İlişkisel (MySQL) ve NoSQL karmaşıklık artan sorguları yürütme (NoSQL ve mevcut) boyutu büyüyen ISO/EN 13606 standart EHR veritabanları
19 Mart 2018
Bu çalışmada ilişkisel karşılaştırır ve ilişkisel olmayan (NoSQL) tıbbi bilgi sistemleri standart. Böyle veritabanı yönetimi sistemleri (DBMS) sorgulama yanıt süreleri hesaplama karmaşıklığı kullanarak iki katına boyutlu veritabanları hesaplanır. Bu sonuçlar her veritabanı yaklaşım sorunları ve farklı senaryolar uygunluğunu tartışma yardım.
Bu deneyin genel amacı, yalnızca yapılandırılmış sorgu dili veya NoSQL veritabanı sistemlerinin değil, ilişkisel ve ilişkisel olmayan sistemlerin karmaşıklık büyüyen sorgulara yanıt süreleriyle ölçülen hesaplama karmaşıklığını karşılaştırmaktır. Bu yöntem, hangi tür veritabanı sistemleri için hangi tür sorguların daha uygun olduğu gibi veritabanı yönetim sistemleri alanındaki temel soruların yanıtlanmasına yardımcı olabilir. Bu tekniğin temel avantajı, hesaplanacak hesaplama karmaşıklığı ile birlikte her türden çift veritabanı için sorgulara yanıt sürelerini karşılaştırmasıdır ve bu nedenle bu yöntem MySQL MongoDB ve fazla veritabanı sistemleri hakkında bilgi sağlayabilir.
Ayrıca, SQL sunucusu ve temel X gibi diğer ilişkisel belge tabanlı ve yerel XML sistemlerine de uygulanabilir.Elektronik sağlık kayıt sistemleri için kalıcı bir sistem seçmemiz gerektiğinde bu yöntem için ilk kez orada duyduk. İlişkisel bir MySQL veritabanında otomatik olarak oluşturulmayan indekslerle karmaşıklığı artıran sorgular tasarlamak ve yürütmek. MySQL sunucusuna bağlanın ve veritabanı adını seçin.
Dizin alanı içinde ilişkisel tabloyu seçin ve yapı sekmesini açın. Dizinin oluşturulacağı sütunu seçin ve dizine tıklayın. Dizini oluşturan SQL cümlesi görünecek ve ardından cümlenin başarıyla oluşturulduğunu belirten bir mesaj gelecektir.
İlk sorguyu yürütmek için veritabanı adını seçin ve SQL sekmesini açın. İlk sorgunun SQL kodunu girin ve tıklayın, devam edin. Sonuç listesinin ilk ekranı, sorgunun yürütme süresi mesajıyla birlikte görünecektir.
Karmaşıklığı artıran sorguları ve ilişkisel olmayan bir Mongo Veritabanını tasarlamak ve yürütmek için, yalnızca veya NoSQL Mongo Veritabanı, Mongo veritabanı grafik kullanıcı arafazını ve Mongo programını bir DOS sistem penceresinden yürüten Mongo veritabanı 2.6 sunucusunu başlatın. Mongo veritabanı grafik kullanıcı arafazını 27017 numaralı bağlantı noktası üzerinden yerel ana bilgisayar sunucusuna bağlayın ve bağlan menüsünü seçin. Bağlantı için bir ad girin ve veritabanı sunucusu metin kutusuna yerel ana bilgisayar konumunu girin ve ardından bağlan'a tıklayın.
Geçerli veritabanlarına sahip bir ağaç görünmelidir. Mongo veritabanını genişletin. İlgilendiğiniz koleksiyonu seçin ve koleksiyon menüsünü açın.
İlk Mongo veritabanı sorgusunu yürütmek için sorgu oluşturucuya ve sorgu alanı düğmelerine çift tıklayın. Mongo veritabanı sorgusunun alanlarını sorgu panelinin alanlar metin kutusuna, sorgunun değerini ise sorgu panelinin değer metin kutusuna girin. Sorgu oluşturucunun projeksiyon alanına çift tıklayın ve ilk projeksiyonu projeksiyon metin kutusuna girin.
Yeni bir projeksiyon metin kutusu eklemek için projeksiyon alanına çift tıklayın ve ikinci projeksiyonu girin, ardından tıklayın, sorgularını yürütmek için oynatın ve sorgu kodunu sorgu kodu sekmesinde görselleştirin. Sonucun ayrıntıları, açıklama ve sonuçlar sekmesi altında görüntülenebilir olacaktır. Bir NoSQL EXist veritabanında artan karmaşıklık sorguları tasarlamak ve yürütmek için EXist veritabanını başlatın ve java yönetici istemcisini açın.
Tıklayın, veritabanına bağlanın ve veritabanını seçin. Tıklayın, X yolunu kullanarak veritabanına danışın. Danışma iletişim kutusu görünecektir.
Ardından ilk X yolu sorgusunu yürütün. Bu tabloda, hastaların isimleri, başlangıç ve bitiş tarihleri ve önem derecesi dahil olmak üzere sorunları hakkında bilgi içeren gerçekçi standartlaştırılmış elektronik sağlık kaydı ekstreleri üzerinde gerçekleştirilen altı farklı sorgu gösterilmektedir. Her veritabanı yönetim sistemindeki altı sorgunun ve üç katına çıkan boyutlu veritabanının ortalama yanıt süresi, ilişkisel nesne ilişkisel eşleme veritabanı analizinde gözlemlenmeyen, ilişkisel olmayan veritabanlarının tüm sorguları boyunca hesaplama karmaşıklığının uzun bir doğrusal davranışını gösterir.
Mongo veritabanı sonuçlarının benzer sorgularla ve arketip ilişkisel eşleme sonuçlarının veritabanı boyutlarıyla enterpolasyonlanması, ilk sorgu için her iki veritabanı sisteminde de eşit sonuçlar üretir, ancak üçüncü sorgu için Mongo veritabanı kullanılarak daha uygun sonuçlar belirlenir. Eşzamanlılık deneylerinde, Mongo veritabanı hem aktarım hızı hem de yanıt sürelerinde MySQl veritabanına tercih edilir, Mongo veritabanı eşzamanlılıkta bir yalıtımdan daha iyi davranır ve eşzamanlı yürütmede etkileyici bir veritabanı olarak durur. Bunu düşündüm, istemci sorguları gerçekleştirirken tüm sunucuları yerel olarak aynı makinelerde tutmayı unutmamak önemlidir.
Bu prosedürü takiben, bir veritabanı türü var olabilir mi ve hem tek hem de tüm hasta sorgularında kazanabilir mi? gibi ek soruları yanıtlamak için diğer tür veritabanı sistemlerini kullanmak gibi başka yöntemler de gerçekleştirilebilir. Geliştirildikten sonra bu teknik, algoritmik karmaşıklık alanındaki araştırmacıların farklı türdeki veritabanı sistemlerindeki karşılaştırmalı veritabanı performanslarını keşfetmeleri için bir yol açtı. Bu videoyu izledikten sonra, çok farklı türdeki veritabanı sistemlerinin boyut büyüten veritabanlarında karmaşıklığı artıran sorguların nasıl yürütüleceğini iyi anlamış olmalısınız.
Genel Bakış
Bu çalışma, karmaşıklığı artıran sorgulara verilen tepki sürelerini analiz ederek, ilişkisel ve ilişkisel olmayan (NoSQL) veritabanı yönetim sistemlerinin hesaplamasal karmaşıklığını karşılaştırmaktadır. Bulgular, çeşitli senaryolar için farklı veritabanı yaklaşımlarının uygunluğu hakkında bilgiler sunmaktadır.
Çalışmanın Temel Bileşenleri
Bilim Alanı
- Veritabanı Yönetim Sistemleri
- Hesaplamasal Karmaşıklık
- Bilgi Sistemleri
Arka Plan
- Çalışma, ilişkisel (SQL) ve ilişkisel olmayan (NoSQL) veritabanı sistemlerine odaklanmaktadır.
- Her veritabanı sistemi için hangi tür sorguların en uygun olduğunu anlamayı amaçlamaktadır.
- İlişkisel veritabanları MySQL gibi sistemleri içerirken, NoSQL veritabanları MongoDB ve EXist'i içerir.
- Önceki araştırmalar, elektronik sağlık kayıtları için uygun veritabanı sistemlerinin seçiminin önemini vurgulamıştır.
Çalışmanın Amacı
- İlişkisel ve ilişkisel olmayan veritabanlarının tepki sürelerini karşılaştırmak.
- Veritabanı boyutları arttıkça sorguların hesaplamasal karmaşıklığını analiz etmek.
- Belirli uygulamalar için veritabanı sistemlerinin seçimine rehberlik edecek bilgiler sağlamak.
Kullanılan Yöntemler
- İlişkisel ve ilişkisel olmayan veritabanları üzerinde karmaşıklığı artıran sorgular tasarlamak ve yürütmek.
- İlişkisel veritabanı sorguları için MySQL ve NoSQL sorgular için MongoDB kullanmak.
- Verimlilik ve tepki sürelerini karşılaştırmak için eşzamanlılık deneyleri yapmak.
- Farklı veritabanı boyutları ve türleri arasında ortalama tepki sürelerini analiz etmek.
Ana Sonuçlar
- Çalışma, ilişkisel olmayan veritabanlarında hesaplamasal karmaşıklığın lineer bir davranış gösterdiğini bulmuştur.
- MongoDB, belirli sorgularda MySQL'den daha olumlu sonuçlar göstermiştir.
- Eşzamanlılık testlerinde MongoDB, hem verimlilik hem de tepki sürelerinde MySQL'den daha iyi performans göstermiştir.
- Bulgular, sorgunun karmaşıklığına göre veritabanı seçiminin performansı önemli ölçüde etkileyebileceğini göstermektedir.
Sonuçlar
- Bu araştırma, sorgu karmaşıklığına dayalı olarak veritabanı performansını değerlendirmek için bir çerçeve sağlamaktadır.
- Belirli senaryolarda NoSQL veritabanlarının avantajlarını vurgulamaktadır.
- Gelecekteki çalışmalar ek veritabanı türlerini ve performans özelliklerini araştırabilir.
Sıkça Sorulan Sorular
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.
