Анализ записей долгосрочной электрокардиографии для выявления аритмий у мышей
Summary
Здесь мы представляем пошаговый протокол полуавтоматизированного подхода к анализу данных длительной электрокардиографии (ЭКГ) мышей на основные параметры ЭКГ и распространенные аритмии. Данные получаются имплантируемыми телеметрическими передатчиками у живых и бодрствующих мышей и анализируются с использованием Ponemah и ее аналитических модулей.
Abstract
Аритмии распространены, затрагивая миллионы пациентов во всем мире. Современные стратегии лечения связаны со значительными побочными эффектами и остаются неэффективными у многих пациентов. Для улучшения ухода за пациентами необходимы новые и инновационные терапевтические концепции, причинно нацеленные на механизмы аритмии. Для изучения сложной патофизиологии аритмий необходимы подходящие животные модели, и было доказано, что мыши являются идеальным модельным видом для оценки генетического воздействия на аритмии, исследования фундаментальных молекулярных и клеточных механизмов и выявления потенциальных терапевтических мишеней.
Имплантируемые телеметрические устройства являются одними из самых мощных инструментов, доступных для изучения электрофизиологии у мышей, что позволяет непрерывно записывать ЭКГ в течение нескольких месяцев у свободно движущихся, бодрствующих мышей. Однако из-за огромного количества точек данных (>1 млн QRS-комплексов в сутки) анализ телеметрических данных остается сложной задачей. В этой статье описывается пошаговый подход к анализу ЭКГ и выявлению аритмий в долгосрочных телеметрических записях с использованием программного обеспечения Ponemah с его аналитическими модулями ECG Pro и Data Insights, разработанным Data Sciences International (DSI). Для анализа основных параметров ЭКГ, таких как частота сердечных сокращений, длительность волны P, интервал PR, интервал QRS или длительность QT, был выполнен автоматизированный анализ атрибутов с использованием Ponemah для идентификации волн P, Q и T в индивидуально настроенных окнах вокруг обнаруженных волн R.
Затем результаты были рассмотрены вручную, что позволило скорректировать отдельные аннотации. Выходные данные анализа на основе атрибутов и анализа распознавания образов затем использовались модулем Data Insights для обнаружения аритмий. Этот модуль позволяет автоматически проводить скрининг индивидуально определенных аритмий в записи с последующим ручным обзором эпизодов подозреваемой аритмии. В статье кратко обсуждаются проблемы регистрации и обнаружения сигналов ЭКГ, предлагаются стратегии улучшения качества данных и приводятся репрезентативные записи аритмий, обнаруженных у мышей с использованием подхода, описанного выше.
Introduction
Сердечные аритмии распространены, затрагивая миллионы пациентов во всем мире1. Старение населения характеризуется ростом заболеваемости и, следовательно, серьезным бременем для общественного здравоохранения в результате сердечных аритмий и их заболеваемости и смертности2. Современные стратегии лечения ограничены и часто связаны со значительными побочными эффектами и остаются неэффективными у многих пациентов 3,4,5,6. Срочно необходимы новые и инновационные терапевтические стратегии, которые причинно нацелены на механизмы аритмии. Для изучения сложной патофизиологии аритмий необходимы подходящие животные модели; Было доказано, что мыши являются идеальным модельным видом для оценки генетического воздействия на аритмии, исследования фундаментальных молекулярных и клеточных механизмов и выявления потенциальных терапевтических целей 7,8,9. Непрерывная запись ЭКГ является хорошо зарекомендовавшей себя концепцией в клинической рутине выявления аритмии10.
Имплантируемые телеметрические устройства являются одними из самых мощных инструментов, доступных для изучения электрофизиологии у мышей, поскольку они позволяют непрерывно регистрировать ЭКГ (общий подход заключается в имплантации отведений в положение свинца-II) в течение нескольких месяцев у свободно движущихся, бодрствующих мышей11,12. Однако из-за огромного количества точек данных (до более чем 1 млн комплексов QRS в сутки) и ограниченных знаний мышиных стандартных значений анализ телеметрических данных остается сложной задачей. Общедоступные телеметрические передатчики для мышей служат до 3 месяцев, что приводит к регистрации до 100 миллионов комплексов QRS. Это означает, что прагматические протоколы анализа крайне необходимы для сокращения времени, затрачиваемого на каждый отдельный набор данных, и позволят исследователям обрабатывать и интерпретировать этот огромный объем данных. Чтобы получить чистый сигнал ЭКГ при регистрации, имплантация передатчика должна быть оптимальной – положения проводов должны быть как можно дальше друг от друга, чтобы обеспечить более высокие амплитуды сигнала.
Заинтересованный читатель может быть направлен на протокол McCauley et al.12 для получения дополнительной информации. Кроме того, чтобы свести к минимуму шум, клетки и передатчики должны быть размещены в тихой среде, не подверженной каким-либо помехам, такой как вентилируемый шкаф с контролируемыми факторами окружающей среды (температура, свет и влажность). В течение экспериментального периода позиционирование свинца должно регулярно проверяться, чтобы избежать потери сигнала из-за перфорации свинца или проблем с заживлением ран. Физиологически наблюдается циркадное изменение параметров ЭКГ у грызунов, как и у людей, что создает необходимость стандартизированного подхода к получению исходных параметров ЭКГ из непрерывной записи. Вместо того, чтобы вычислять средние значения параметров ЭКГ за длительный период, следует выполнить анализ ЭКГ в состоянии покоя, аналогичной таковой у людей, для получения основных параметров, таких как частота сердечных сокращений в состоянии покоя, продолжительность волны P, интервал PR, продолжительность QRS или интервал QT / QTc. У человека ЭКГ в состоянии покоя регистрируется в течение 10 с, при нормальной частоте сердечных сокращений 50-100/мин. Эта ЭКГ включает в себя от 8 до 17 комплексов QRS. Анализ 20 последовательных комплексов QRS рекомендуется у мышей как «эквивалент ЭКГ в состоянии покоя». Из-за вышеупомянутого циркадного изменения простой подход заключается в анализе двух ЭКГ в состоянии покоя в день, одной в дневное время и одной в ночное время. В зависимости от цикла включения/выключения света в животноводческом помещении выбирается подходящее время (например, 12 утра/ТЧ) и получаются основные параметры.
Затем график сердечного ритма с течением времени используется для обнаружения соответствующих тахи- и брадикардий, с последовательным ручным исследованием этих эпизодов, чтобы получить первое впечатление. Этот график сердечного ритма затем приводит к важным параметрам максимальной и минимальной частоты сердечных сокращений в течение зарегистрированного периода, а также к вариабельности сердечного ритма с течением времени. После этого набор данных анализируется на предмет аритмий. В этой статье описывается пошаговый подход к получению этих исходных данных ЭКГ из долгосрочных телеметрических записей бодрствующих мышей в течение периода записи до трех месяцев. Кроме того, в нем описывается, как обнаружить аритмии с помощью программного обеспечения Ponemah версии 6.42 с его модулями анализа, ECG Pro и Data Insights, разработанными Data Sciences International (DSI). Эта версия совместима как с Windows 7 (SP1, 64-разрядная версия), так и с Windows 10 (64-разрядная версия).
Protocol
Representative Results
Discussion
Поверхностная ЭКГ является основным диагностическим инструментом для пациентов, страдающих нарушениями сердечного ритма, обеспечивая понимание многих электрофизиологических явлений. Тем не менее, достаточный анализ патологий ЭКГ сердечной поверхности требует знания и определения …
Disclosures
The authors have nothing to disclose.
Acknowledgements
Эта работа была поддержана Немецким исследовательским фондом (DFG; Программа клинического ученого в области сосудистой медицины (PRIME), MA 2186/14-1 для P. Tomsits и D. Schüttler), Немецкий центр сердечно-сосудистых исследований (DZHK; 81X2600255 для S. Clauss), Фонд Короны (S199/10079/2019 для S. Clauss), ERA-NET по сердечно-сосудистым заболеваниям (ERA-CVD; 01KL1910 для S. Clauss), Фонд Генриха и Лотте-Мюльфензла (для S. Клауса) и Стипендиальный совет Китая (CSC, для R. Xia). Спонсоры не играли никакой роли в подготовке рукописи.
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).
