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.
Überblick
Diese Studie vergleicht die rechnerische Komplexität relationaler und nicht-relationaler (NoSQL) Datenbankmanagementsysteme durch die Analyse ihrer Antwortzeiten auf komplexer werdende Anfragen. Die Ergebnisse liefern Einblicke in die Angemessenheit verschiedener Datenbankansätze für verschiedene Szenarien.
Wichtige Studienkomponenten
Wissenschaftsbereich
- Datenbankmanagementsysteme
- Rechnerische Komplexität
- Informationssysteme
Hintergrund
- Die Studie konzentriert sich auf relationale (SQL) und nicht-relationale (NoSQL) Datenbanksysteme.
- Sie zielt darauf ab zu verstehen, welche Arten von Anfragen für jedes Datenbanksystem am besten geeignet sind.
- Relationale Datenbanken umfassen Systeme wie MySQL, während NoSQL-Datenbanken MongoDB und EXist umfassen.
- Frühere Forschungen haben die Bedeutung der Auswahl geeigneter Datenbanksysteme für elektronische Gesundheitsakten hervorgehoben.
Zweck der Studie
- Um die Antwortzeiten relationaler und nicht-relationaler Datenbanken zu vergleichen.
- Um die rechnerische Komplexität von Anfragen bei zunehmender Datenbankgröße zu analysieren.
- Um Einblicke zu liefern, die die Auswahl von Datenbanksystemen für spezifische Anwendungen leiten können.
Verwendete Methoden
- Entwerfen und Ausführen von komplexitätserhöhenden Anfragen sowohl an relationalen als auch an nicht-relationalen Datenbanken.
- Verwendung von MySQL für relationale Datenbankabfragen und MongoDB für NoSQL-Abfragen.
- Durchführen von Konkurrenzexperimenten zum Vergleich von Durchsatz und Antwortzeiten.
- Analyse der durchschnittlichen Antwortzeiten über verschiedene Datenbankgrößen und -typen hinweg.
Hauptergebnisse
- Die Studie fand ein lineares Verhalten der rechnerischen Komplexität in nicht-relationalen Datenbanken.
- MongoDB zeigte in bestimmten Anfragen günstigere Ergebnisse als MySQL.
- In Konkurrenztests übertraf MongoDB MySQL sowohl in Bezug auf Durchsatz als auch auf Antwortzeiten.
- Die Ergebnisse deuten darauf hin, dass die Wahl der Datenbank die Leistung basierend auf der Anfragekomplexität erheblich beeinflussen kann.
Schlussfolgerungen
- Diese Forschung bietet einen Rahmen für die Bewertung der Datenbankleistung basierend auf der Anfragekomplexität.
- Sie hebt die Vorteile von NoSQL-Datenbanken in spezifischen Szenarien hervor.
- Zukünftige Arbeiten können zusätzliche Datenbanktypen und ihre Leistungsmerkmale untersuchen.
Häufig gestellte Fragen
Executive Industry Relevance
This study provides a framework for evaluating database performance based on query complexity, which is critical for biopharma R&D when selecting systems for managing standardized EHR data. Understanding computational complexity helps inform decisions about database suitability for tasks like phenotypic screening data storage, translational biomarker tracking, and preclinical model data integration. The findings support risk-adjusted prioritization of database technologies that ensure reproducibility and scalability across discovery workflows.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Enables hypothesis testing about data storage efficiency for complex biological datasets.
- Operational Value: Supports selection of database systems that maintain data consistency during iterative target validation experiments.
Screening & Assay Development
- Scientific Value: Provides quantitative benchmarks for query response times under increasing data loads relevant to high-throughput screening outputs.
- Operational Value: Informs assay database design to ensure linear scalability as compound and readout volumes grow.
Translational & Preclinical Research
- Scientific Value: Highlights how database choice impacts the ability to restore EHR data in original form, supporting data integrity in longitudinal studies.
- Operational Value: Guides standardization of data retrieval processes across discovery and preclinical teams using consistent query performance expectations.
Pipeline & Workflow Integration
The method positions database evaluation as a foundational step in discovery biology, enabling reliable data handling from early target identification through lead optimization and preclinical validation.
- Discovery Biology: Supports hypothesis testing regarding data system performance under growing complexity of biological datasets.
- Screening: Describes how response time analysis informs readiness of databases for screening campaign data storage and retrieval.
- Analytics: Highlights average response time measurements as a quantitative output for comparing database systems under standardized query loads.
- Translational Research: Connects database performance to continuity of EHR data use cases, such as edition and visualization, which require consistent retrieval fidelity.
- Enterprise Reuse: frames the protocol as a reusable capability for ongoing assessment of database systems as EHR standards and data volumes evolve.
Operational & Enterprise Impact
- Scientific Value: Predictive confidence in database behavior under increasing data complexity reduces mechanistic ambiguity in data-driven research.
- Operational Value: Standardization of query performance evaluation enables reproducible database selection across projects and sites.
- Strategic Value: Better go/no-go decisions on database adoption reduce late-stage integration risks and capital inefficiency.
- Portfolio Impact: Risk-adjusted prioritization of database technologies aligns with advancement decisions in data-intensive R&D pipelines.
Implementation Considerations
- Requires expertise in database administration and query design across relational and NoSQL platforms.
- Needs instrumentation capable of executing and timing complexity-increasing queries on MySQL, MongoDB, and EXist systems.
- Demands cross-team standardization on query complexity metrics to ensure comparable performance assessments.
- Involves adaptation considerations when applying the protocol to other database systems like SQL Server or base XML platforms.
- Includes practical limitations such as the lack of direct comparison with archetype relational mapping under identical data conditions, relying instead on interpolation for insights.
