The melanoma cell adhesion molecule defines mesenchymal stromal cells in the human bone marrow that regenerate bone and establish a hematopoietic microenvironment in vivo. The role of the melanoma cell adhesion molecule in primary human mesenchymal stromal cells and the maintenance of hematopoietic stem and progenitor cells during ex vivo culture has not yet been demonstrated. We applied RNA interference or ectopic overexpression of the melanoma cell adhesion molecule in human mesenchymal stromal cells to evaluate the effect of the melanoma cell adhesion molecule on their proliferation and differentiation as well as its influence on co-cultivated hematopoietic stem and progenitor cells. Knockdown and overexpression of the melanoma cell adhesion molecule affected several characteristics of human mesenchymal stromal cells related to osteogenic differentiation, proliferation, and migration. Furthermore, knockdown of the melanoma cell adhesion molecule in human mesenchymal stromal cells stimulated the proliferation of hematopoietic stem and progenitor cells, and strongly reduced the formation of long-term culture-initiating cells. In contrast, melanoma cell adhesion molecule-overexpressing human mesenchymal stromal cells provided a supportive microenvironment for hematopoietic stem and progenitor cells. Expression of the melanoma cell adhesion molecule increased the adhesion of hematopoietic stem and progenitor cells to human mesenchymal stromal cells and their migration beneath the monolayer of human mesenchymal stromal cells. Our results demonstrate that the expression of the melanoma cell adhesion molecule in human mesenchymal stromal cells determines their fate and regulates the maintenance of hematopoietic stem and progenitor cells through direct cell-cell contact.

The melanoma cell adhesion molecule defines mesenchymal stromal cells in the human bone marrow that regenerate bone and establish a hematopoietic microenvironment in vivo. The role of the melanoma cell adhesion molecule in primary human mesenchymal stromal cells and the maintenance of hematopoietic stem and progenitor cells during ex vivo culture has not yet been demonstrated. We applied RNA interference or ectopic overexpression of the melanoma cell adhesion molecule in human mesenchymal stromal cells to evaluate the effect of the melanoma cell adhesion molecule on their proliferation and differentiation as well as its influence on co-cultivated hematopoietic stem and progenitor cells. Knockdown and overexpression of the melanoma cell adhesion molecule affected several characteristics of human mesenchymal stromal cells related to osteogenic differentiation, proliferation, and migration. Furthermore, knockdown of the melanoma cell adhesion molecule in human mesenchymal stromal cells stimulated the proliferation of hematopoietic stem and progenitor cells, and strongly reduced the formation of long-term culture-initiating cells. In contrast, melanoma cell adhesion molecule-overexpressing human mesenchymal stromal cells provided a supportive microenvironment for hematopoietic stem and progenitor cells. Expression of the melanoma cell adhesion molecule increased the adhesion of hematopoietic stem and progenitor cells to human mesenchymal stromal cells and their migration beneath the monolayer of human mesenchymal stromal cells. Our results demonstrate that the expression of the melanoma cell adhesion molecule in human mesenchymal stromal cells determines their fate and regulates the maintenance of hematopoietic stem and progenitor cells through direct cell-cell contact.

Learning Health Systems (LHS) sind sozio-technische Systeme, die gesundheitsbezogene Dienstleistungen erbringen und dabei mit Hilfe von Informationstechnologie neues Wissen aus Daten erzeugen, um die Gesundheitsversorgung kontinuierlich zu verbessern. Durch die zunehmende Digitalisierung des Gesundheitswesens entstehen vielerorts Daten, die zur Gewinnung von Wissen in LHS genutzt werden können. Dies setzt allerdings eine informationstechnische Infrastruktur voraus, die die Daten integriert und geeignete Algorithmen zur Wissensgewinnung bereitstellt. Der verbreitete Ansatz, solche Infrastrukturen in großen Institutionsverbünden zu entwickeln, zeigte bislang nicht den gewünschten Erfolg. Deshalb wurde in dieser Arbeit stattdessen von einer einzelnen Organisationseinheit ausgegangen, der Zentralen Notaufnahme eines Klinikums, und eine informationstechnische Infrastruktur für ein lokales Learning Health System entwickelt. Es wurden dabei Fragestellungen aus den Bereichen Datenintegration und -analyse behandelt. Zum Einen wurde gefragt, wie sich heterogene, semantisch zeitvariante, longitudinale Gesundheitsdaten flexibel auf Datenmodellebene integrieren lassen. Zum Anderen war Untersuchungsgegenstand, wie auf den so integrierten Gesundheitsdaten zwei datenanalytische Anwendungsfälle konkret realisiert werden können: Es wurde erstens untersucht, welche Untergruppen von Patienten mit häufigen Inanspruchnahmen (häufige Wiederkehrer, frequent users) sich ermitteln lassen und welches Wiederkehrrisiko mit bestimmten Diagnosen verbunden ist. Zweitens wurde untersucht, welche Aussagen über das Ankunftsverhalten und die Fallkomplexität von gebrechlichen, älteren Patienten getroffen werden können. Für die Beantwortung der Fragestellungen erfolgte die Datenextraktion und -integration nach dem Data-Warehouse-Ansatz. Es wurden Daten des Krankenhausinformationssystems des Klinikums Osnabrück mit Krankenhausqualitätsdaten, Fallklassifikationsdaten sowie Wetter-, Luftqualitäts- und Verkehrsdaten integriert. Für die Datenintegration wurde das Entity-Attribute-Value/Data Vault-Modell (EAV/DV) als ein neuer Modellierungsansatz entwickelt. Die Datenanalysen wurden mit einem Data-Mining-Verfahren zur Faktorisierung von Patientenmerkmalen sowie statistischen Methoden der Zeitreihenanalyse durchgeführt. Für Wiederkehrer ergaben sich vier distinkte Untergruppen von Patienten. Weiterhin konnte das relative Wiederkehr-Risiko für einzelne Diagnosen geschätzt werden. Zeitreihenanalytisch ergaben sich ausgeprägte Unterschiede im Ankunftsverhalten gebrechlicher, älterer Patienten im Vergleich zu allen übrigen Patienten. Eine höhere Fallkomplexität konnte bestätigt werden, war aber im Allgemeinen nicht tageszeitabhängig. Der Modellierungsansatz (EAV/DV) für longitudinale Gesundheitsdaten erleichterte die Integration heterogener sowie sich zeitlich ändernder Daten durch flexible Datenschemata innerhalb des Data Warehouses. Die datenanalytischen Modelle lassen sich laufend mit neuen Daten aus dem Krankenhausinformationssystem aktualisieren und realisieren damit die Wissensgewinnung aus Daten nach dem LHS-Ansatz. Sie können als Entscheidungsunterstützung für eine bessere personelle Ressourcenplanung und zielgruppengerechte Ansprache von ressourcenintensiven Patienten in der Notaufnahme dienen. Die vorgelegte Implementierung einer IT-Infrastruktur zeigt auf, wie die Wissensgewinnung aus Daten exemplarisch für das lokale Learning Health System der Organisationseinheit Zentrale Notaufnahme umgesetzt werden kann. Die schnelle prototypische Umsetzung und der erfolgreiche Wissensgewinn zu inhaltlichen Fragestellungen belegt, dass der gewählte bottom-up-Ansatz tragfähig ist und sinnvoll weiter ausgebaut werden kann.