.
   Merk: Ytterligere malsykluser kan legges til i malbiblioteket, og malanalysen kan kjøres på nytt til ønsket dialogmatch% er oppnådd. Hvis du gjør dette, justeres bølgene i alle syklusene som samsvarer med malen.
8. Lagre malbiblioteker gjennom maler / lagre når gjennomgangsøkten er lukket.
9. Hvis du vil oppdage arytmi ved hjelp av malsamsvar, merker du maler som har en annen morfologi enn de fysiologiske bølgene etter å ha gjort malen, (som beskrevet i avsnitt 3.1) ved å høyreklikke og velge Legg til malkode, og velge en type syklus (f.eks. atriell ektopisk, ventrikulær ektopisk). Analyser disse kodene ved hjelp av Data Insights.

4. Deteksjon av arytmi: en forenklet manuell tilnærming ved hjelp av Data Insights

MERK: For arytmianalyse er det nødvendig med en korrekt merknad av P- og R-bølger. Men selv om klare P-bølger er synlige i EKG-sporingen, blir disse P-bølgene noen ganger ikke tilstrekkelig identifisert selv etter justering av attributtinnstillingene . Siden R-bølger vanligvis er tilstrekkelig anerkjent og kommentert, foreslås en praktisk tilnærming for videre arytmianalyse ved hjelp av Data Insights nedenfor. For en generell oversikt over arytmideteksjon ved hjelp av Data Insights og dens forhåndsdefinerte artsspesifikke søk, kan den interesserte leseren henvises til Mehendale et ^al.13.

1. Åpne Data Insights ved å klikke på Experiment/Data Insights.
   1. Vær oppmerksom på Søk-panelet øverst i dialogboksen Datainnsikt .
      MERK: Til venstre i panelet vises hvilken søkeregel som brukes på hvilken kanal/emne og antall treff ved hjelp av denne søkeregelen. I midten er alle søkereglene oppført, og til høyre vises den spesifikke definisjonen av en valgt søkeregel.
   2. Vær oppmerksom på resultatpanelet som vises i den nedre delen av søkepanelet .
      MERK: For hvert søketreff vises den tilsvarende EKG-delen (øverst) sammen med en tabell som angir tidspunktet i registreringen og resultatene av hver søkeparameter (i midten).
   3. Vær oppmerksom på antall søketreff som vises som et histogram nederst i panelet.
2. Gitt at den normale hjertefrekvensen til en mus er 500-724/min¹⁴, definer en søkeregel bradykardi for å oppdage bradykardi.
   1. Høyreklikk i søkelisten, og velg Opprett nytt søk for å åpne dialogboksen Søkeoppføring .
   2. Høyreklikk i den hvite boksen, og velg Legg til ny setningsdel.
   3. Bruk rullegardinmenyene og tekstfeltene til å definere søkeregelen Bradycardia-single som Value(HR _cyc0) < 500. Klikk på OK for å legge til denne søkeregelen i listen. Bruk denne søkeregelen ved å klikke og dra den til kanalen av interesse til venstre.
      MERK: Søkeregelen Bradycardia-single identifiserer hvert enkelt RR-intervall som er lengre enn 120 ms (= mindre enn 500/min.).
   4. Siden bradykardi krever mer enn ett langt RR-intervall, definerer du en ekstra søkeregel bradykardi som serie(bradykardi-singel, 1)>=20. Klikk på OK for å legge til denne søkeregelen i listen. Bruk denne søkeregelen ved å klikke og dra den til kanalen av interesse til venstre.
      MERK: I resultatpanelet vises hver del i EKG-registreringen som består av minst 20 QRS-komplekser med en hjertefrekvens mindre enn 500/min.
   5. For å bekrefte bradykardi og avvise falske resultater (f.eks. på grunn av undersensing av R-bølger), gjennomgå hvert resultat manuelt. Venstreklikk på bølgeformen, og trykk STRG + R for å avvise det valgte resultatet, som forsvinner fra resultatlisten.
      MERK: De avviste resultatene lagres under Resultat / Avvis.
3. Hvis du vil oppdage takykardi, definerer du en søkeregel takykardi.
   1. Høyreklikk i søkelisten, og velg Opprett nytt søk for å åpne dialogboksen Søkeoppføring .
   2. Høyreklikk i den hvite boksen, og velg Legg til ny setningsdel.
   3. Bruk rullegardinmenyene og tekstfeltene til å definere søkeregelen Takykardi-singel som Verdi(HR _cyc0)>724. Klikk på OK for å legge til denne søkeregelen i listen. Bruk denne søkeregelen ved å klikke og dra den til kanalen av interesse til venstre.
      MERK: Søkeregelen Takykardi-singel identifiserer hvert enkelt RR-intervall som er kortere enn 82 ms (= mer enn 724 /min).
   4. Siden takykardi krever mer enn ett kort RR-intervall, definerer du en ekstra søkeregel Takykardi som Serie(Takykardi-singel, 1)>=20. Klikk på OK for å legge til denne søkeregelen i listen. Bruk denne søkeregelen ved å klikke og dra den til kanalen av interesse til venstre.
      MERK: Resultatpanelet viser hver seksjon i EKG-opptaket som består av minst 20 QRS-komplekser med en hjertefrekvens på mer enn 724/min.
   5. For å bekrefte takykardi og avvise falske resultater (f.eks. på grunn av oversensing av R-bølger), gjennomgå hvert resultat manuelt. Venstreklikk på bølgeformen og bruk snarveien STRG + R for å avvise det valgte resultatet, som forsvinner fra resultatlisten.
4. Hvis du vil oppdage sinoatriale og atrioventrikulære blokker, definerer du en søkeregel Pause.
   1. Høyreklikk i søkelisten, og velg Opprett nytt søk for å åpne dialogboksen Søkeoppføring .
   2. Høyreklikk i det hvite panelet, og velg Legg til ny setningsdel.
   3. Bruk rullegardinmenyene og tekstfeltene til å definere søkeregelen Pause som Value(RR-I_cyc0)>300. Klikk på OK for å legge til denne søkeregelen i listen. Bruk denne søkeregelen ved å klikke og dra den til kanalen av interesse til venstre.
      MERK: Resultatpanelet viser hver del i EKG-opptaket med en pause på minst 300 ms.
   4. For å bekrefte en pause, for å avgjøre om pausen er en sinoatrial eller atrioventrikulær blokk, og for å avvise falske resultater (f.eks. på grunn av undersensing av R-bølge), gjennomgå hvert resultat manuelt. Venstreklikk på bølgeformen, og trykk STRG + R for å avvise det valgte resultatet, som forsvinner fra resultatlisten.
   5. Hvis du vil oppdage ektopisk rytme, kjører du malen samsvarer med disse rytmene først (f.eks. ventrikkelektopisk), og deretter søker du etter alle samsvarende sykluser til denne malen i Data Insights.
5. Høyreklikk i søkelisten, og velg Opprett nytt søk for å åpne dialogboksen Søkeoppføring .
   1. Høyreklikk i den hvite boksen, og velg Legg til ny setningsdel.
   2. Klikk på Verdi ved hjelp av rullegardinmenyen, og velg Mal. På høyre side velger du taggen til den tidligere opprettede malen.
      MERK: Resultatpanelet viser hver del i EKG-opptaket med syklusen som samsvarer med malen.
   3. For å bekrefte resultatene og avvise falske resultater (f.eks. på grunn av undersensing av R-bølger), gjennomgå hvert resultat manuelt. Venstreklikk på bølgeformen og trykk STRG+R for å avvise en bestemt syklus, som forsvinner fra resultatlisten.
      MERK: Alle søkeutsagn som opprettes, kan importeres og lagres med passende filnavn. Alle resultattabeller kan lagres og eksporteres i regneark / ASCII-utdataformat for videre statistisk analyse.

Representative Results

Registrering av langsiktige EKG-er resulterer i enorme datasett. Mulighetene for videre analyser er mangfoldige og avhenger av det enkelte forskningsprosjekt. Denne protokollen gir en beskrivelse av noen svært grunnleggende avlesninger som kan brukes av de fleste forskere, spesielt for screeningeksperimenter, for eksempel når man karakteriserer en transgen muselinje eller når man undersøker effekten av en bestemt behandling i en sykdomsmodell. Et tidligere prosjekt involverte studiet av en ny legemiddelkandidat for å avgjøre om den hadde kardiotoksiske effekter ved å analysere EKG-parametere over tid. Telemetrisendere ble implantert 20 dager før behandling, og EKG-registreringer ble startet 10 dager før behandling for å muliggjøre tilstrekkelig sårheling og akklimatisering av musen. Før behandling ble EKG studert hver tredje dag; I løpet av den første uken etter behandling ble EKG studert hver dag, hvoretter EKG ble analysert hver syvende dag til slutten av registreringen tre uker etter behandlingen.

Denne tilnærmingen tillot påvisning av perioder med redusert hjertefrekvens, økt atrioventrikulær (PR-intervall) og ventrikulær (QRS-varighet) ledning, samt endret repolarisering (QTc-intervall) hos mus behandlet med det nye legemidlet som vist i figur 5. Dette første trinnet fungerte som en "screening" som tillot identifisering av tidsperioder i opptaket som potensielt inneholdt arytmier. En mer detaljert undersøkelse av EKG viste sinuspauser som medførte redusert hjertefrekvens to dager etter behandling og ulike grader av atrioventrikulære (AV) blokader som forårsaket redusert hjertefrekvens seks dager etter behandling. Sistnevnte funn ble videre støttet av de forlengede PR-intervallene på dette tidspunktet. For å oppnå disse EKG-parametrene bør 20 QRS-komplekser analyseres per tidspunkt og kan derfor ikke oppdage paroksysmale arytmiepisoder ved andre tidspunkter.

For å løse dette problemet anbefales det å spesifikt søke etter episoder med bradykardi og takykardi, samt pauser ved hjelp av ECG Pro-modulen etterfulgt av manuell gjennomgang av oppdagede episoder. Denne tilnærmingen gjør det mulig å oppdage alle relevante arytmier og bestemme den spesifikke typen arytmi i hele opptaket. For eksempel ble det oppdaget en takykardi-episode i denne studien, som ble identifisert som en atrieflimmer.

Som tidligere demonstrert, tillater denne tilnærmingen videre bestemmelse av tidsforløpet for arytmiforekomst, for eksempel tiden til første AV-blokk etter makrofaguttømming¹⁴. Representative spor, som vist i figur 6, er oppnådd som beskrevet ovenfor (figur 6A: normal sinusrytme; Figur 6B: sinus pause; Figur 6C: AV-blokk I°, figur 6D: AV-blokk II° type Mobitz 1; Figur 6E: AV-blokk II° type Mobitz 2; Figur 6F: AV-blokk III°; Figur 6G: atrieflimmer).

Figur 1: Laste inn og gjennomgå data i Ponemah. (A) Last inn gjennomgang Dat-dialog som gir en oversikt over alle musene og signalene som er registrert i det lastede eksperimentet. (B) Grafoppsettdialog for å angi grafiske vinduer som gir både rådata (f.eks. EKG-signaler) og avledede parametere. Vennligst klikk her for å se en større versjon av denne figuren.

Figur 2: Maloppsett i Ponemah . (A) Vinduet Oppsett av mal for å konfigurere og velge et nytt eller bla gjennom allerede konfigurert malbibliotek. (B) Diagramoppsettside for Malinnstillinger. Vennligst klikk her for å se en større versjon av denne figuren.

Figur 3: EKG-sporinger. (A) Skjermbilde av vinduene som inneholder EKG-sporet; (B) hjertefrekvensplott; og (C) Malvindu. Vennligst klikk her for å se en større versjon av denne figuren.

Figur 4: Analyse av attributter til en EKG-sporing. (A) Dialogboksen EKG-analyseattributter. Øverst i denne dialogboksen tillater flere faner (QRS, PT, Avansert, Støy, Merker, Notater, Presisjon) justering av forskjellige innstillinger. Innstillingene presenteres i den midtre delen av dialogboksen. Nederst i dialogboksen vises EKG-sporing i bølgeformvinduet. Øverst i bølgeformvinduet vises EKG-sporingen; nederst vises derivatet av EKG-sporingen, inkludert en visualisering av innstillingstersklene ovenfor. I eksemplet som presenteres her, defineres en QRS-deteksjonsterskel på 40%, som indikeres av den rosa bakgrunnen nederst. (B) Dialogboks for malanalyse: Velg ønsket mal samsvarsregion som alle andre EKG-sykluser skal sammenlignes med. I dette eksemplet er T-bølgen valgt som samsvarsområde for analyse med et minimumssamsvar på 85 %. Dette betyr at hvis T-regionen ikke samsvarer med minst 85 % sikkerhet, merkes ikke syklusen som en kamp. Vennligst klikk her for å se en større versjon av denne figuren.

Figur 5: Grunnleggende EKG-parametere over tid i en kohort av legemiddelintervensjon. Blått panel: nattetid, gult panel: dagtid. Fra venstre til høyre: Hjertefrekvens, PR-intervall, QRS-varighet, QTc-intervall. Vennligst klikk her for å se en større versjon av denne figuren.

Figur 6: Representative EKG-spor. (A) Normal sinusrytme, (B) sinuspause, (C) AV-blokk I°, (D) AV-blokk II° type Mobitz 1, (E) AV-blokk II° type Mobitz 2, (F) AV-blokk III°, (G) atrieflimmer. Skala barer = 100 ms. Forkortelse: AV = atrioventrikulær. Vennligst klikk her for å se en større versjon av denne figuren.

Figur 7: Analyseflytskjema. Forkortelse: HR = hjertefrekvens. Vennligst klikk her for å se en større versjon av denne figuren.

Discussion

Overflate-EKG er det primære diagnostiske verktøyet for pasienter som lider av hjerterytmeforstyrrelser, og gir innsikt i mange elektrofysiologiske fenomener. Likevel krever tilstrekkelig analyse av hjerteoverflate-EKG-patologier kunnskap og definisjon av normale fysiologiske parametere. Mange års epidemiologisk forskning har ført til bredt samtykke til hva som er fysiologisk hos mennesker og dermed gjort det mulig for leger over hele verden å tydelig skille patologisk. Analysen av overflate-EKG-data er imidlertid en stor utfordring i murine modeller; Det kan være vanskelig å skille mellom fysiologiske og patologiske EKG-resultater på grunn av ufullstendig forståelse og definisjon av grunnleggende EKG-parametere^15,16. I 1968 var Goldbarg og medarbeidere de første til å beskrive EKG hos friske mus¹⁷. Foruten å vise hjertefrekvens og grunnleggende EKG-mønstre, som PR-intervall og QRS-varighet, beskrev de store forskjeller mellom bedøvede og våkne dyr og forskjeller mellom ulike anestetika og forskjellige murine raser, som senere ble bekreftet av andre grupper^16,17.

Disse tidlige dataene understreker hvorfor tolkning av murine EKG-data er delikat og komplisert. Med økende interesse for murine modeller for arytmi forskning i de siste tiårene, har mer forskning vært fokusert på mus elektrofysiologi og har generert bevis på mønstre av aktivering og repolarisering i musehjertet. Den interesserte leser kan henvises til en fersk artikkel av Boukens og medarbeidere for en detaljert gjennomgang av murine EKG og dens underliggende strømmer¹⁵. Kaese og medarbeidere ga en oversikt over murine EKG-standardverdier og store forskjeller mellom humane og murine EKG-spor¹⁸. Den første store forskjellen er hjertefrekvens: friske våkne mus har en hjertefrekvens på 550-725 slag per minutt, PR-intervaller på 30-56 ms, en QRS-varighet på 9-30 ms og en repolariseringsfase som er svært forskjellig fra den som observeres hos mennesker¹⁴. Videre viser murine EKG regelmessig forekomsten av J-bølger og en liten og mindre karakteristisk T-bølge, noe som gjør analyse av ST-segmentet og QT-intervallet vanskelig^18,19. Samlet sett har murine modeller blitt den mest brukte modellorganismen for kardiovaskulær forskning, inkludert arytmier⁸.

Med tanke på de ovenfor beskrevne forskjellene mellom arter som sannsynligvis også påvirker arytmogenese, kan disse modellene gi verdifull innsikt. Analysen av grunnleggende EKG-parametere, for eksempel hjertefrekvens og varighet av forskjellige intervaller, kan gjøres pålitelig ved hjelp av programvare som Ponemah, LabChart eller ECGAuto blant mange andre med sine respektive analysealgoritmer. Eksempler på datavisning er vist i figur 5. Arytmideteksjon er imidlertid langt mer delikat, og det finnes ingen allment etablerte tilnærminger for murine langsiktig EKG-analyse for arytmier. Ulike tilnærminger har blitt brukt for å overvinne de tekniske og metodologiske vanskelighetene forbundet med arytmideteksjon av langsiktige EKG-opptak hos mus. Disse tilnærmingene spenner fra bare å bruke korte opptak for manuell analyse for arytmier²⁰ til enkle hensyn som aksepterer unøyaktighet som beskrevet av Thireau et ^al.21. Disse forskerne utførte hjertefrekvensvariabilitetsanalyse ved ganske enkelt å ekskludere alle deler av opptaket med R-R-intervaller som ikke finnes i området for det gjennomsnittlige R-R-intervallet ± 2 standardavvik for å utelukke alle arytmier, ektopiske beats og gjenstander uten manuell gjennomgang. Dette er årsaken til denne semimanuelle tilnærmingen ved hjelp av Ponemah og dens påfølgende analysemoduler, EKG Pro og Data Insights. Denne programvareløsningen kan brukes til å analysere et bredt spekter av fysiologiske signaler, alt fra EKG hos store pattedyr til blodtrykks- eller temperaturdata hos svært små arter.

Programvaren kommer med mange ressurser på hvordan å analysere ulike typer data. Likevel, selv om det fungerer ganske bra med EKG-signaler fra større dyr, kan den lave signalamplituden og derfor høy støy fra signaler avledet fra arter, som levende og våkne mus, føre til en rekke vanskeligheter med å bruke en felles tilnærming til analyse. Støy vil ofte maskere P- eller T-bølger og dermed deaktivere bruken av de fleste forhåndsdefinerte søkereglene i Data Insights. Det må tas hensyn til å definere optimale verdier for QRS-deteksjonsterskelen og å beholde attributtverdiene som brukes til å identifisere QRS-komplekser og skille mellom klare sykluser og støyhendelser. En høy prosentandel av QRS-deteksjonsterskelen kan føre til undersensing (dvs. noen R-bølger kan ikke oppdages), mens en lav prosentandel kan føre til oversensing (dvs. andre topper, som T-bølger, kan feiltolkes som R-bølger). Videre er spesifikke spørsmål i arytmiforskning hos mus forståelig nok ikke hovedtemaet for materialene som tilbys av DSI, og det kan være vanskelig å finne spesifikk informasjon. Innenfor denne protokollen brukes en enkel og pragmatisk tilnærming til å definere forskjellige arytmier som ekstrapolerer etablerte menneskelige definisjoner.

For eksempel, i menneskelige langsiktige EKG-data, anses en pause lengre enn 3 s som signifikant²². Dette resulterer i en menneskelig hjertefrekvens på 20/min., som representerer en tredjedel av den minste fysiologiske hjertefrekvensen på 60/min. Som beskrevet av Kaese et ^al.18, er murine minimum fysiologisk hjertefrekvens lik 550/min., noe som gjør 200/min. omtrent en tredjedel av den hastigheten. Ifølge den menneskelige definisjonen kan pauser på mer enn 0,3 s antas å være signifikante hos mus. Videre er det en enkel og pragmatisk tilnærming å beskrive forskjeller i basisparametere som relative endringer i den respektive kontrollen. Dette tar hensyn til forskjellene mellom individuelle muselinjer og er en elegant måte å identifisere den sannsynlige patologiske uten å stole på (ofte mangler) etablerte normale verdier. Denne enkle tilnærmingen, oppsummert i figur 7, passer for alle grupper som studerer hjertearytmier i murine modeller ved hjelp av implanterbare telemetrienheter. Det fører til evaluering av generelle EKG-parametere, samt data om hjertefrekvens over tid og påvisning av et bredt spekter av arytmier. Derfor forsøker denne artikkelen å gi en trinnvis tilnærming til EKG- og arytmianalyse og legger betydelig til veiledningen og manualene som allerede er publisert.

Materials

Name	Company	Catalog Number	Comments
Ponemah Software	Data Science international		ECG Analysis Software