$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
Arrhythmien sind häufig und betreffen Millionen von Patienten weltweit. Aktuelle Behandlungsstrategien sind mit erheblichen Nebenwirkungen verbunden und bleiben bei vielen Patienten wirkungslos. Um die Patientenversorgung zu verbessern, sind neuartige und innovative Therapiekonzepte erforderlich, die ursächlich auf Arrhythmiemechanismen abzielen. Um die komplexe Pathophysiologie von Arrhythmien zu untersuchen, sind geeignete Tiermodelle notwendig, und Mäuse haben sich als ideale Modellspezies erwiesen, um den genetischen Einfluss auf Arrhythmien zu bewerten, grundlegende molekulare und zelluläre Mechanismen zu untersuchen und potenzielle therapeutische Ziele zu identifizieren.
Implantierbare Telemetriegeräte gehören zu den leistungsfähigsten Werkzeugen zur Untersuchung der Elektrophysiologie bei Mäusen und ermöglichen eine kontinuierliche EKG-Aufzeichnung über einen Zeitraum von mehreren Monaten bei frei beweglichen, wachen Mäusen. Aufgrund der großen Anzahl von Datenpunkten (>1 Million QRS-Komplexe pro Tag) bleibt die Analyse von Telemetriedaten jedoch eine Herausforderung. Dieser Artikel beschreibt einen schrittweisen Ansatz zur Analyse von EKGs und zur Erkennung von Arrhythmien in langfristigen Telemetrieaufzeichnungen mit der Software Ponemah mit ihren Analysemodulen ECG Pro und Data Insights, die von Data Sciences International (DSI) entwickelt wurde. Um grundlegende EKG-Parameter wie Herzfrequenz, P-Wellendauer, PR-Intervall, QRS-Intervall oder QT-Dauer zu analysieren, wurde eine automatisierte Attributanalyse mit Ponemah durchgeführt, um P-, Q- und T-Wellen innerhalb individuell angepasster Fenster um detektierte R-Wellen zu identifizieren.
Die Ergebnisse wurden dann manuell überprüft, so dass einzelne Anmerkungen angepasst werden konnten. Die Ergebnisse der attributbasierten Analyse und der Mustererkennungsanalyse wurden dann vom Data Insights-Modul verwendet, um Arrhythmien zu erkennen. Dieses Modul ermöglicht ein automatisches Screening auf individuell definierte Arrhythmien innerhalb der Aufzeichnung, gefolgt von einer manuellen Überprüfung von vermuteten Arrhythmie-Episoden. Der Artikel diskutiert kurz Herausforderungen bei der Aufzeichnung und Detektion von EKG-Signalen, schlägt Strategien zur Verbesserung der Datenqualität vor und bietet repräsentative Aufzeichnungen von Arrhythmien, die bei Mäusen mit dem oben beschriebenen Ansatz erkannt wurden.