Analyse von Langzeit-Elektrokardiographie-Aufnahmen zum Nachweis von Arrhythmien bei Mäusen
Summary
Hier präsentieren wir ein Schritt-für-Schritt-Protokoll für einen halbautomatischen Ansatz zur Analyse von Daten der murinen Langzeitelektrokardiographie (EKG) für grundlegende EKG-Parameter und häufige Arrhythmien. Die Daten werden von implantierbaren Telemetriesendern in lebenden und wachen Mäusen gewonnen und mit Ponemah und seinen Analysemodulen analysiert.
Abstract
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.
Introduction
Herzrhythmusstörungen sind weit verbreitet und betreffen Millionen von Patienten weltweit1. Die Alterung der Bevölkerung weist eine zunehmende Inzidenz und damit eine erhebliche Belastung für die öffentliche Gesundheit auf, die sich aus Herzrhythmusstörungen und deren Morbidität und Mortalität ergibt2. Aktuelle Behandlungsstrategien sind begrenzt und oft mit erheblichen Nebenwirkungen verbunden und bleiben bei vielen Patienten unwirksam 3,4,5,6. Neue und innovative therapeutische Strategien, die ursächlich auf Arrhythmiemechanismen abzielen, sind dringend erforderlich. Um die komplexe Pathophysiologie von Arrhythmien zu untersuchen, sind geeignete Tiermodelle notwendig; 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 7,8,9. Die kontinuierliche EKG-Aufzeichnung ist ein etabliertes Konzept in der klinischen Routine der Arrhythmieerkennung10.
Implantierbare Telemetriegeräte gehören zu den leistungsfähigsten verfügbaren Werkzeugen zur Untersuchung der Elektrophysiologie bei Mäusen, da sie eine kontinuierliche Aufzeichnung des EKGs (ein üblicher Ansatz besteht darin, die Elektroden in eine Blei-II-Position zu implantieren) über einen Zeitraum von mehreren Monaten in frei beweglichen, wachen Mäusenermöglichen 11,12. Aufgrund der großen Anzahl von Datenpunkten (bis zu mehr als 1 Million QRS-Komplexe pro Tag) und der begrenzten Kenntnis der murinen Standardwerte bleibt die Analyse von Telemetriedaten jedoch eine Herausforderung. Handelsübliche Telemetriesender für Mäuse halten bis zu 3 Monate, was zur Aufzeichnung von bis zu 100 Millionen QRS-Komplexen führt. Dies bedeutet, dass pragmatische Analyseprotokolle dringend benötigt werden, um die Zeit für jeden einzelnen Datensatz zu reduzieren und es den Forschern zu ermöglichen, diese riesige Datenmenge zu verarbeiten und zu interpretieren. Um bei der Aufzeichnung ein sauberes EKG-Signal zu erhalten, muss die Implantation des Senders optimal sein – die Leitungspositionen sollten so weit wie möglich voneinander entfernt sein, um höhere Signalamplituden zu ermöglichen.
Der interessierte Leser kann auf ein Protokoll von McCauley et al.12 verwiesen werden, um weitere Informationen zu erhalten. Um Lärm zu minimieren, müssen Käfige und Messumformer in einer stillen Umgebung aufgestellt werden, die nicht anfällig für Störungen ist, z. B. in einem belüfteten Schrank mit kontrollierten Umgebungsfaktoren (Temperatur, Licht und Feuchtigkeit). Während des Versuchszeitraums muss die Bleipositionierung regelmäßig überprüft werden, um einen Signalverlust aufgrund von Bleiperforation oder Wundheilungsproblemen zu vermeiden. Physiologisch gibt es eine zirkadiane Veränderung der EKG-Parameter bei Nagetieren wie beim Menschen, was die Notwendigkeit eines standardisierten Ansatzes zur Gewinnung von EKG-Basiswerten aus einer kontinuierlichen Aufzeichnung hervorruft. Anstatt Mittelwerte von EKG-Parametern über einen langen Zeitraum zu berechnen, sollte eine Analyse eines Ruhe-EKGs ähnlich dem beim Menschen durchgeführt werden, um grundlegende Parameter wie Ruheherzfrequenz, P-Wellendauer, PR-Intervall, QRS-Dauer oder QT / QTc-Intervall zu erhalten. Beim Menschen wird ein Ruhe-EKG über 10 s bei einer normalen Herzfrequenz von 50-100/min aufgezeichnet. Dieses EKG umfasst 8 bis 17 QRS-Komplexe. Eine Analyse von 20 aufeinanderfolgenden QRS-Komplexen wird in der Maus als “Ruhe-EKG-Äquivalent” empfohlen. Aufgrund der oben erwähnten circadianen Veränderung besteht ein einfacher Ansatz darin, zwei Ruhe-EKGs pro Tag zu analysieren, eines tagsüber und eines nachts. Abhängig vom Licht-Ein-/Ausschaltzyklus in der Tierhaltung werden geeignete Zeiten ausgewählt (z.B. 12:00 Uhr) und Eckwerte ermittelt.
Als nächstes wird ein Herzfrequenzdiagramm im Laufe der Zeit verwendet, um relevante Tachy- und Bradykardie zu erkennen, mit aufeinanderfolgender manueller Untersuchung dieser Episoden, um einen ersten Eindruck zu erhalten. Dieses Herzfrequenzdiagramm führt dann zu den wichtigen Parametern der maximalen und minimalen Herzfrequenz über den aufgezeichneten Zeitraum sowie der Herzfrequenzvariabilität über die Zeit. Danach wird der Datensatz auf Arrhythmien analysiert. Dieser Artikel beschreibt einen schrittweisen Ansatz, um diese Basis-EKG-Daten aus Langzeit-Telemetrieaufzeichnungen von wachen Mäusen über einen Aufzeichnungszeitraum von bis zu drei Monaten zu erhalten. Darüber hinaus wird beschrieben, wie Arrhythmien mit der von Data Sciences International (DSI) entwickelten Software Ponemah Version 6.42 mit ihren Analysemodulen EKG Pro und Data Insights erkannt werden können. Diese Version ist sowohl mit Windows 7 (SP1, 64 Bit) als auch mit Windows 10 (64 Bit) kompatibel.
Protocol
Representative Results
Discussion
Das Oberflächen-EKG ist das primäre Diagnoseinstrument für Patienten mit Herzrhythmusstörungen und gibt Einblicke in viele elektrophysiologische Phänomene. Dennoch erfordert eine ausreichende Analyse von Herzoberflächen-EKG-Pathologien die Kenntnis und Definition normaler physiologischer Parameter. Viele Jahre epidemiologischer Forschung haben zu einer breiten Übereinstimmung darüber geführt, was beim Menschen physiologisch ist, und es Ärzten weltweit ermöglicht, das Pathologische klar zu unterscheiden. Die An…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Diese Arbeiten wurden gefördert durch die Deutsche Forschungsgemeinschaft (DFG; Clinician Scientist Program In Vascular Medicine (PRIME), MA 2186/14-1 an P. Tomsits und D. Schüttler), Deutsches Zentrum für Herz-Kreislauf-Forschung (DZHK; 81X2600255 an S. Clauss), die Corona Foundation (S199/10079/2019 an S. Clauss), das ERA-NET on Cardiovascular Diseases (ERA-CVD; 01KL1910 to S. Clauss), die Heinrich-and-Lotte-Mühlfenzl Stiftung (an S. Clauss) und das China Scholarship Council (CSC, an R. Xia). Die Geldgeber spielten keine Rolle bei der Vorbereitung des Manuskripts.
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).
