BSO-AD: An Ontology for Representing and Harmonizing Behavioral Social Knowledge in ADRD

Die Studie stellt BSO-AD vor, die erste Ontologie, die Verhaltens- und Sozialfaktoren systematisch im Kontext von Alzheimer und verwandten Demenzerkrankungen (ADRD) modelliert, um deren komplexe Wechselwirkungen für die computergestützte Wissensintegration und Prävention zu harmonisieren.

Das Wesentliche

🧩 Die große Puzzle-Lösung für das Gedächtnis

Stellen Sie sich vor, Alzheimer und andere Demenzerkrankungen (ADRD) sind wie ein riesiges, chaotisches Puzzle, das niemand vollständig zusammenfügen kann. Warum? Weil die Teile aus verschiedenen Kisten kommen.

Einige Teile beschreiben die Biologie (welche Gene sind schuld, welche Zellen sterben?). Andere Teile beschreiben das Leben der Menschen (essen sie gesund? Haben sie Freunde? Sind sie arm oder reich?).

Das Problem: Diese beiden Kisten sind bisher getrennt. Die Biologen sprechen eine Sprache, die Sozialwissenschaftler nicht verstehen, und umgekehrt. Es ist, als würde ein Koch versuchen, einen Kuchen zu backen, aber er hat nur die Zutaten für den Teig, aber keine für die Füllung – oder er hat beides, aber in zwei verschiedenen Sprachen geschrieben.

🏗️ Was haben die Forscher gemacht? (Die „Übersetzer-Maschine")

Die Forscher vom Mayo Clinic haben ein digitales Werkzeug namens BSO-AD gebaut. Man kann sich das wie einen super-intelligenten Übersetzer und Ordnungsfachmann vorstellen.

1. Das Ziel: Sie wollten eine einzige, große Landkarte erstellen, die zeigt, wie unser Lebensstil (Essen, Bewegung, Einsamkeit, Geld) direkt mit dem Schicksal unseres Gehirns zusammenhängt.
2. Die Methode: Sie haben keine neue Sprache von Grund auf erfunden. Stattdessen haben sie bestehende, bewährte Wörterbücher (andere wissenschaftliche Datenbanken) genommen und sie wie LEGO-Steine zu einem riesigen, zusammenhängenden Gebäude verbunden.
   • Sie nahmen die Steine für „Soziales Leben" (wie Armut oder Bildung).
   • Sie nahmen die Steine für „Medizin und Gene".
   • Und sie fügten neue Verbindungsstücke hinzu, um zu zeigen: „Aha! Wenn jemand einsam ist (Soziales), dann passiert im Gehirn genau das und das (Medizin)."

🤖 Der neue Helfer: Die KI als Qualitätsprüfer

Früher mussten Experten stundenlang sitzen und prüfen, ob die Verbindungen in so einer Datenbank Sinn ergeben. Das ist mühsam und langsam.

In dieser Studie haben die Forscher etwas Neues ausprobiert: Sie haben Künstliche Intelligenz (KI) als Prüfer eingesetzt.

• Die Analogie: Stellen Sie sich vor, Sie haben einen riesigen Berg Bücher über Demenz. Ein Mensch könnte vielleicht 100 Bücher lesen und prüfen, ob die Regeln stimmen. Die KI (ein „Super-Leser") kann in Sekunden Millionen von Texten durchsuchen.
• Die KI hat gelesen: „Haben wir in unserer Datenbank wirklich alle wichtigen Begriffe?" und „Sind die Verbindungen logisch?"
• Das Ergebnis: Die KI bestätigte, dass die Datenbank sehr gut strukturiert ist und fast alles abdeckt, was in der Wissenschaft aktuell bekannt ist.

🌟 Warum ist das so wichtig? (Die „Brücke")

Vorher war es wie ein Verkehrskollaps: Die Autos (Daten) von der einen Seite (Soziales) kamen nicht auf die andere Seite (Medizin) an, weil die Brücke fehlte.

Mit BSO-AD haben sie die Brücke gebaut.

• Für Ärzte: Sie können jetzt besser verstehen, warum ein Patient mit wenig Bildung vielleicht ein höheres Demenzrisiko hat, und nicht nur auf die Medikamente schauen.
• Für Forscher: Sie können riesige Datenmengen aus Krankenhäusern und Umfragen automatisch analysieren, um neue Heilungsmethoden zu finden.
• Für uns alle: Es hilft, bessere Gesundheitsratschläge zu geben. Nicht nur „Bewegen Sie sich mehr", sondern „Hier ist genau, wie Bewegung, soziale Kontakte und Ernährung zusammenarbeiten, um Ihr Gehirn zu schützen."

Zusammenfassung in einem Satz

Die Forscher haben eine digitale Brücke gebaut, die unser soziales Leben und unsere Biologie miteinander verbindet, damit wir Alzheimer endlich ganzheitlich verstehen und bekämpfen können – und sie haben dabei einen KI-Assistenten benutzt, um sicherzustellen, dass die Brücke stabil ist.

Das ist ein riesiger Schritt von „verstreuten Hinweisen" hin zu einem klaren Gesamtbild.

Technische Zusammenfassung

Titel: BSO-AD: Eine Ontologie zur Repräsentation und Harmonisierung von Verhaltens- und Sozialwissen bei ADRD

Zusammenfassung:
Der Artikel stellt BSO-AD (Behavioral Social Data and Knowledge Ontology for ADRD) vor, die erste Ontologie, die systematisch Verhaltens- und soziale Faktoren (BSFs) im Kontext von Alzheimer-Krankheit und verwandten Demenzen (ADRD) formalisiert. Das Ziel ist die Überwindung der Fragmentierung heterogener Datenquellen, um die computergestützte Analyse und evidenzbasierte Prävention zu ermöglichen.

---

1. Problemstellung

Verhaltens- und soziale Faktoren (BSFs) wie körperliche Aktivität, sozioökonomischer Status oder soziale Isolation spielen eine entscheidende Rolle bei Risiko, Verlauf und Outcome von ADRD. Dennoch bestehen erhebliche Herausforderungen bei der Integration dieses Wissens:

• Heterogenität der Datenquellen: BSF-Daten stammen aus strukturierten Quellen (EHRs, Umfragen) und unstrukturierten Quellen (klinische Narrative, Literatur), die oft inkonsistente Standards und Wertesätze verwenden.
• Fehlende Interoperabilität: Bestehende Ontologien sind oft in Silos organisiert. Spezifische ADRD-Ontologien (z. B. DROADO, ADO) fokussieren sich auf biologische und klinische Aspekte, während Ontologien für soziale Determinanten (z. B. SDoHO) die Verbindung zu ADRD nicht ausreichend abbilden.
• Mangel an Mechanismen: Es fehlt an einem Rahmenwerk, das sowohl direkte als auch mechanistische (biologisch vermittelte) Zusammenhänge zwischen sozialen Faktoren und neurodegenerativen Erkrankungen formalisiert.

2. Methodik

Die Entwicklung von BSO-AD folgte etablierten Prinzipien des biomedizinischen Ontologie-Engineerings (OBO Foundry, FAIR-Prinzipien) unter Verwendung von OWL2 (Web Ontology Language).

• Wiederverwendung und Modularität:
  • SDoHO (Social Determinants of Health Ontology) wurde als Basis für BSFs genutzt.
  • DROADO (Drug-Repurposing Oriented Alzheimer's Disease Ontology) und AD-Onto (für neuropsychologische Tests) wurden für ADRD-spezifisches biologisches und klinisches Wissen integriert.
  • TEO (Time Event Ontology) wurde für zeitliche Dimensionen hinzugefügt.
• Erweiterung durch klinische Kodierung:
  • Um die Interoperabilität mit elektronischen Gesundheitsakten (EHR) zu gewährleisten, wurden ICD-10-CM Z-Codes (Z55–Z65) für soziale Determinanten integriert.
  • ICD-9-CM und ICD-10-CM Codes für ADRD wurden ebenfalls eingebunden.
  • Mehrdeutige ICD-Kategorien (z. B. "nicht spezifiziert") wurden durch Annotationseigenschaften (skos:narrower) präzise den übergeordneten Ontologie-Klassen zugeordnet.
• Beziehungsdesign (Properties):
  • Direkte Assoziationen: Basierend auf Literatur-Mining und UMLS-Semantik-Netzwerken wurden 32 Objekt-Properties definiert (z. B. increasesRiskOf, affectsDiseaseCourse, temporallyRelatedTo).
  • Indirekte (mechanistische) Assoziationen: Ein mehrstufiges Framework modelliert den Einfluss von BSFs über Zwischenknoten (Gene, Pathways, Pathologien) auf ADRD.
• Evaluation:
  • Experten-Review: Nutzung des Tools Hootation zur semantischen Validierung durch zwei Domain-Experten (Bereinigung von Inkonsistenzen wie falschen Eltern-Kind-Beziehungen).
  • LLM-gestützte Automatisierung: Ein neu entwickelter Framework nutzte mehrere Large Language Models (Llama4, Qwen3, MedGemma) zur automatisierten Evaluation:
    • Korpus-Konstruktion: Selektion relevanter PubMed-Artikel.
    • Konzept-Extraktion: Identifikation von BSFs und ADRD-Entitäten.
    • Metriken: Berechnung von Coverage (Abdeckung), Completeness (Vollständigkeit), Conciseness (Prägnanz) sowie semantischer Ähnlichkeitsmetriken (CSS, PSS, PDA) mittels Embeddings (ClinicalBERT).

3. Key Contributions (Hauptbeiträge)

1. Erste systematische Ontologie: BSO-AD ist die erste Ontologie, die BSFs und ADRD in einem kohärenten, hierarchischen Rahmen vereint.
2. Multi-Layer-Beziehungsrahmen: Unterscheidung zwischen direkten Assoziationen und indirekten, biologisch vermittelten Pfaden (Gene/Pathways), was eine tiefere mechanistische Analyse ermöglicht.
3. Innovative Evaluationspipeline: Entwicklung eines skalierbaren, datengesteuerten Frameworks zur Ontologie-Evaluation unter Nutzung von LLMs, das traditionelle manuelle Prozesse ergänzt und automatisiert.
4. Interoperabilität: Nahtlose Integration von klinischen Standards (ICD-10-CM) und bestehenden Ontologien für direkte Anwendbarkeit in EHR-Systemen.

4. Ergebnisse

• Umfang: Die aktuelle Version enthält 2.275 Klassen, 153 Objekt-Properties und 49 Daten-Properties.
• Qualitätssicherung (Experten):
  • Hohe rationale Übereinstimmung (0,95) und Inter-Evaluator-Übereinstimmung (0,96).
  • Konflikte (z. B. falsche Klassifizierung von "Nicht-Raucher" als Unterklasse von "Raucher") wurden durch Diskussion und Umstrukturierung behoben.
• LLM-Evaluation:
  • Kategorie-Abdeckung (Coverage Rate): Sehr hoch (≥ 0,97) über alle BSF-Kategorien hinweg, was zeigt, dass fast alle literaturbasierten Konzepte in der Ontologie abgebildet sind.
  • Vollständigkeit (Completeness): Durchschnittlich 0,79 (hohe Übereinstimmung zwischen Ontologie und Literatur).
  • Prägnanz (Conciseness): Durchschnittlich 0,94 (die meisten Ontologie-Klassen haben ein korrespondierendes Konzept in der Literatur).
  • Semantische Kohärenz: Die Metriken CSS (Child Similarity Score) und PSS (Parent-Child Similarity Score) zeigten eine stabile Hierarchie. Die Kategorie "Nachbarschaft" schnitt am besten ab, während "Ernährung" (Food) aufgrund semantischer Heterogenität der Unterklassen Optimierungsbedarf aufwies (erkennbar durch Quadrant-Plots).

5. Bedeutung und Ausblick

BSO-AD schafft eine semantische Rückgratstruktur für die computergestützte Analyse von ADRD. Sie ermöglicht:

• Die Harmonisierung heterogener Datenquellen (EHR, Literatur, Surveys).
• Die Durchführung von KI-gestützten Studien zur Identifikation von Risikofaktoren und Interventionsmöglichkeiten.
• Die Entschlüsselung biologischer Mechanismen, durch die soziale Faktoren die Demenz beeinflussen.

Zukünftige Arbeiten umfassen die Erweiterung um ICD-11-Codes, die Integration von EHR-Daten im großen Maßstab und die Verfeinerung des LLM-Evaluationsframeworks durch "Human-in-the-Loop"-Prozesse und fortschrittlichere proprietäre Modelle.

Der Code und die Ontologie werden nach Veröffentlichung des Papers öffentlich auf GitHub verfügbar gemacht.