Erhöhung der Komplexität Abfragen in relationalen (MySQL) und NoSQL (MongoDB und existieren) Größe wachsenden ISO/EN 13606 standardisierte EHR Datenbanken
19. März 2018
Diese Studie vergleicht relationale und nicht relationale (NoSQL) standardisierten medizinischen Informationssystemen. Der Rechenaufwand der Antwortzeiten von Abfragen von solchen Datenbankmanagementsysteme (DBMS) wird anhand der Verdoppelung mittlere Datenbanken berechnet. Diese Ergebnisse helfen, die Diskussion über die Angemessenheit der einzelnen Datenbank-Ansätze für verschiedene Szenarien und Probleme.
Das übergeordnete Ziel dieses Experiments ist es, die Rechenkomplexität von relationalen und nicht-relationalen, nicht nur strukturierten Abfragesprachen- oder NoSQL-Datenbanksystemen, gemessen an ihren Antwortzeiten, mit der Komplexität von Abfragen zu vergleichen. Diese Methode kann dabei helfen, wichtige Fragen im Bereich der Datenbankmanagementsysteme zu beantworten, z. B. welche Art von Abfragen für welche Art von Datenbanksystemen besser geeignet sind. Der Hauptvorteil dieser Technik besteht darin, dass sie die Antwortzeiten auf Abfragen für doppelte Datenbanken jedes Typs zusammen mit der zu berechnenden Rechenkomplexität vergleicht. Diese Methode kann also Einblicke in MySQL, MongoDB und überschüssige Datenbanksysteme geben.
Es kann auch auf andere relationale, dokumentenbasierte und native XML-Systeme wie SQL Server und Base X angewendet werden. Wir haben zum ersten Mal gehört, dass sie dort für diese Methode verwendet werden, wenn wir ein persistentes System für ein elektronisches Patientenaktensystem auswählen müssen. Zum Entwerfen und Ausführen von komplexitätssteigernden Abfragen mit nicht automatisch erstellten Indizes in einer relationalen MySQL-Datenbank. Stellen Sie eine Verbindung zum MySQL-Server her und wählen Sie den Datenbanknamen aus.
Wählen Sie die relationale Tabelle im Indexfeld aus und öffnen Sie die Registerkarte Struktur. Wählen Sie die Spalte aus, in der der Index erstellt werden soll, und klicken Sie auf Index. Der SQL-Satz, der den Index bildet, wird angezeigt, gefolgt von einer Meldung, die besagt, dass der Satz erfolgreich erstellt wurde.
Um die erste Abfrage auszuführen, wählen Sie den Datenbanknamen aus und öffnen Sie die Registerkarte SQL. Geben Sie den SQL-Code der ersten Abfrage ein, klicken Sie auf Weiter. Der erste Bildschirm der Ergebnisliste wird mit der Meldung über die Ausführungszeit der Abfrage angezeigt.
Um komplexitätssteigernde Abfragen und eine nicht-relationale, nicht nur NoSQL-Mongo-Datenbank zu entwerfen und auszuführen, starten Sie die Mongo-Datenbank-Grafikbenutzerschnittstelle und den Mongo-Datenbank-2.6-Server, der das Mongo-Programm aus einem DOS-Systemfenster ausführt. Verbinden Sie die grafische Benutzerschnittstelle der Mongo-Datenbank über Port 27017 mit dem lokalen Hostserver und wählen Sie das Menü Verbinden. Geben Sie einen Namen für die Verbindung ein, geben Sie den Speicherort des lokalen Hosts in das Textfeld des Datenbankservers ein und klicken Sie dann auf Verbinden.
Es sollte ein Baum mit den aktuellen Datenbanken angezeigt werden. Erweitern Sie die Mongo-Datenbank. Wählen Sie die gewünschte Sammlung aus und öffnen Sie das Sammlungsmenü.
Um die erste Mongo-Datenbankabfrage auszuführen, doppelklicken Sie auf den Abfrage-Generator und die Schaltflächen Abfragefeld. Geben Sie die Felder der Mongo-Datenbankabfrage in das Textfeld "Felder" des Abfragebereichs und den Wert der Abfrage in das Textfeld "Wert" des Abfragebereichs ein. Doppelklicken Sie auf das Projektionsfeld des Abfrage-Generators, und geben Sie die erste Projektion in das Textfeld Projektion ein.
Doppelklicken Sie auf das Projektionsfeld, um ein neues Projektionstextfeld hinzuzufügen, und geben Sie die zweite Projektion ein, dann klicken Sie auf Wiedergabe, um die Abfrage auszuführen und den Abfragecode auf der Registerkarte Abfragecode zu visualisieren. Die Details des Ergebnisses werden auf der Registerkarte "Erklären" und "Ergebnisse" angezeigt. Um Abfragen mit zunehmender Komplexität in einer NoSQL EXist-Datenbank zu entwerfen und auszuführen, starten Sie die EXist-Datenbank und öffnen Sie den Java-Admin-Client.
Klicken Sie auf, stellen Sie eine Verbindung zur Datenbank her und wählen Sie die Datenbank aus. Klicken Sie auf, Datenbank mit X-Pfad konsultieren. Das Dialogfeld "Konsultieren" wird angezeigt.
Führen Sie dann die erste X-Pfad-Abfrage aus. In dieser Tabelle werden sechs verschiedene Abfragen gezeigt, die an realistischen, standardisierten Auszügen aus elektronischen Patientenakten durchgeführt wurden, die Informationen über die Probleme der Patienten enthalten, einschließlich ihrer Namen, Anfangs- und Enddaten und ihres Schweregrads. Die durchschnittliche Antwortzeit der sechs Abfragen und der drei Datenbanken mit doppelter Größe in jedem Datenbankmanagementsystem zeigt ein langes lineares Verhalten der Rechenkomplexität in allen Abfragen der nicht-relationalen Datenbanken, das in der Analyse relationaler objektrelationaler Mapping-Datenbanken nicht beobachtet wird.
Das Interpolieren von Mongo-Datenbankergebnissen mit ähnlichen Abfragen und Datenbankgrößen von relationalen Zuordnungsergebnissen des Archetyps erzeugt in beiden Datenbanksystemen gleiche Ergebnisse für die erste Abfrage, jedoch mit günstigeren Ergebnissen, die unter Verwendung der Mongo-Datenbank für die dritte Abfrage bestimmt werden. In den Parallelitätsexperimenten ist die Mongo-Datenbank der MySQl-Datenbank sowohl in Bezug auf den Durchsatz als auch auf die Antwortzeiten vorzuziehen, wobei sich die Mongo-Datenbank bei Parallelität besser verhält als bei einer Isolation und bei gleichzeitiger Ausführung eine beeindruckende Datenbank darstellt. Nun, ich dachte, es ist wichtig, daran zu denken, alle Server lokal auf denselben Computern zu verwalten, auf denen der Client die Abfragen ausführt.
Nach diesem Verfahren können andere Methoden, wie z. B. die Verwendung anderer Arten von Datenbanksystemen, durchgeführt werden, um zusätzliche Fragen zu beantworten, z. B. ob eine Art von Datenbank sowohl bei einzelnen als auch bei allen Patientenanfragen existieren und gewinnen kann. Nach ihrer Entwicklung ebnete diese Technik den Weg für Forscher auf dem Gebiet der algorithmischen Komplexität, vergleichende Datenbankleistungen in verschiedenen Arten von Datenbanksystemen zu untersuchen. Nachdem Sie sich dieses Video angesehen haben, sollten Sie ein gutes Verständnis dafür haben, wie Sie komplexitätssteigernde Abfragen in Datenbanken mit wachsender Größe von Datenbanksystemen sehr unterschiedlicher Art ausführen können.
Übersicht
Diese Studie vergleicht die rechnerische Komplexität relationaler und nicht-relationaler (NoSQL) Datenbankmanagementsysteme, indem ihre Antwortzeiten auf zunehmend komplexe Abfragen analysiert werden. Die Ergebnisse liefern Einblicke in die Eignung verschiedener Datenbankansätze für unterschiedliche Szenarien.
Wesentliche Studienkomponenten
Bereich der Wissenschaft
- Datenbankmanagementsysteme
- Rechenaufwand
- Informationssysteme
Hintergrund
- Die Studie konzentriert sich auf relationale (SQL) und nichtrelationale (NoSQL) Datenbanksysteme.
- Sie zielt darauf ab, zu verstehen, welche Arten von Abfragen am besten für jedes Datenbanksystem geeignet sind.
- Zu den relationalen Datenbanken gehören Systeme wie MySQL, während zu den NoSQL-Datenbanken MongoDB und EXist gehören.
- Bisherige Forschung hat die Bedeutung der Auswahl geeigneter Datenbanksysteme für elektronische Gesundheitsakten hervorgehoben.
Zweck der Studie
- Vergleich der Antwortzeiten von relationalen und nicht-relationalen Datenbanken.
- Analyse der Berechnungskomplexität von Abfragen mit zunehmender Datenbankgröße.
- Gewinnung von Erkenntnissen, die bei der Auswahl von Datenbanksystemen für bestimmte Anwendungen leiten können.
Verwendete Methoden
- Entwurf und Durchführung von komplexitätssteigernden Abfragen sowohl auf relationalen als auch auf nicht-relationalen Datenbanken.
- Verwendung von MySQL für relationale Datenbankabfragen und MongoDB für NoSQL-Abfragen.
- Durchführung von Konkurrenz-Experimenten zum Vergleich von Durchsatz und Antwortzeiten.
- Analyse der durchschnittlichen Antwortzeiten bei unterschiedlichen Datenbankgrößen und -typen.
Hauptergebnisse
- Die Studie ergab ein lineares Verhalten der Rechenkomplexität bei nicht-relationalen Datenbanken.
- MongoDB zeigte bei bestimmten Abfragen günstigere Ergebnisse als MySQL.
- Bei Konkurrenztests übertraf MongoDB MySQL sowohl hinsichtlich des Durchsatzes als auch der Antwortzeiten.
- Die Ergebnisse legen nahe, dass die Wahl der Datenbank die Leistung je nach Komplexität der Abfragen erheblich beeinflussen kann.
Schlussfolgerungen
- Diese Forschung bietet einen Rahmen zur Bewertung der Datenbankleistung basierend auf der Abfragekomplexität.
- Sie unterstreicht die Vorteile von NoSQL-Datenbanken in bestimmten Szenarien.
- Zukünftige Arbeiten können weitere Datentypen und deren Leistungsmerkmale untersuchen.
Häufig gestellte Fragen
Ausschlaggebende Bedeutung für die Industrie
Diese Studie bietet einen Rahmen zur Bewertung der Datenbankleistung basierend auf der Abfragekomplexität, was für die biopharmazeutische Forschung und Entwicklung entscheidend ist, wenn Systeme zur Verwaltung standardisierter EHR-Daten ausgewählt werden. Das Verständnis der rechnerischen Komplexität hilft dabei, Entscheidungen über die Eignung von Datenbanken für Aufgaben wie die Speicherung von Daten zur phänotypischen Screening, die Verfolgung translationsrelevanter Biomarker und die Integration von Daten präklinischer Modelle zu treffen. Die Ergebnisse unterstützen eine risikoadjustierte Priorisierung von Datenbanktechnologien, die Reproduzierbarkeit und Skalierbarkeit über Entdeckungsworkflows hinweg gewährleisten.
Strategische Anwendungen in der Biopharma-Forschung und -Entwicklung
Frühe Entdeckung und Zielvalidierung
- Wissenschaftlicher Wert: Ermöglicht das Prüfen von Hypothesen zur Speichereffizienz komplexer biologischer Datensätze.
- Operationaler Wert: Unterstützt die Auswahl von Datenbanksystemen, die die Datenkonsistenz während iterativer Target-Validierungsexperimente gewährleisten.
Screening und Assay-Entwicklung
- Wissenschaftlicher Wert: Liefert quantitative Referenzwerte für die Antwortzeiten von Abfragen unter wachsenden Datenmengen, die für die Ergebnisse von Hochdurchsatz-Screenings relevant sind.
- Operationaler Wert: Unterstützt die Gestaltung von Assay-Datenbanken, um eine lineare Skalierbarkeit bei wachsenden Mengen an Verbindungen und Messergebnissen sicherzustellen.
Translationale und präklinische Forschung
- Wissenschaftlicher Wert: Zeigt auf, wie die Wahl der Datenbank die Fähigkeit beeinflusst, EHR-Daten in ihrer ursprünglichen Form wiederherzustellen, und unterstützt so die Datenechtheit in Längsschnittstudien.
- Operationaler Wert: Leitet die Standardisierung von Datenabrufverfahren über Entwicklungs- und präklinische Teams hinweg an, basierend auf konsistenten Erwartungen zur Abfrageleistung.
Pipeline- und Workflow-Integration
Die Methode stellt die Datenbankauswertung als grundlegenden Schritt in der Entdeckungsbiologie dar und ermöglicht eine zuverlässige Datenverarbeitung von der frühen Target-Identifizierung bis hin zur Leitstruktur-Optimierung und präklinischen Validierung.
- Entdeckungsbiologie: Unterstützt die Hypothesenprüfung hinsichtlich der Leistung von Datensystemen unter wachsender Komplexität biologischer Datensätze.
- Screening: Beschreibt, wie die Analyse der Antwortzeiten Aufschluss über die Bereitschaft von Datenbanken zur Speicherung und zum Abruf von Daten aus Screening-Kampagnen gibt.
- Analysen: Betont Messungen der durchschnittlichen Antwortzeit als quantitative Kenngröße zum Vergleich von Datenbanksystemen unter standardisierten Abfragebelastungen.
- Translationale Forschung: Verbindet die Datenbankleistung mit der kontinuierlichen Nutzung von Anwendungsfällen für elektronische Patientenakten, wie Bearbeitung und Visualisierung, die eine zuverlässige Abrufgenauigkeit erfordern.
- Unternehmensweite Wiederverwendung: stellt das Protokoll als wiederverwendbare Fähigkeit für die fortlaufende Bewertung von Datenbanksystemen dar, während sich die Standards für elektronische Patientenakten und die Datenmengen weiterentwickeln.
Operative und unternehmerische Auswirkungen
- Wissenschaftlicher Wert: Vorhersagevertrauen in das Verhalten von Datenbanken bei zunehmender Datenkomplexität verringert mechanistische Mehrdeutigkeiten in datengetriebener Forschung.
- Operationaler Wert: Standardisierung der Abfrageleistungsbewertung ermöglicht reproduzierbare Datenbankauswahl über Projekte und Standorte hinweg.
- Strategischer Wert: Bessere Go/No-Go-Entscheidungen hinsichtlich der Datenbankeinführung reduzieren Integrationsrisiken in späteren Phasen und Kapitalineffizienz.
- Portfolio-Wirkung: Risikoadjustierte Priorisierung von Datenbanktechnologien steht im Einklang mit Fortschrittsentscheidungen in datenintensiven F&E-Pipelines.
Durchführungsüberlegungen
- Erfordert Fachkenntnisse in der Datenbankadministration und Abfragedesigns über relationale und NoSQL-Plattformen hinweg.
- Benötigt Instrumentierung, die in der Lage ist, Abfragen mit zunehmender Komplexität auf MySQL-, MongoDB- und EXist-Systemen auszuführen und deren Laufzeit zu messen.
- Setzt eine standardisierte Vorgehensweise über Teams hinweg bei Metriken zur Abfragekomplexität voraus, um vergleichbare Leistungsbewertungen sicherzustellen.
- Beinhaltet Anpassungsüberlegungen, wenn das Protokoll auf andere Datenbanksysteme wie SQL Server oder basische XML-Plattformen angewendet wird.
- Umfasst praktische Einschränkungen, wie das Fehlen eines direkten Vergleichs mit der Archetyp-Relational-Mapping unter identischen Datenbedingungen, wobei stattdessen auf Interpolation zur Gewinnung von Erkenntnissen zurückgegriffen wird.
