X

Neuste Trends, Tipps, Strategien &
Events rund um das Thema Cloud

Schlaflose Nächte – Oracle Autonomous Database hilft, die Ursachen zu erforschen

Unter Schlaflosigkeit leiden viele Millionen von Menschen. Je nach medizinischer Definition der so genannten Insomnie sind es bis zu 30 % der Bevölkerung, die ihren Schlaf als nicht erholsam empfinden und teils schwerste gesundheitliche Probleme davontragen. Das Problem: Die Ursachen sind in vielen Fällen schlicht unbekannt und im Übrigen individuell sehr unterschiedlich.

 

Auf einen Blick: Schlaflose Nächte – Oracle Autonomous Database hilft, die Ursachen zu erforschen

Ursachen und Therapien für Schlaflosigkeit erforschen australische Wissenschaftler mit Data Science und ML auf Grundlage von Oracle Data Warehouse.

 

Inzwischen setzt die medizinische Forschung Machine Learning (ML) ein, um zu untersuchen, was den Schlaf stört. Dank Automatisierungs-Technologie von Oracle können sich die Forscher jetzt weniger auf die Technologie und mehr auf ihre eigentlichen Fragen konzentrieren.

Das ist von entscheidender Bedeutung. Denn die Ärzte können zwar ihren Patienten raten, dass zu einer gesunden Lebensweise gute Ernährung, Bewegung und ausreichend Schlaf gehört, und sie haben auch jede Menge Tipps für Ernährung und körperliche Aktivitäten auf Lager. Deutlich lückenhafter ist dagegen das Wissen über die Ursachen der Schlaflosigkeit, wie sie sich auf den Einzelnen auswirkt und wie man den Betroffenen helfen kann.

 

Effizientere Forschung dank kostengünstiger Cloud-Technologie

Hochentwickelte Data Science wird etwa vom Woolcock Institute of Medical Research in Sydney eingesetzt, um herauszufinden, wie sich die Behandlung auf die Symptome eines Insomnie-Patienten zuschneiden lässt. Konkret untersuchen die Forscher dabei die Gehirnsignale schlafender Patienten, um die Physiologie der Schlaflosigkeit besser zu verstehen.

In einer Stunde – statt bisher über Wochen! – erstellen die Wissenschaftler mithilfe von Oracle Autonomous Data Warehouse ein Datenmodell, obwohl schon früher gemeinsam genutzte Ressourcen von Hochleistungsrechnern dazu verwendet wurden. Durch den Einsatz maschinellen Lernens zur Automatisierung vieler Schritte im datenwissenschaftlichen Prozess können die Forscher am Woolcock Institute jetzt deutlich schneller in die eigentliche Problemlösung einsteigen.

"Mit Oracle müssen wir uns nicht mehr so sehr auf den technischen Teil konzentrieren. Wir können uns viel mehr darum kümmern, was zum Schlafen eigentlich erforderlich ist", sagt Dr. Tancy Kao, Datenwissenschaftlerin am Woolcock Institute. Das Institut ist übrigens ein Netzwerk von mehr als 200 Forschern und klinischen Ärzten, die durch Forschung, klinische Versorgung und Ausbildung weltweit an der Verbesserung des Schlafs und der Gesundheit der Atemwege arbeiten.

Das Institut arbeitet mit Oracle for Research zusammen. Dieses globale Programm bietet Wissenschaftlern, Forschern und Hochschul-Innovatoren kostengünstige Cloud-Technologien, die Teilnahme an der Oracle Research-Anwendergemeinschaft sowie Zugang zum technischen Support-Netzwerk von Oracle.

 

Schlaflosigkeit, ein schwer fassbarer Komplex

Irgendwann in ihrem Leben klagen die meisten Erwachsenen zumindest zeitweise über Schlafprobleme. Es gibt akute Schlaflosigkeit, die eher situationsbedingt ist; z. B. wenn jemand nervös ist, weil er eine Rede halten soll, oder wenn er sich über den Verlust des Arbeitsplatzes Sorgen macht. Chronische Schlaflosigkeit hingegen betrifft meist Erwachsene im Alter von 40 bis 60 Jahren und bedeutet laut Kao die Unfähigkeit, mindestens drei oder mehr Nächte pro Woche gut zu schlafen, und das über mindestens einen Monat.

Eine Form der chronischen Schlaflosigkeit ist ein aufgedrehtes und müdes („wired and tired") Gehirn, das schlicht unter zu geringer Schlafdauer leidet, d. h., diese liegt deutlich unter der Norm. Diese Personen haben Schwierigkeiten schon beim Einschlafen oder beim Durchschlafen, so dass ihre Gesamtschlafdauer nur bei drei bis vier Stunden pro Nacht beträgt – im Vergleich zu gesünderen Personen, die sieben bis acht Stunden schlafen. Dann gibt es "Paradoxe Schlaflose"; sie schlafen genauso lange wie gesunde Patienten, aber ihr Langsamwellen-EEG – der Tiefschlaf – ist relativ schwach.

Wichtig für die Gesundheit ist neben der Schlafdauer auch die Schlafqualität, wobei die Schlafqualität wichtiger ist. Wer über längere Zeiträume nicht gut schläft, hat ein höheres Risiko für Angstzustände, Depressionen, Bluthochdruck und Herzkrankheiten.

„Es gibt lauter Menschen mit Schlaflosigkeit, die nicht wirksam behandelt werden. Also kann uns Data Science helfen, die Krankheit besser zu verstehen und nach neuen Behandlungsmethoden zu suchen, die wir auf Grundlage unseres Verständnisses der Krankheit gezielt einsetzen können", sagt Christopher Gordon, außerordentlicher Professor an der Universität Sydney und Mitwirkender der Woolcock-Forschung.

Derzeit sind die beiden gängigsten Behandlungsmethoden Medikamente zur vorübergehenden Linderung der Symptome sowie die kognitive Verhaltenstherapie (KVT), mit der die Ursachen der Schlaflosigkeit identifiziert und behandelt werden. Beide Behandlungen haben Grenzen, weil die Menschen dazu neigen, Schlafmittel zu lange einzunehmen, und nicht jeder bereit ist, eine Therapie zu machen oder in ihr zu bleiben.

"Schlaflosigkeit spielt sich in Wirklichkeit 24 Stunden am Tag ab, es handelt sich nicht um etwas, das nur mit dem Schlaf in Verbindung steht", sagt Gordon.

 

Wenn Data Science hilft, Antworten zu finden

Das Woolcock Institute sammelt eine Vielzahl von Daten über einzelne Patienten, einschließlich der Antworten in einem detaillierten Fragebogen über das wahrgenommene Schlafverhalten der Patienten, die medizinische Vorgeschichte, die häusliche sowie die Arbeitsumgebung. Außerdem werden zwei Wochen lang Daten von einem tragbaren Aktivitätsmonitor gesammelt, Beobachtungen aus einem Schlaflabor und Tagebucheinträge, die Verhaltensfaktoren wie Koffein- und Alkoholkonsum verfolgen.

Data Science wird dazu verwendet, bestimmte Gewohnheiten mit Schlafveränderungen in Verbindung zu bringen, um festzustellen, welche Aktivitäten mit welcher jeweiligen Dauer den Schlaf fördern bzw. beeinträchtigen. "Handelt es sich zum Beispiel um eine Innen- oder Außenaktivität? Verbringt jemand mehr Zeit damit, mit Freunden und Familienmitgliedern zu plaudern, oder konsumiert er mehr Getränke?", sagt Kao vom Woolcock Institute. "All das hilft uns zu verstehen, wer den größten Nutzen aus Aktivitäten ziehen kann bzw. wer nicht.“

Eine wichtige Datenquelle liefern Patienten, die eine Nacht im Schlaflabor des Instituts verbringen und an ein HD-Elektroenzephalogramm-Gerät (EEG) angeschlossen sind. Das Gerät zeichnet über 256 Elektroden alle 2 Millisekunden die Gehirnaktivität mit einer Abtastrate von 500 Hertz auf. Das Ergebnis sind Millionen und manchmal Milliarden von Datenpunkten pro Patienten.

„Oracle kann Ihnen zeigen, wie sich die Hirnstromwellen über Nacht verändern oder durch das Gehirn bewegen. Es hilft uns nicht nur, die Teile des Gehirns zu identifizieren, die bei der Schlaflosigkeit eine Rolle spielen, sondern auch, wie diese Bereiche miteinander kommunizieren.“
Dr. Tancy Kao, Data Scientist

Das Woolcock Institute nutzt Oracle Autonomous Data Warehouse, das auf Oracle Cloud Infrastructure läuft, zur Sammlung, Aufbereitung und Analyse dieser immensen Datenmengen. Das Team kann dann die verschiedenen Datentypen trennen, was den Forschern hilft, die Beziehungen zwischen den Variablen zu verstehen.

Vor der Verwendung von Oracle Autonomous Data Warehouse musste Kao die Daten manuell bereinigen und die einzelnen Variablen und ihre Beziehungen untersuchen. Erst danach konnte sie die Daten für die Analyse vorbereiten, Modelle erstellen und die eigentliche Analyse durchführen. Wenn bei einer Variable Daten fehlten, musste sie erst bestimmen, was als nächstes zu tun war.

Kao gefällt es, wie Oracle Autonomous Data Warehouse Vorschläge für die Durchführung von Analysen und den Einsatz von maschinellem Lernen bietet, und sie kann entscheiden, ob ein Vorschlag hilfreich ist. "Sie können den Vorschlägen folgen, um Ihre Daten zu bereinigen, den Datenplot aller Variablen untersuchen und verstehen, wie die Kette aussieht", sagt Kao. "Es liefert Ihnen auch einfache Klassifikationen, und Sie können entscheiden, ob die Klassifikation sinnvoll ist oder nicht und ob wir sie beim maschinellen Lernen verwenden sollten.“

Früher speicherte Woolcock Daten auf Servern und verwendete einen Hochleistungscomputer für die Analyse. Der Prozess der Verwendung war technisch und zeitlich aufwändig. Bei diesem früheren System musste man Linux-Befehle verwenden, um eine Aufgabe wie Modellierung oder maschinelles Lernen zuzuweisen. Wenn man das Ergebnis visualisieren will, muss man zurück zum Computer, berichtet Kao. "Wenn Sie eine Modellierungsaufgabe einreichen, kann es zwei oder drei Tage dauern, bis Sie mit den Ergebnissen zurückkommen. Das hängt davon ab, wie schwer und wie anspruchsvoll Ihr maschinelles Lernen ist".

Die Erstellung eines vollständigen Modells dauerte früher ein oder zwei Monate – vorausgesetzt, es erwies sich als genau! War das Modell nicht akkurat, hieß das: Zurück zum Start! Heute kann Kao ein Modell in nur einer Stunde erstellen, ohne zu codieren oder mathematische Modellierung verstehen zu müssen. Kao weiß durchaus, wie man all das macht; sie kann in R und Python arbeiten, Linux-Befehle verwenden und sie versteht mathematische Modellierung gut. Doch Oracle Autonomous Data Warehouse erspart ihr Zeit, indem es einen Großteil der manuellen Arbeit automatisiert, die sie und Gordon zuvor selbst erledigen mussten.

"Wir haben riesige Datenmengen über jeden einzelnen Patienten, und wir müssen in der Lage sein, diese Daten schnell zu verarbeiten", sagt Gordon. "Ich kann sie über verschiedene Instrumente betrachten – verschiedene Arten, sie zu visualisieren – und auf jedesmal andere Ideen kommen, und dann können wir für das maschinelle Lernen einfach buchstäblich auf Knöpfe drücken; wir können die Modelle erforschen, von denen wir glauben, dass sie sich wirklich abspielen, und das liefert uns sofort Antworten.

 

Datenvisualisierungen werden immer ausgefeilter

Bisher hatte Woolcock 2D-Visualisierungen erstellt, die die Lage jedes der 256 Kanäle im Gehirn und die Bedeutung der einzelnen Variablen in Bezug auf die Schlaflosigkeit eines bestimmten Patienten zeigten.

Ziel ist es, 3D-Visualisierungen zu erstellen, damit die Forscher den Weg der einzelnen Signale verstehen können, während diese von einem Teil des Gehirns zum anderen wandern. So ließe sich nicht nur verstehen, was in einem Teil des Gehirns geschieht, sondern auch, wie es sich auf andere Bereiche auswirken könnte und ob es mit einem bestimmten Symptom zusammenhängt.

"Oracle kann Ihnen zeigen, wie sich die Hirnstromwellen über Nacht verändern oder durch das Gehirn bewegen", sagt Kao. "Das hilft uns nicht nur, die Teile des Gehirns zu identifizieren, die bei der Schlaflosigkeit eine Rolle spielen, sondern auch, wie diese Bereiche miteinander kommunizieren.

Mehr Infos auf Oracle for Research

 

Kontakt:

Ein spannendes Thema, über das ich gerne mit Ihnen spreche, per E-MailLinkedInXing oder Twitter. Sabine Leitner, Sr. Marketing Manager.

 

Bild: Woolcock Institute

Kommentieren

Kommentare ( 0 )
Please enter your name.Please provide a valid email address.Please enter a comment.CAPTCHA challenge response provided was incorrect. Please try again.