Schmerz hat eine komplexe Pathophysiologie, die sich in komplexen und heterogenen klinischen Phänotypen ausdrückt. Dies macht die Erforschung von Schmerz und seiner Behandlung zu einem potenziell datenintensiven Thema, bei dessen Bearbeitung große Mengen komplexer Daten aufgenommen werden. Typische Quellen solcher Daten sind Untersuchungen mit funktioneller Magnetresonanztomographie, komplexen quantitativ-sensorischen Tests, DNA-Sequenzierung, insbesondere dem sog. „next generation sequencing“, oder funktionell-genomischen Forschungsansätzen wie zum Beispiel solchen, die auf die Entdeckung oder Repositionierung von bekannten Arzneimitteln als neue Analgetika gerichtet sind. Die Extraktion von Informationen aus solchen Big Data erfordert datenwissenschaftliche Methoden, die der Informatik mehr als der Statistik zuzuordnen sind. Derzeit richtet sich ein besonderes Interesse auf das maschinelle Lernen, welches Methoden zur Detektion interessanter, insbesondere biologisch aussagekräftiger Strukturen in hochdimensionalen Daten bereitstellt, um sog. Klassifikatoren zu erstellen, die klinische Phänotypen z. B. aus klinischen oder genetischen Merkmalen vorhersagen. Darüber hinaus können diese Methoden zur Wissensentdeckung in großen aus biomedizinischen Datenbanken ausgelesenen Datensätzen verwendet werden, um Hypothesen zu generieren und das derzeitige Wissen über Schmerz zur Entwicklung neuer Analgetika zu nutzen. Dies ermöglicht, in der Schmerzforschung sogenannte DIKW-Ansätze (Daten – Information – Wissen [„knowledge“] – Weisheit) zu verfolgen. In diesem Artikel wird anhand aktueller Beispiele aus der Schmerzforschung ein Überblick über die aktuellen datenwissenschaftlichen Methoden in diesem Forschungsbereich vermittelt.

中文翻译：

---

人体实验疼痛研究中复杂数据集的知识生成

疼痛具有复杂的病理生理学，表现为复杂且异质的临床表型。这使得对疼痛及其治疗的研究成为一个潜在的数据密集型主题，并且处理它涉及摄取大量复杂数据。此类数据的典型来源是功能磁共振成像检查、复杂的定量感官测试、DNA 测序，特别是所谓的“下一代测序”，或功能基因组研究方法，例如那些专注于发现或重新定位已知药物有新的镇痛药。从这样的大数据中提取信息需要数据科学方法，这些方法比统计学更能分配给计算机科学。目前，人们对机器学习特别感兴趣，它提供了检测高维数据中有趣的、特别是具有生物学意义的结构的方法，以创建所谓的分类器，即临床表型 z。B. 从临床或遗传特征预测。此外，这些知识发现方法可用于从生物医学数据库中提取的大型数据集，以生成假设并利用当前有关疼痛的知识来开发新的镇痛药。这使得所谓的 DIKW 方法（数据 - 信息 - 知识）能够在疼痛研究中进行。