Summary

Analysere langsiktige elektrokardiografiopptak for å oppdage arytmier hos mus

Published: May 23, 2021
doi:

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 mus11,12. 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 Start Ponemah 6.42 programvare, og bekreft brukernavnet og serienummeret til programvarelisensen på følgende skjermbilde ved å klikke på Fortsett. Last inn eksperimentet som inneholder EKG av interesseHvis 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.Velg <strong…

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 legemiddelkandi…

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 e…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Dette arbeidet ble støttet av German Research Foundation (DFG; Clinician Scientist Program In Vascular Medicine (PRIME), MA 2186/14-1 til P. Tomsits og D. Schüttler), Tysk senter for kardiovaskulær forskning (DZHK; 81X2600255 til S. Clauss), Corona Foundation (S199/10079/2019 til S. Clauss), ERA-NET om kardiovaskulære sykdommer (ERA-CVD; 01KL1910 til S. Clauss), Heinrich-and-Lotte-Mühlfenzl Stiftung (til S. Clauss) og China Scholarship Council (CSC, til R. Xia). Finansiørene hadde ingen rolle i utarbeidelsen av manuskriptet.

Materials

Ponemah Software Data Science international ECG Analysis Software

References

  1. 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).
  2. Chugh, S. S., et al. Worldwide epidemiology of atrial fibrillation: a Global Burden of Disease 2010 Study. Circulation. 129 (8), 837-847 (2014).
  3. Dobrev, D., et al. New antiarrhythmic drugs for treatment of atrial fibrillation. Lancet. 375 (9721), 1212-1223 (2010).
  4. 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).
  5. Heijman, J., et al. Cardiac safety assays. Current Opinion in Pharmacology. 15, 16-21 (2014).
  6. 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).
  7. Clauss, S., et al. Animal models of arrhythmia: classic electrophysiology to genetically modified large animals. Nature reviews. Cardiology. 16 (8), 457-475 (2019).
  8. Schüttler, D., et al. Animal models of atrial fibrillation. Circulation Research. 127 (1), 91-110 (2020).
  9. Dobrev, D., et al. Mouse models of cardiac arrhythmias. Circulation Research. 123 (3), 332-334 (2018).
  10. Rosero, S. Z., et al. Ambulatory ECG monitoring in atrial fibrillation management. Progress in cardiovascular diseases. 56 (2), 143-152 (2013).
  11. 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).
  12. McCauley, M. D., et al. Ambulatory ECG recording in mice. Journal of Visualized Experiments : JoVE. (39), e1739 (2010).
  13. 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).
  14. Hulsmans, M., et al. Macrophages facilitate electrical conduction in the heart. Cell. 169 (3), 510-522 (2017).
  15. Boukens, B. J., et al. Misinterpretation of the mouse ECG: ‘musing the waves of Mus musculus. Journal of Physiology. 592 (21), 4613-4626 (2014).
  16. Wehrens, X. H., et al. Mouse electrocardiography: an interval of thirty years. Cardiovascular Research. 45 (1), 231-237 (2000).
  17. Goldbarg, A. N., et al. Electrocardiogram of the normal mouse, Mus musculus: general considerations and genetic aspects. Cardiovascular Research. 2 (1), 93-99 (1968).
  18. Kaese, S., et al. The ECG in cardiovascular-relevant animal models of electrophysiology. Herzschrittmachertherapie und Elektrophysiologie. 24 (2), 84-91 (2013).
  19. Speerschneider, T., et al. Physiology and analysis of the electrocardiographic T wave in mice. Acta Physiologica. 209 (4), 262-271 (2013).
  20. 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).
  21. Thireau, J., et al. Heart rate variability in mice: a theoretical and practical guide. Experimental Physiology. 93 (1), 83-94 (2008).
  22. 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).

Play Video

Cite This Article
Tomsits, P., Chataut, K. R., Chivukula, A. S., Mo, L., Xia, R., Schüttler, D., Clauss, S. Analyzing Long-Term Electrocardiography Recordings to Detect Arrhythmias in Mice. J. Vis. Exp. (171), e62386, doi:10.3791/62386 (2021).

View Video