Yazarlar Dr Dipak Kalra, standart ISO/EN 13606 ve ekibi için ISO/EN 13606 W3C XML şema kullanmak izin onların tür University College London'dan tanımlanan EHRCom görev gücü'nün lideri teşekkür etmek istiyorum.
Bu eser Instituto de tarafından desteklenen Salud Carlos III [grant numaraları PI15/00321, PI15/00003, PI1500831, PI15CIII/00010 ve RD16CIII].

1. Üç Kişilik ölçekli standart EHR özleri veritabanı depolamak için ilişkisel bir MySQL DBMS inşa
<ol><li>İthalat W3C (World Wide Web Consortium) XML ISO/EN13606 RM ve ISO21090 veri türleri için bir 'Java IDE' (Integrated Development Environment) karşılık gelen şema. Not: ISO International Standards Organization için duruyor. EN Avrupa Norm için gösterir.</li>
	<li>JAXB (Java XML Binding) IDE içinde eklenti yürütmek; Bu öğeleri EHR özleri XML dosyaları yapısı için karşılık gelen Java sınıfları oluşturur.</li>
	<li>JPA etiketleri ile üretilen Java sınıflarını manuel olarak etiketleme. Bu Etiketler cardinalities ve diğer ilişkiler MySQL veritabanı ilişkisel tablolar arasında bakın.</li>
	<li>JPA (kalıcılığı API Java) kütüphanelerin IDE içine alabilir ve etiketli Java sınıfları dışında bir MySQL veritabanı oluşturur yöntemi uygulamak.</li>
	<li>Üç dizinler 5.000, 10.000 ve 20.000 gerçekçi EHR özleri ile XML dosyaları oluşturun.</li>
	<li>Bir XML ayıklamak 5000 özleri dizinin tüm özleri üzerinde MySQL DBMS yüklemek için JPA yöntemi uygulamak.</li>
	<li>1.6 iki kez, 10.000 özleri directory ile bir kez ve bir kez 20.000 özleri directory ile adımları yineleyin.</li>
</ol>2. bir NoSQL NoSQL DBMS üç kişilik ölçekli standart EHR özleri veritabanı depolamak için build
<ol><li>Sürecinin her 5.000, 10.000 ve 20.000 gerçekçi EHR özleri içeren XML dosyalarını json.org.XML gibi JSON dosyaları XML dosyaları dönüştürmek için bir standart program içeren üç dizinler. 5.000, 10.000 ve 20.000 JSON dosyalarla üç dizini üretilen.</li>
	<li>Başlatmak NoSQL GUI (grafik kullanıcı arayüzü, Tablo malzemelerigörmek).</li>
	<li>Mongod programın bir DOS (Disk işletim sistemi) sistemi penceresinden yürütme NoSQL 2.6 sunucu başlatın.</li>
	<li>NoSQL GUI kullanarak bağlantı noktası 27017 localhost sunucuya bağlanın.<ol>
<li>"Bağlan" menüsünü seçin.</li>
		<li>Bağlantı için bir ad yazın (örneğin ' ilk').</li>
		<li>Localhost:27017 DB sunucu metin kutusuna yazın.</li>
		<li>"Bağlan" düğmesine basın; bir ağaç geçerli veritabanları ile sol tarafta görüntülenir.</li>
	</ol>
</li>
	<li>Özler 5000 standart EHR içeren bir veritabanı oluşturmak.<ol>
<li>Soldaki ağaç üstündeki bağlantısının adını tıklatın.</li>
		<li>"Dosya" menüsünü seçin.</li>
		<li>"Veritabanı Ekle" seçin.</li>
		<li>Görüntülenen iletişim kutusunda veritabanının adını girin.</li>
		<li>Tamam'ı tıklatın.</li>
	</ol>
</li>
	<li>5000 standart EHR içeren bir koleksiyon özleri oluşturmak.<ol>
<li>Soldaki ağaçta veritabanının adını tıklatın.</li>
		<li>Menü "veritabanı".</li>
		<li>"AddCollection" seçin.</li>
		<li>Koleksiyon adı görüntülenen iletişim kutusunda girin.</li>
		<li>" Oluştur" u tıklayın.</li>
		<li>Koleksiyon adını tıklatın.</li>
		<li>"Alma" menüsünü seçin.</li>
		<li>Radyo düğmesini seçin ''JSON - mongo kabuk / / mongoexport ".</li>
		<li>"İleri" düğmesini tıklatın.</li>
		<li>"Kaynak dosyaları ekle" düğmesine basın.</li>
		<li>İletişim kutusunu kullanarak bilgisayarda gidin.</li>
		<li>Açık 5000 JSON içeren dizin dosyaları ayıklayın.</li>
		<li>Dizindeki tüm dosyaları seçin.</li>
		<li>"Aç" tuşuna basın. JSON dosya içe aktarma iletişim kutusunda görünmelidir.</li>
		<li>Basın "sonraki"; Yeni koleksiyon veritabanındaki bir önizlemesi sol tarafta görünür.</li>
		<li>"İleri" tuşuna basın.</li>
		<li>"Almayı başlat" tuşuna basın. Alma işleminin ilerleme aşağı içe aktarılan dosyaları ve geçen süreyi sayısını gösteren solda görünür.</li>
	</ol>
</li>
	<li>5 ve 6 özleri 10.000 standart EHR bir koleksiyon oluşturmak için adımları yineleyin.</li>
	<li>5 ve 6 özleri 20.000 standart EHR bir koleksiyon oluşturmak için adımları yineleyin.</li>
</ol>3. kurmak bir NoSQL mevcut stok üç çift boyutlu standart EHR ayıklar veritabanlarına DBMS
<ol><li>Varolan veritabanı başlatmak.</li>
	<li>Veritabanının simgesini kullanarak, Java Admin istemcisini açın.</li>
	<li>Yönetici şifresini girin.</li>
	<li>"Bağlan" düğmesine basın.</li>
	<li>5000 standart EHR içeren bir koleksiyon özleri oluşturmak.<ol>
<li>Araç çubuğunda, menü "Oluştur yeni bir koleksiyon" seçin.</li>
		<li>Görüntülenen iletişim kutusunda, yeni koleksiyonun adını yazın.</li>
		<li>Tıklatın "kabul"; Yeni koleksiyon-ecek gözükmek.</li>
		<li>Koleksiyon adını seçin.</li>
		<li>Araç çubuğunda, "veritabanı dosyaları saklamak" menüsünü seçin.</li>
		<li>İletişim kutusunu kullanarak bilgisayarda gidin.</li>
		<li>5000 standart XML özü dosyalarını içeren dizini seçin.</li>
		<li>"Dosya veya dizinler depolamak için seçmek" düğmesini tıklatın. Bir iletişim kutusu saklanan dosyaları ilerlemesini göstermek ve oluşturduğunuz veritabanını yüzdesi göründüğünü unutmayın.</li>
	</ol>
</li>
	<li>Özler 10.000 standart EHR içeren bir koleksiyon oluşturmak için 5 arasındaki adımları yineleyin.</li>
	<li>Özler 20.000 standart EHR içeren bir koleksiyon oluşturmak için 5 arasındaki adımları yineleyin.</li>
</ol>4. tasarım ve 3 ilişkisel MySQL veritabanı 6 karmaşıklık artan sorguları yürütmek
<ol><li>Altı karmaşıklık artan sorguları EHR özler tarafından kullanılan archetypes göre dizayn.</li>
	<li>Programı ilk sorgu MySQL veritabanı ile bir SQL komut dosyası. SQL MySQL veritabanı özleri standardizasyon (archetypes) nedeniyle özel yapısına uyum gerekir. Veritabanı özler tüm yapısını eşler. Sonuç olarak, SQL sorgusu oldukça karmaşık olduğunu.</li>
	<li>Olsa da çoğu dizinler otomatik olarak DBMS tarafından oluşturulan dizin üzerinde oluşturuldu ve sorgu yanıt süresini hızlandırmak sonra böyle dizinler oluşturmak istiyorum veritabanlarının özniteliklerini tanımlamak.</li>
	<li>Bir sorgu otomatik olarak sigara yapılı bir dizin ihtiyacı varsa, el ile oluşturun.<ol>
<li>(Ek şekil 1) MySQL sunucusuna bağlayın.</li>
		<li>Seçin ve veritabanı adı sol tıklatın.</li>
		<li>Seçin ve ilişkili tabloda yer aldığı dizine alınmış alanı tıklatın.</li>
		<li>"Yapı" sekmesini tıklayın.</li>
		<li>Seçin ve dizin nerede kurulacak sütun'u tıklatın.</li>
		<li>"Dizin"'ı tıklatın. Not Dizin oluşturma SQL cümlesi görünür ve cümle başarıyla inşa etti belirten bir ileti görüntülenir.</li>
	</ol>
</li>
	<li>İlk sorguyu yürütün.<ol>
<li>Seçin ve veritabanı adı sol tıklatın.</li>
		<li>"SQL" sekmesini tıklayın.</li>
		<li>İlk sorguyu SQL kodu yapıştırın veya yazın (bkz. ek Şekil 2).</li>
		<li>"Devam" tuşuna basın. Not sonuç listesindeki ilk ekran, sorgu yürütme süresi ile bir ileti ile birlikte görünür.</li>
		<li>Yürütme 5 kez tekrarlayın ve ortalama yanıt süresi hesaplamak.</li>
	</ol>
</li>
	<li>5 ile sorgular 2 ile 6 arasındaki adımları yineleyin.</li>
	<li>Tüm süreç üç kez, 5.000, 10.000 ve 20.000 özleri veritabanları ile yapmak.</li>
</ol>5. tasarım ve 3 NoSQL NoSQL veritabanlarında 6 karmaşıklık artan sorguları yürütmek
<ol><li>NoSQL GUI başlatın ( Tablo malzemelerigörmek).</li>
	<li>Mongod programın bir DOS sistem penceresinden yürütme NoSQL 2.6 sunucu başlatma (bkz. ek şekil 3).</li>
	<li>Takip adım 2.4 NoSQL GUI kullanarak bağlantı noktası 27017 localhost sunucusuna bağlanmak için.</li>
	<li>Seçin ve sol tarafında NoSQL veritabanını genişletin.</li>
	<li>Koleksiyonu seçin.</li>
	<li>Araç çubuğundaki "koleksiyon" menüsünde'ı tıklatın.</li>
	<li>İlk NoSQL sorguyu yürütün.<ol>
<li>"Sorgu Oluşturucusu'nu" düğmesini çift tıklayın.</li>
		<li>Sorgu alanı"sağ Sorgu Oluşturucusu'nu çift tıklatın.</li>
		<li>NoSQL sorgu alan sorgu paneli (bkz: ek şekil 4) alanı metin kutusuna yazın.</li>
		<li>NoSQL sorgu değeri sorgu paneli değer metin kutusuna yazın. Not: Bu sorgu {"ns3:EHRExtract.allCompositions.content.items.parts.parts.name.ns2:originalText. gibi bir şey olmalıdır değer":"Descripcion"}. Alan ve değer alıntı ve noktalı virgülle ayrılmış.</li>
		<li>Sorgu Oluşturucusu'nun projeksiyon alanı çift tıklatın</li>
		<li>İlk projeksiyon projeksiyon metin kutusuna yazmak (bkz ek Şekil 5).</li>
		<li>Yeni projeksiyon metin kutusu eklemek için projeksiyon alanı çift tıklatın.</li>
		<li>İkinci projeksiyon projeksiyon metin kutusuna yazın. Not: Bir projeksiyon sorgu tarafından alınan belgenin bir parçasını seçer. Bunlar {"ns3:EHRExtract. gibi bir şey olmalıdır allCompositions.content.items.parts.parts.value.value": 1} ve {" ns3: EHRExtract.all Compositions.content.items.parts.parts.value.nullFlavor ": 1}</li>
		<li>Sorguyu yürütmek için mavi yürüt düğmesini tıklatın.</li>
		<li>Sorgu kodu sekmesinde sorgu kodu görselleştirin.</li>
		<li>Sonuç açıklama sekmesini görüntülemek: sonuç sayısı, yürütme süresi (milisaniye cinsinden).</li>
		<li>Görüntülemek genişletin ve sonuç sekmesinde sonuçları inceleyin.</li>
		<li>Sorgunun işlenmesi gerekiyorsa, bir Java programı sonuçları işlemek sorgu ve yöntemi ile NoSQL Java sürücüsüyle yazmak.</li>
		<li>Yürütme 5 kez tekrarlayın ve ortalama yanıt süresi hesaplamak.</li>
	</ol>
</li>
	<li>5,7 kalan 2'den 6 sorguları için adım.</li>
	<li>Tüm süreç 5.000, 10.000 ve 20.000 NoSQL veritabanları ayıklar yineleyin.</li>
</ol>6. tasarım ve çalıştırmak 3'te NoSQL mevcut veritabanları 6 artan karmaşıklık sorgular
<ol><li>Mevcut DBMS başlatın.</li>
	<li>Java Admin istemcisini açın.</li>
	<li>"Veritabanına bağlan" düğmesine basın.</li>
	<li>Veritabanını seçin ve tıklayın.</li>
	<li>Tıkırtı üstünde yemek listesi "XPath kullanarak veritabanı başvurun"; konsültasyon iletişim kutusu görüntülenir.</li>
	<li>İlk XPath sorgusu yürütmek (bkz. ek şekil 6).<ol>
<li>İletişim kutusunun üst kısmındaki ilk sorgunun XPath kodu yapıştırın veya yazın.</li>
		<li>İletişim kutusunun araç çubuğunda "Execute" menüsünde'ı tıklatın.</li>
		<li>İletişim kutusunun alt kısmında "XML" sekmesini kullanarak XML sonuçlarını görüntüleyin.</li>
		<li>Sonuçları ve derleme ve iletişim kutusunun alt tarafındaki yürütme saat sayısını görüntüleyin.</li>
		<li>Yürütme 5 kez tekrarlayın ve ortalama yanıt süresi hesaplamak.</li>
	</ol>
</li>
	<li>Sorgu 2'den 6 için 6 arasındaki adımları yineleyin.</li>
	<li>5.000, 10.000 ve 20.000 özleri veritabanları için tüm süreç üç kez yapmak.</li>
</ol>7. tasarım ve MySQL ve NoSQL 5.000 ayıklar veritabanlarını kullanarak bir eşzamanlılık deneme çalıştırmak
Not: Mevcut veritabanı deneme bu dönemde önceki deneylerde daha kötü performansı nedeniyle kaldırıldı.
<ol><li>Üç kısa zaman yanıt sorgularla (genellikle birkaç saniye altında) 5.000 özleri veritabanı kullanarak önceki deneyler seçin.</li>
	<li>Tanımlamak ve el ile gerekirse bu sorguları için uygun öznitelik dizinler oluşturmak.</li>
	<li>Program iki Java çok iş parçacıklı uygulamalar, MySQL için bir ve diğer NoSQL için; her uygulama üç farklı öncelikli konu, 1. adımda seçtiğiniz her sorgu için bir tane olacak.</li>
	<li>Yürütmek ve CPU (merkezi işlem birimi) dağıtım kullanmak için her iş parçacığı (sorgu) hesaplamak.</li>
	<li>Beş kez her 10dk span sırasında yürütmek düğmesini tıklatarak çoklu iş parçacığı kullanan her uygulama için yürütmek ve en yürütülen (en yüksek öncelik) hesaplamak ortalama işlem hacmi ve ortalama süre yanıt üç sorgular sorgu.</li>
	<li>Sorguları yürütme, öncelikleri ve yürütme süresi ile görüntüleyin.</li>
	<li>Hesaplama ortalama işlem hacmi ve ortalama yanıt süresi her üç sorgu.</li>
</ol>

<ol><li>Codd, E. F. <a target="_blank" href="https://cs.uwaterloo.ca/~david/cs848s14/codd-relational.pdf">A relational model for large shared data banks.</a> Comm ACM. 13 (6), 377-387 (1970).</li>
<li>Kalra, D., Lloyd, D. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aKalra%2C+D+%22ISO+13606+electronic+health+record+communication+part+1%3A+reference+model%22">ISO 13606 electronic health record communication part 1: reference model</a>. , ISO. Geneva. ISO 13606-1 (2008).</li>
<li>Kalra, D., et al. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aKalra%2C+D+%22Electronic+health+record+communication+part+2%3A+archetype+interchange+specification%22">Electronic health record communication part 2: archetype interchange specification</a>. , ISO. Geneva. ISO 13606-2 (2008).</li>
<li>Kalra, D., Beale, T., Heard, S. <a target="_blank" href="https://www.ncbi.nlm.nih.gov/pubmed/16160223">The openEHR foundation.</a> Stud. Health Technol. Inform. 115, 153-173 (2005).</li>
<li>Health Level seven. Health Level Seven International. , Available from:
 <a target="_blank" href="http://www.hl7.org">http://www.hl7.org</a> (2017).</li>
<li>Beale, T. <a target="_blank" href="https://www.researchgate.net/publication/237033734_Archetypes_Constraint-based_Domain_Models_for_Future-proof_Information_Systems">Archetypes: constraint-based domain models for future proof information systems.</a> OOPSLA, Workshop Behav Semant. , (2002).</li>
<li>Sánchez-de-Madariaga, R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Examining+database+persistence+of+ISO%2FEN+13606+standardized+electronic+health+record+extracts%3A+relational+vs.+NoSQL+approaches%5BTitle%5D)+AND+%22BMC+Medical+Informatics+and+Decision+Making%22%5BJournal%5D)">Examining database persistence of ISO/EN 13606 standardized electronic health record extracts: relational vs. NoSQL approaches.</a> BMC Medical Informatics and Decision Making. 32 (2), 493-503 (2017).</li>
<li>Ireland, C., Bowers, D., Newton, M., Waugh, K. <a target="_blank" href="https://www.researchgate.net/publication/42800142_Understanding_object-relational_mapping_A_framework_based_approach">Understanding object-relational mapping: a framework based approach.</a> Int. J. Adv. Softw. 2, 202-216 (2009).</li>
<li>Node+Path Persistence. , Available from:
 <a target="_blank" href="https://openehr.atlassian.net/wiki/spaces/dev/pages/6553626/Node+Path+Persistence">https://openehr.atlassian.net/wiki/spaces/dev/pages/6553626/Node+Path+Persistence</a> (2017).</li>
<li>Wang, L., Min, L., Wang, R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Archetype+relational+mapping+-+a+practical+openEHR+persistence+solution%5BTitle%5D)+AND+%22BMC+Medical+Informatics+and+Decision+Making%22%5BJournal%5D)">Archetype relational mapping - a practical openEHR persistence solution.</a> BMC Medical Informatics and Decision Making. 15, 88(2015).</li>
<li>Kaur, K., Rani, R. <a target="_blank" href="http://ieeexplore.ieee.org/document/7063177/">Managing data in healthcare information systems: many models, one solution.</a> Computer. March. , 52-59 (2015).</li>
<li>Sabo, C., Pop, P. C., Valean, H., Danciulescu, D. <a target="_blank" href="https://link.springer.com/chapter/10.1007/978-3-319-53480-0_1">An innovative approach to manage heterogeneous information using relational database systems.</a> Advances in Intelligent Systems and Computing. 557, Springer. (2017).</li>
</ol>

Yazarlar ifşa gerek yok. Bu deneylerde kullanılan veri kümeleri bu deneyler için lisansı altında birkaç İspanyol hastaneler tarafından sağlanan ve sonuç olarak halka açık değildir. ISO/EN 13606 RM XML şeması University College London Merkezi tarafından Sağlık Bilişimi & Multiprofessional eğitim (çan) için sağlanan.

Bu iletişim kuralı yanıt süreleri yavaş, muhtemelen yüksek bir sayıda ilişkisel tablolar çok pahalı birleştirme işlemlerini gerçekleştirme ve nedeniyle nedeniyle olduğundan saf ilişkisel ORM sistemleri tek-hasta sorgularında (S1, S3 ve S4) pratik görünmüyor olduğunu gösterir veritabanı belirli tür tarafından kullanılan depolama sistemi. İlişkisel sistemleri her belgenin tüm veritabanını boyunca yayılır tablo temelli bir moda kullanırken NoSQL veritabanları belge tabanlı bir biçimde veri depolar. NoSQL sistemleri doğrusal bir yamaç, DBMS var daha önemli ölçüde daha hızlı gerçekleştirme NoSQL ile göster. Eşzamanlılık içinde NoSQL de ilişkisel MySQL ORM7daha iyi davranır.
Bu iletişim kuralı için sonuçları7 ORM MySQL DBMS ile ilgili olarak sunulan bir sorun gidermesi Protokolü sunar. MySQL sistemi en son sürümüne güncellendi ve sonuçları biraz değiştirilmiş. Buna ek olarak, belge tabanlı NoSQL sistemlerde kritik bir noktaya NoSQL EHR ekstresi güncelleştirildiğinde, değil yazılır çünkü tıbbi bilgiler7 depolamak, ama bir bütün yeni verilerle yeni ayıkladığınızda onlar tutarlılığı korumak gibi olduğunu oluşturulan ve sisteminde depolanan ve özgün özü korunur. Bazı tıp uygulayıcıları Tıbbi kararlar özgün verilere dayanarak yapılmış olabilir çünkü bu tıbbi bilgi, sıkı bir gereksinimdir.
Gelişmiş ilişkisel kol sistemi büyük ölçüde ilişkisel tablolar sayısı azalır ve ilişkisel performansını artırır. Ancak, ilişkisel şemayı değiştiren beri özler tarafından tutulan tıbbi bilgilerin sorgulanmasını ama özleri tam orijinal formlarında kurtarılamaz.
Çok büyük ikincil veritabanlarında kullanın (araştırma), all-hasta sorguları (Q2 ve Q5) ORM içinde NoSQL sistemlerinde uslu hangi veritabanı sistemi daha uygun olduğu için açık değil, ama bu sistemleri Basitleştirilmiş daha iyi performans için ilişkisel 12sistemlerinde. Klinik pratikte arasında ve ikincil özel sorgu kullanma olan davranış bu deneyler tarafından vermiştir sonuçlarına göre tespit edilemez Q6 göz önünde bulundurun.
Ancak, bir yöntem gelişmiş ilişkisel kol sistemiyle NoSQL NoSQL tek-hasta, tıbbi uygulama sorguları ile ilgili iletişim kuralında kullanılan tam olarak aynı verilerle karşılaştırarak doğrudan deneyler inavailability kısıtlamasıdır. Tablo 3 ve Tablo 5 tek-hasta sorguları ile ilgili protokol içinde en iyi duruma getirilmiş kol dahil olmak üzere deneme gerçekleştirildi kadar enterpolasyonla sonuçları saklanır. Bu deneyler gelecekteki uygulamalar için yola çıkıyoruz. Tam state-of--art üç teknolojileri karşılaştırmak iletişim kuralına bir kritik adım ücretsiz veritabanı, son yıl, benzer yazılım sürümleri seçimdir.
Bu doğrudan ilişkisel karşılaştırmak için ilk deneme ve gerçek, gerçekçi, standart tıbbi bilgileri kullanarak NoSQL sistemleri biridir. Ancak, kullanılacak belirli bir sistem çok gerçek senaryo ve sorun çözüldü8olarak bağlıdır.

NoSQL (sadece SQL) DBMS son zamanlarda alternatif için geleneksel ilişkisel DBMS (RDMBS) olarak ortaya çıktı. RDBMS veri veritabanı sistemlerinde yıllardır saklanan edildi şekilde hakim olmuş. İyi okudu ve anlaşılır ilişkisel cebir ve diferansiyel ve İntegral Hesap verimlilik ve RDBMS1tutarlılığını garanti. NoSQL sistemleri ilişkisel sistemleri karşılıklarını olmak değil, ama onlar avantajlı belirli senaryolarda ve çeşitli koşullar altında davranır.
Bu belirli senaryolar ve koşullar bazı tıbbi bilgi depolamak ve yönetmek için kullanılan elektronik sağlık kaydı (EHR) sistemleri veritabanı sebat tasarlarken oluşacak. Birlikte çalışabilir ve pratikte ISO/EN 13606, openEHR ve HL72,3,4gibi çeşitli uluslararası standartları sürdürülebilir olması için,5 kullanılan EHR özleri standartlaştırmak.
ISO/EN 13606 ve openEHR gibi birkaç standart bilgi ve bilgi referans modeli (RM) tarafından temsil soyutlama ve özel veri yapıları archetypesolarak adlandırılan iki farklı düzeylerde ayrılmış. Bu ayrılık kez çift modeli olarak adlandırılan ve EHR sistemleri tüm EHR sistem yeniden programlama olmadan ve sonuç olarak, için gelişmeye anlam olarak birlikte çalışabilir ve tıbbi bilgi verir Bakımı ve sürdürülebilir pratik6 . Ancak, standart EHR sistemlerinde uygulanan çift model belirli bir yapı kuruluşu bilgi izler ve bu sistem veritabanı kalıcı düzeyde tasarlanmış7şekilde derin sonuçları vardır gerektirir.
Nesne ilişkisel eşleme (ORM)8 ilişkisel veritabanı paradigması kullanarak bir EHR sistemi uygulamak için bir metodoloji'dir. ORM etraflıca bir ilişkisel veritabanı için sistem tarafından kullanılan standart EHR özleri XML (eXtensible Markup Language) dosyalarının yapısını eşler. ORM etraflıca standart EHR özleri XML dosyalarının yapısını takip birçok ilişkisel tablolar oluşturur. Bu ilişkisel tablolar birçok yabancı anahtarları ile ilişkilidir ve elde edilen sistemi çok etkili olmayabilir.
ORM için çeşitli ilişkisel iyileştirmeler önerilmiştir. openEHR'ın düğüm + yolu9 tarafından bütün ayıklayın XML dosyası biçimlendiricisi alt ağaçlar BLOB (ikili büyük nesne) içine ilişkisel tablolar sayısını azaltır. Ancak, bu basitleştirme karmaşık alma mantığı, karmaşık sorgular zarar neden olur. Güzel örneği ilişkisel eşleme (kol)10 archetypes, archetypes ve ilişkisel tablolar arasındaki eşlemeleri dayalı yeni bir ilişkisel şema oluşturma tarafından yönlendirilen bir veritabanı modeli oluşturur. Sonuç olarak, bazı tıbbi olmayan bilgileri EHR ekstresinin şey bitti.
Birçok belge tabanlı NoSQL veritabanı tüm belgeleri bir orijinal XML ya da JSON (JavaScript Object Notation) saygı tüm BLOB'lar depolamak biçimi. Böylelikle hiçbir ilişkisel tablolar oluşturulur. Bu NoSQL veritabanları hiçbir şema var ve birleşimler veya (asit) özellikleri11, Yani, atom oranı, tutarlılık, yalıtım ya da dayanıklılık desteklemez. Sonuç olarak, onlar aynı unsurları bir belge öğesi başvuruda bulunuyorsa veya bir yönlendirme bağlantısı kullanan diğer tür belgeleri çok verimsiz olabilir. Tutarlılık sağlamak için başvurulan belgelerin tamamını olduğundan, ardışık olarak işlenmek üzere bu olur. Ancak, ilişkisel olmayan bir veritabanı DBMS tarafından gerçekleştirilen ana görevi bir belge tabanlı görev ise hala uygun olabilir. Bunun nedeni veri bu da EHR tıbbi belgeleri (tartışma bölümüne bakın) tarafından başarılı Özel kalıcılık politikaları nedeniyle olmasına rağmen daha yakından bir belge tabanlı NoSQL veritabanı kullanarak anlayışına doğru yaklaşıldığıdır bir formda kalabilir.
Bu yöntemlerin amacı sebat katman üç farklı DBMS'ler kullanarak standart bir EHR sisteminin uygulanması karşılaştırmak için çeşitli deneyler vitrin etmektir: bir ilişkisel (MySQL) ve iki NoSQL (NoSQL belge tabanlı ve yerel XML var). Onların hesaplama karmaşıklık oldu hesaplanan ve üç farklı artan boyutu veritabanı ve altı farklı karmaşıklık artan sorgularını kullanarak karşılaştırıldığında. Üç veritabanı sunucularının yüklendiği ve nerede sorgular yürütülen aynı bilgisayara yerel olarak yapılandırılmış. Teknik ayrıntılar için Malzemeler tablo görmek.
Eşzamanlılık deneyler de ilişkisel MySQL ve NoSQL NoSQL DBMS'ler performansını karşılaştırmak üzere yapılmıştır. Açıklanan ORM iyileştirmeler (düğüm + yolu ve kol) da edebiyat10ilgili uygun sonuçları kullanılarak karşılaştırılmıştır.
Veritabanı yönetim sistemleri sürekli hızlanan bir hızla gelişmektedir. Sadece mevcut paradigma ilişkisel model yaşındayken hiç kimse bu üstel gelişme hakkında düşünürdüm. Bir örnek almak için örneğin nerede bir model tepki süresi gelişmiş ilişkisel veritabanları ACID özelliklerini koruyarak uygulamak için önerilmiş12, bakın.

<table><tbody><tr><td>MySQL 5.7.20</td><td></td><td></td><td>MySQL experiments</td></tr><tr><td>Red Hat Enterprise Linux Server release 7.4 (Maipo), 2.60GHz, RAM 16GB</td><td></td><td></td><td></td></tr><tr><td>MongoDB 2.6</td><td></td><td></td><td>MongoDB experiments</td></tr><tr><td>Windows 7, 2.66GHz, RAM 12GB&amp;nbsp;</td><td></td><td></td><td></td></tr><tr><td>eXist 3.0RC1</td><td></td><td></td><td>eXist experiments</td></tr><tr><td>Windows 7, 2.66GHz, RAM 12GB&amp;nbsp;</td><td></td><td></td><td></td></tr><tr><td>Studio 3T 5.5.1</td><td>3T Software Labs Gmbh</td><td></td><td>MongoDB GUI</td></tr></tbody></table>

executing complexity-increasing queries in relational (mysql) and nosql (mongodb and exist) size-growing iso/en 13606 standardized ehr databases

Bu araştırma, sorgulama Hesaplamalı karmaşıklığını ilişkisel değerlendirmek için bir protokol gösterir ve ilişkisel olmayan (NoSQL (sadece yapılandırılmış sorgu dili)) elektronik sağlık kaydı (EHR) tıbbi bilgi veritabanı sistemleri (DBMS) standart. Üç iki katına ölçekli veritabanı, veritabanları, 5000 depolama 10.000 ve 20.000 gerçekçi standart EHR özleri, üç farklı veritabanı yönetim sistemleri (DBMS) Yani bir dizi kullanır: ilişkisel MySQL nesne-ilişkisel eşlemeyi (ORM), NoSQL NoSQL belge tabanlı ve yerel Genişletilebilir Biçimlendirme Dili (XML) NoSQL adlı biri yok.
Ortalama yanıt süreleri altı karmaşıklık artan sorguları için hesaplanan ve sonuçlar NoSQL durumlarda doğrusal bir davranış gösterdi. NoSQL alanında NoSQL var daha bir çok düz doğrusal eğim sunar.
NoSQL sistemleri de özel olması nedeniyle standart tıbbi bilgi sistemleri tutarlılığı ve verimliliği NoSQL veritabanlarında depolanan verilerin etkilememelidir tıbbi bilgi güncelleştirme politikalarının korumak daha uygun olabilir.
Bu iletişim kuralı bir sınırlama güzel örneği ilişkisel eşleme (kol) ile aynı verileri gibi gelişmiş ilişkisel sistemlerinin doğrudan sonuçları olmaması. Ancak, katlama boyutu veritabanı sonuçları bu ilişkilendirme literatürde sundu ve yayımlanmış diğer sonuçları göstermektedir NoSQL sistemleri birçok belirli senaryolar ve çözülmesi gereken sorunları daha uygun olabilir. Örneğin, NoSQL klinik pratikte, ya da baskı ve görselleştirme veya amaç değil sadece olduğu durumlar kullanılan EHR özleri için tıbbi bilgileri sorgulama, aynı zamanda tam olarak orijinal biçiminde EHR geri yüklemek gibi görevleri belge tabanlı için uygun olabilir.

Hastaların, onların adları, ilk ve son tarihleri ve önem derecesi gibi sorunlar hakkında bilgi içeren gerçekçi standart EHR özü üzerinde gerçekleştirilen altı farklı sorgular Tablo 1' de gösterilmiştir.
Ortalama yanıt süreleri altı sorguların her DBMS üç katlama-boyut veritabanında Tablo 2-4' te gösterilmiştir. Rakamlar 1-6 göster aynı sonuçları grafik olarak (dikey eksen boyunca bu rakamlar çok farklı ölçekler kullanır dikkat edin).
Hesaplama karmaşıklık güçlü doğrusal davranışını kullanılan 3 veri kümeleri nispeten küçük boyutu nedeniyle uygun dikkatli rağmen NoSQL veritabanları, tüm sorguları belirgindir. Ancak, ilişkisel ORM veritabanı belirsiz bir doğrusal davranışı gösterir. NoSQL veritabanı bir düz kadar yamaç var veritabanına daha vardır.
Literatürde Yayınlandı giriş ele gelişmiş ilişkisel sistemleri tarafından sonuçları Tablo 5' te bulunabilir. Benzer sorguları ve veritabanı boyutu Tablo 5 kol sonuçlarının NoSQL sonuçlar Tablo 3 enterpolasyonla her iki veritabanı sistemleri Q1 eşittir ama NoSQL Q3 içinde yanadır.
Eşzamanlılık deneylerin sonuçlarını Tablo 5 ve tablo6' da bulunabilir. NoSQL MySQL her iki işlem hacmi ve yanıt zaman içinde daha iyi. Aslında, NoSQL daha iyi yalıtım eşzamanlılık davranır ve eşzamanlı yürütme etkileyici bir veritabanında gibi duruyor.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/57439/57439fig1.jpg"> Resim 1 : ORM MySQL, NoSQL, algoritmik karmaşıklık ve sorguları için Q1 ve Q4 DBMS var. Bu rakam7 Creative Commons lisansı (http://creativecommons.org/ licenses/by/4.0/) kullanarak değiştirildi ve yanıt süreleri saniye 5.000, 10.000 ve 20.000 ölçekli EHR her DBMS ve sorgu Q1 ve Q4 için veritabanları ayıklar gösterir. <a href="//cloudflare.jove.com/files/ftp_upload/57439/57439fig1large.jpg" target="_blank">Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.</a>
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/57439/57439fig2.jpg"> Resim 2 : ORM MySQL DBMS sorgu Q2 için algoritmik karmaşıklık. Bu şekilde yanıt süreleri saniye 5.000, 10.000 ve 20.000 ölçekli EHR ORM MySQL veritabanı sorgu Q2 için ayıklar gösterilir. <a href="//cloudflare.jove.com/files/ftp_upload/57439/57439fig2large.jpg" target="_blank">Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.</a>
<img alt="Figure 3" class="xfigimg" src="/files/ftp_upload/57439/57439fig3.jpg"> Şekil 3 : NoSQL algoritmik karmaşıklık ve sorgu Q2 ve Q5 DBMS var. Bu rakam7 Creative Commons lisansı kullanarak değiştirildi (http://creativecommons.org/licenses/ tarafından / 4.0) ve gösterir yanıt süreleri saniye 5.000, 10.000 ve 20.000 ölçekli EHR her DBMS ve sorgu Q2 ve S5 için veritabanları ayıklar. <a href="//cloudflare.jove.com/files/ftp_upload/57439/57439fig3large.jpg" target="_blank">Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.</a>
<img alt="Figure 4" class="xfigimg" src="/files/ftp_upload/57439/57439fig4.jpg"> Şekil 4 : ORM MySQL DBMS algoritmik karmaşıklık sorgu Q3 ve S5 için. Yanıt süreleri saniye 5.000, 10.000 ve 20.000 ölçekli EHR her DBMS ve sorgu Q3 ve S5 için veritabanları ayıklar gösterir. <a href="//cloudflare.jove.com/files/ftp_upload/57439/57439fig4large.jpg" target="_blank">Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.</a>
<img alt="Figure 5" class="xfigimg" src="/files/ftp_upload/57439/57439fig5.jpg"> Şekil 5: var ve NoSQL DBMS için sorgu Q3 algoritmik karmaşıklık. Bu rakam7 Creative Commons lisansı (http://creativecommons.org/licenses/ tarafından/4.0 /) kullanarak değiştirildi ve yanıt süreleri saniye 5.000, 10.000 ve 20.000 ölçekli EHR her DBMS ve sorgu Q3 için veritabanları ayıklar gösterir. <a href="//cloudflare.jove.com/files/ftp_upload/57439/57439fig5large.jpg" target="_blank">Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.</a>
<img alt="Figure 6" class="xfigimg" src="/files/ftp_upload/57439/57439fig6.jpg"> Şekil 6 : ORM MySQL, algoritmik karmaşıklık var ve NoSQL DBMS için sorgu S6. Bu rakam7 Creative Commons lisansı (http://creativecommons.org/licenses/ tarafından/4.0 /) kullanarak değiştirildi ve yanıt süreleri saniye 5.000, 10.000 ve 20.000 ölçekli EHR her DBMS ve sorgu S6 için veritabanları ayıklar gösterir. <a href="//cloudflare.jove.com/files/ftp_upload/57439/57439fig6large.jpg" target="_blank">Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.</a>
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always"><tbody>
<tr>
<td></td>
			<td>Sorgu</td>
		</tr>
<tr>
<td>Q1</td>
			<td>Tek bir hastanın tüm sorunları bulma</td>
		</tr>
<tr>
<td>Q2</td>
			<td>Tüm hastaların tüm sorunları bulma</td>
		</tr>
<tr>
<td>Q3</td>
			<td>Başlangıç tarihi, çözünürlük Tarih ve önem bulmak</td>
		</tr>
<tr>
<td></td>
			<td>tek bir hastanın tek bir sorunu</td>
		</tr>
<tr>
<td>Q4</td>
			<td>Başlangıç tarihi, çözünürlük Tarih ve önem bulmak</td>
		</tr>
<tr>
<td></td>
			<td>tek bir hasta bütün sorunları problemini</td>
		</tr>
<tr>
<td>Q5</td>
			<td>Başlangıç tarihi, çözünürlük Tarih ve önem bulmak</td>
		</tr>
<tr>
<td></td>
			<td>tüm hastaların tüm sorunları sorunu</td>
		</tr>
<tr>
<td>S6</td>
			<td>Sorun 'farenjit' olan tüm hastalarda bulmak</td>
		</tr>
<tr>
<td></td>
			<td>ilk tarihi > ' 16/10/2007 =', çözümleme tarihi</td>
		</tr>
<tr>
<td></td>
			<td>< = ' 06/05/2008 ' ve 'yüksek'</td>
		</tr>
</tbody></table>Tablo 1: altı sorgular ilişkisel üzerinde gerçekleştirilen ve NoSQL veritabanlarını içeren standart EHR ayıklar hakkında hastaların sorunları. Bu tablo7 Creative Commons lisansı (http://creativecommons.org/ licenses/by/4.0/) kullanarak değiştirildi ve doğal olarak ifade edilen her DBMS için üç boyutu büyüyen veritabanı üzerinde gerçekleştirilen altı karmaşıklık büyüyen sorguları gösterir dili.
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always"><tbody>
<tr>
<td>ORM/MySQL</td>
			<td>5000 Dokümanlar</td>
			<td>10.000 Dokümanlar</td>
			<td>20.000 Dokümanlar</td>
		</tr>
<tr>
<td>Q1 (s)</td>
			<td>25.0474</td>
			<td>32.6868</td>
			<td>170.7342</td>
		</tr>
<tr>
<td>Q2 (s)</td>
			<td>0.0158</td>
			<td>0.0147</td>
			<td>0,0222</td>
		</tr>
<tr>
<td>Q3 (s)</td>
			<td>3.3849</td>
			<td>6.4225</td>
			<td>207.2348</td>
		</tr>
<tr>
<td>Q4 (s)</td>
			<td>33.5457</td>
			<td>114.6607</td>
			<td>115.4169</td>
		</tr>
<tr>
<td>Q5 (s)</td>
			<td>9.6393</td>
			<td>74.3767</td>
			<td>29.0993</td>
		</tr>
<tr>
<td>S6 (s)</td>
			<td>1.4382</td>
			<td>2.4844</td>
			<td>183.4979</td>
		</tr>
<tr>
<td>Veritabanı boyutu</td>
			<td>4.6 GB</td>
			<td>9.4 GB</td>
			<td>19,4 GB</td>
		</tr>
<tr>
<td>Toplam özler</td>
			<td>5000</td>
			<td>10.000</td>
			<td>20.000</td>
		</tr>
</tbody></table>Tablo 2: ortalama iki katına boyutlu veritabanları ORM MySQL ilişkisel DBMS altı sorgulamaları saniye içinde yanıt kez. Bu tablo ORM MySQL ilişkisel DBMS ve üç veritabanı bellek boyutunu kullanarak üç iki katına boyutlu veritabanları için her sorgu için 6 yanıt sürelerini gösterir.
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always"><tbody>
<tr>
<td>NoSQL</td>
			<td>5000 Dokümanlar</td>
			<td>10.000 Dokümanlar</td>
			<td>20.000 Dokümanlar</td>
			<td>yamaç (*10exp(-6))</td>
		</tr>
<tr>
<td>Q1 (s)</td>
			<td>0.046</td>
			<td>0.057</td>
			<td>0.1221</td>
			<td>5,07</td>
		</tr>
<tr>
<td>Q2 (s)</td>
			<td>34.5181</td>
			<td>68.6945</td>
			<td>136.2329</td>
			<td>6,780.99</td>
		</tr>
<tr>
<td>Q3 (s)</td>
			<td>0.048</td>
			<td>0.058</td>
			<td>0.1201</td>
			<td>4,81</td>
		</tr>
<tr>
<td>Q4 (s)</td>
			<td>0.052</td>
			<td>0,061</td>
			<td>o.1241</td>
			<td>4,81</td>
		</tr>
<tr>
<td>Q5 (s)</td>
			<td>38.0202</td>
			<td>75.4376</td>
			<td>149.933</td>
			<td>7460.85</td>
		</tr>
<tr>
<td>S6 (s)</td>
			<td>9.5153</td>
			<td>18.5566</td>
			<td>36.7805</td>
			<td>1,817.68</td>
		</tr>
<tr>
<td>Veritabanı boyutu</td>
			<td>1,95 GB</td>
			<td>3,95 GB</td>
			<td>7.95GB</td>
			<td></td>
		</tr>
<tr>
<td>Toplam özler</td>
			<td>5000</td>
			<td>10.000</td>
			<td>20.000</td>
			<td></td>
		</tr>
</tbody></table>Tablo 3: ortalama iki katına boyutlu veritabanları NoSQL NoSQL DBMS altı sorgulamaları saniye içinde yanıt kez. Bu tablo7 Creative Commons lisansı (http://creativecommons.org/ licenses/by/4.0/) kullanarak değiştirildi ve her sorgu altı yanıt süreleri NoSQL NoSQL DBMS ve bellek boyutu kullanarak üç iki katına boyutlu veritabanları için gösterir Üç veritabanları. Her sorgu doğrusal eğimi de gösterilir.
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always"><tbody>
<tr>
<td>biri yok</td>
			<td>5000 Dokümanlar</td>
			<td>10.000 Dokümanlar</td>
			<td>20.000 Dokümanlar</td>
			<td>yamaç (*10exp(-6))</td>
		</tr>
<tr>
<td>Q1 (s)</td>
			<td>0.6608</td>
			<td>3.7834</td>
			<td>7.3022</td>
			<td>442.76</td>
		</tr>
<tr>
<td>Q2 (s)</td>
			<td>60.7761</td>
			<td>129.3645</td>
			<td>287.362</td>
			<td>15,105.73</td>
		</tr>
<tr>
<td>Q3 (s)</td>
			<td>0.6976</td>
			<td>1.771</td>
			<td>4.1172</td>
			<td>227.96</td>
		</tr>
<tr>
<td>Q4 (s)</td>
			<td>0.6445</td>
			<td>3.7604</td>
			<td>7.3216</td>
			<td>445.17</td>
		</tr>
<tr>
<td>Q5 (s)</td>
			<td>145.3373</td>
			<td>291.2502</td>
			<td>597.7216</td>
			<td>30,158.93</td>
		</tr>
<tr>
<td>S6 (s)</td>
			<td>68.3798</td>
			<td>138.9987</td>
			<td>475.2663</td>
			<td>27,125.82</td>
		</tr>
<tr>
<td>Veritabanı boyutu</td>
			<td>1,25 GB</td>
			<td>2.54GB</td>
			<td>5.12GB</td>
			<td></td>
		</tr>
<tr>
<td>Toplam özler</td>
			<td>5000</td>
			<td>10.000</td>
			<td>20.000</td>
			<td></td>
		</tr>
</tbody></table>Tablo 4: ortalama iki katına boyutlu veritabanları EXIST NoSQL DBMS altı sorgulamaları saniye içinde yanıt kez. Bu tablo7 Creative Commons lisansı (http://creativecommons.org/ licenses/by/4.0/) kullanarak değiştirildi ve DBMS ve bellek boyutunu her sorgu altı yanıt süreleri NoSQL kullanarak üç iki katına boyutlu veritabanları için mevcut gösterir Üç veritabanı. Her sorgu doğrusal eğimi de gösterilir.
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always"><tbody>
<tr>
<td></td>
			<td>KOL kağıt</td>
			<td>KOL (s)</td>
			<td>Düğüm + yolu (s)</td>
		</tr>
<tr>
<td>Q1</td>
			<td>Sorgu 2.1</td>
			<td>0.191</td>
			<td>24.866</td>
		</tr>
<tr>
<td>Q3</td>
			<td>Sorgu 3.1</td>
			<td>0,27</td>
			<td>294.774</td>
		</tr>
<tr>
<td></td>
			<td>Veritabanı boyutu</td>
			<td>2.90GB</td>
			<td>43.87GB</td>
		</tr>
<tr>
<td></td>
			<td>Toplam özler</td>
			<td>29,743</td>
			<td>29,743</td>
		</tr>
</tbody></table>Tablo 5: ortalama yanıt süreleri saniye sorgu Q1 ve Q3 sunulan gelişmiş ilişkisel sistemlerinin benzer 10 . Bu tablo7 Creative Commons lisansı (http://creativecommons.org/ licenses/by/4.0/) kullanarak değiştirildi ve iki çoğu benzer sorgu Q1 ve iki gelişmiş ilişkisel veritabanı sistemleri için karşılık gelen10 sundu Q3 gösterir ve onların yanıt süreleri. İki veritabanı boyutları da gösterilmiştir.
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always"><tbody>
<tr>
<td>ORM/MySQL</td>
			<td>Üretilen iş</td>
			<td>Tepki süresi</td>
		</tr>
<tr>
<td>Q1 (s)</td>
			<td>4,711.60</td>
			<td>0.0793</td>
		</tr>
<tr>
<td>Q3 (s)</td>
			<td>4,711.60</td>
			<td>0.1558</td>
		</tr>
<tr>
<td>Q4 (s)</td>
			<td>4,711.60</td>
			<td>0.9674</td>
		</tr>
</tbody></table>Tablo 6: ortalama işlem hacmi ve yanıt süresi saniye sorgu Q1, S3 ve S4 ORM MySQL ilişkisel eşzamanlı yürütme DBMS'de. Bu tablo7 Creative Commons lisansı (http://creativecommons.org/ licenses/by/4.0/) kullanarak değişiklik yapılmış ve en yüksek ortalama akış verimi, üç tek-hasta sorgu ve onların ortalama yanıt süreleri eşzamanlı gösterir ORM MySQL ilişkisel sistemini kullanarak yürütme deney.
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always"><tbody>
<tr>
<td>NoSQL</td>
			<td>Üretilen iş</td>
			<td>Tepki süresi</td>
		</tr>
<tr>
<td>Q1 (s)</td>
			<td>178,672.60</td>
			<td>0,003</td>
		</tr>
<tr>
<td>Q3 (s)</td>
			<td>178,672.60</td>
			<td>0.0026</td>
		</tr>
<tr>
<td>Q4 (s)</td>
			<td>178,672.60</td>
			<td>0.0034</td>
		</tr>
</tbody></table>Tablo 7: ortalama işlem hacmi ve yanıt süresi saniye sorgu Q1, S3 ve S4 NoSQL NoSQL DBMS eşzamanlı yürütme. Bu tablo7 Creative Commons lisansı (http://creativecommons.org/ licenses/by/4.0/) kullanarak değişiklik yapılmış ve en yüksek ortalama akış verimi, üç tek-hasta sorgu ve onların ortalama yanıt süreleri eşzamanlı gösterir NoSQL NoSQL sistemini kullanarak yürütme deney.
Ek şekil 1: MySQL sunucusuna bağlanmak için yazılım ekran ekran gösterir. <a href="//cloudflare.jove.com/files/ftp_upload/57439/Supplementary_Figure_1.png" target="_blank">Bu rakam indirmek için buraya tıklayınız.</a>
Ek Şekil 2: ekran SQL arabirimi gösterir MySQL sunucusuna nerede ilk SQL sorgusu yazıyor. <a href="//cloudflare.jove.com/files/ftp_upload/57439/Supplementary_Figure_2.png" target="_blank">Bu rakam indirmek için buraya tıklayınız.</a>
Ek şekil 3: NoSQL 2.6 localhost sunucu sunucu mongod yürüterek bir DOS sistem penceresini kullanarak başlatılır. <a href="//cloudflare.jove.com/files/ftp_upload/57439/Supplementary_Figure_3.png" target="_blank">Bu rakam indirmek için buraya tıklayınız.</a>
Ek şekil 4: ekran 5.7.1 5.7.4 aracılığıyla adımda gösterildiği gibi Sorgu Oluşturucusu'nu metin kutuları içinde yazılı sorgu gösterir. Ekran adımı 5.7.3 göstermektedir. <a href="//cloudflare.jove.com/files/ftp_upload/57439/Supplementary_Figure_4.png" target="_blank">Bu rakam indirmek için buraya tıklayınız.</a>
Ek Şekil 5: ekran gösterir adım 5.7.6. <a href="//cloudflare.jove.com/files/ftp_upload/57439/Supplementary_Figure_5.png" target="_blank">Bu rakam indirmek için buraya tıklayınız.</a>
Ek şekil 6: ekran görüntüsü iletişim theupper kısmında XPath sorgusu yazma gösterilmiştir. <a href="//cloudflare.jove.com/files/ftp_upload/57439/Supplementary_Figure_6.png" target="_blank">Bu rakam indirmek için buraya tıklayınız.</a>

Watch this Scientific Journal Video about Executing Complexity-Increasing Queries in Relational MySQL and NoSQL MongoDB and EXist Size-Growing ISO/EN 13606 Standardized EHR Databases at JoVE.com

Executing Complexity-Increasing Queries in Relational MySQL and NoSQL MongoDB and EXist Size-Growing ISO/EN 13606 Standardized EHR Databases

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.

İlişkisel (MySQL) ve NoSQL karmaşıklık artan sorguları yürütme (NoSQL ve mevcut) boyutu büyüyen ISO/EN 13606 standart EHR veritabanları

This research shows a protocol to assess the computational complexity of querying relational and non-relational (NoSQL (not only Structured Query ...

executing-complexity-increasing-queries-relational-mysql-nosql

Research

Education

JoVE Core

JoVE Journal

Nursing

Medicine

Unit 1

Executing Complexity-Increasing Queries in Relational (MySQL) and NoSQL (MongoDB and EXist) Size-Growing ISO/EN 13606 Standardized EHR Databases

Documentation and Reporting

SCIENTISTS IN ACTION

9.3K Görüntüleme.  Health Institute "Carlos III". 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.

Video: Executing Complexity-Increasing Queries in Relational MySQL and NoSQL MongoDB and EXist Size-Growing ISO/EN 13606 Standardized EHR Databases

Generation of Comprehensive Thoracic Oncology Database - Tool for Translational Research

The Thoracic Oncology Program Database Project was created to serve as a comprehensive, verified, and accessible repository for well-annotated cancer specimens and clinical data to be available to researchers within the Thoracic Oncology Research Program. This database also captures a large volume of genomic and proteomic data obtained from various tumor tissue studies. A team of clinical and basic science researchers, a biostatistician, and a bioinformatics expert was convened to design the database. Variables of interest were clearly defined and their descriptions were written within a standard operating manual to ensure consistency of data annotation. Using a protocol for prospective tissue banking and another protocol for retrospective banking, tumor and normal tissue samples from patients consented to these protocols were collected. Clinical information such as demographics, cancer characterization, and treatment plans for these patients were abstracted and entered into an Access database. Proteomic and genomic data have been included in the database and have been linked to clinical information for patients described within the database. The data from each table were linked using the relationships function in Microsoft Access to allow the database manager to connect clinical and laboratory information during a query. The queried data can then be exported for statistical analysis and hypothesis generation.

A thoracic oncology database was developed to serve as a comprehensive repository for clinical and laboratory data for the purposes of translational research. The database will serve translational cancer researchers within the Thoracic Oncology Research Program. This database is adaptable to other cancer models, as well as other human diseases.

Kapsamlı Göğüs Onkoloji Veritabanı Üretimi - Translasyonel Araştırma Aracı

The Thoracic Oncology Program Database Project was created to serve as a comprehensive, verified, and accessible repository for well-annotated cancer ...

Tıp

Implementation of a Real-Time Psychosis Risk Detection and Alerting System Based on Electronic Health Records using CogStack

Recent studies have shown that an automated, lifespan-inclusive, transdiagnostic, and clinically based, individualized risk calculator provides a powerful system for supporting the early detection of individuals at-risk of psychosis at a large scale, by leveraging electronic health records (EHRs). This risk calculator has been externally validated twice and is undergoing feasibility testing for clinical implementation. Integration of this risk calculator in clinical routine should be facilitated by prospective feasibility studies, which are required to address pragmatic challenges, such as missing data, and the usability of this risk calculator in a real-world and routine clinical setting. Here, we present an approach for a prospective implementation of a real-time psychosis risk detection and alerting service in a real-world EHR system. This method leverages the CogStack platform, which is an open-source, lightweight, and distributed information retrieval and text extraction system. The CogStack platform incorporates a set of services that allow for full-text search of clinical data, lifespan-inclusive, real-time calculation of psychosis risk, early risk-alerting to clinicians, and the visual monitoring of patients over time. Our method includes: 1) ingestion and synchronization of data from multiple sources into the CogStack platform, 2) implementation of a risk calculator, whose algorithm was previously developed and validated, for timely computation of a patient&#39;s risk of psychosis, 3) creation of interactive visualizations and dashboards to monitor patients&#39; health status over time, and 4) building automated alerting systems to ensure that clinicians are notified of patients at-risk, so that appropriate actions can be pursued. This is the first ever study that has developed and implemented a similar detection and alerting system in clinical routine for early detection of psychosis.

We demonstrate how to deploy a real-time psychosis risk calculation and alerting system based on CogStack, an information retrieval and extraction platform for electronic health records.

CogStack kullanarak Elektronik Sağlık Kayıtlarına Dayalı Gerçek Zamanlı Psikoz Risk Algılama ve Uyarı Sisteminin Uygulanması

Recent studies have shown that an automated, lifespan-inclusive, transdiagnostic, and clinically based, individualized risk calculator provides a powerful ...

Davranış

Databases to Efficiently Manage Medium Sized, Low Velocity, Multidimensional Data in Tissue Engineering

Science relies on increasingly complex data sets for progress, but common data management methods such as spreadsheet programs are inadequate for the growing scale and complexity of this information. While database management systems have the potential to rectify these issues, they are not commonly utilized outside of business and informatics fields. Yet, many research labs already generate "medium sized", low velocity, multi-dimensional data that could greatly benefit from implementing similar systems. In this article, we provide a conceptual overview explaining how databases function and the advantages they provide in tissue engineering applications. Structural fibroblast data from individuals with a lamin A/C mutation was used to illustrate examples within a specific experimental context. Examples include visualizing multidimensional data, linking tables in a relational database structure, mapping a semi-automated data pipeline to convert raw data into structured formats, and explaining the underlying syntax of a query. Outcomes from analyzing the data were used to create plots of various arrangements and significance was demonstrated in cell organization in aligned environments between the positive control of Hutchinson-Gilford progeria, a well-known laminopathy, and all other experimental groups. In comparison to spreadsheets, database methods were enormously time efficient, simple to use once set up, allowed for immediate access of original file locations, and increased data rigor. In response to the National Institutes of Health (NIH) emphasis on experimental rigor, it is likely that many scientific fields will eventually adopt databases as common practice due to their strong capability to effectively organize complex data.

Many researchers generate "medium-sized", low-velocity, and multi-dimensional data, which can be managed more efficiently with databases rather than spreadsheets. Here we provide a conceptual overview of databases including visualizing multi-dimensional data, linking tables in relational database structures, mapping semi-automated data pipelines, and using the database to elucidate data meaning.

Doku Mühendisliğinde Orta Ölçekli, Düşük Hız, Çok Boyutlu Verileri Verimli Bir Şekilde Yönetecek Veritabanları

Science relies on increasingly complex data sets for progress, but common data management methods such as spreadsheet programs are inadequate for the ...

Biyomühendislik

Hydra, a Computer-Based Platform for Aiding Clinicians in Cardiovascular Analysis and Diagnosis

Cardiovascular diseases (CVDs) are the leading cause of death throughout the world. The total risk of developing CVD is determined by the combined effect of different cardiovascular risk factors (e.g., diabetes, raised blood pressure, unhealthy diet, tobacco use, stress, etc.) that commonly coexist and act multiplicatively. Most CVDs can be prevented by an early identification of the highest risk factors and an appropriate treatment. The stratification of cardiovascular risk factors involves a wide range of parameters and tests that specialists use in their clinical practice. In addition to cardiovascular (CV) risk stratification, ambulatory blood pressure monitoring (ABPM) also provides relevant information for diagnostic and treatment purposes. This work presents a list of protocols based on the Hydra platform, a web-based system for clinical decision support which incorporates a set of functionalities and services that are required for complete cardiovascular analysis, risk assessment, early diagnosis, treatment and monitoring of patients over time. The program includes tools for inputting and managing comprehensive patient data, organized into different checkups to track the evolution over time. It also has a risk stratification tool to compute a CV risk factor based upon several risk stratification tables of reference. Additionally, the program includes a tool that incorporates ABPM analysis and allows the extraction of valuable information by monitoring blood pressure over a specific period of time. Finally, the reporting service summarizes the most relevant information in a set of reports that aid clinicians in their clinical decision-making process.

This article presents a protocol based on Hydra &#8212; a web-based system for clinical decision support that integrates a full and detailed set of functionalities and services required by physicians for complete cardiovascular analysis, risk assessment, early diagnosis, treatment, and monitoring over time.

Hydra, kardiyovasküler analiz ve tanı klinisyenler yardım için bir bilgisayar tabanlı Platform

Cardiovascular diseases (CVDs) are the leading cause of death throughout the world. The total risk of developing CVD is determined by the combined effect ...

A Metadata Extraction Approach for Clinical Case Reports to Enable Advanced Understanding of Biomedical Concepts

Clinical case reports (CCRs) are a valuable means of sharing observations and insights in medicine. The form of these documents varies, and their content includes descriptions of numerous, novel disease presentations and treatments. Thus far, the text data within CCRs is largely unstructured, requiring significant human and computational effort to render these data useful for in-depth analysis. In this protocol, we describe methods for identifying metadata corresponding to specific biomedical concepts frequently observed within CCRs. We provide a metadata template as a guide for document annotation, recognizing that imposing structure on CCRs may be pursued by combinations of manual and automated effort. The approach presented here is appropriate for organization of concept-related text from a large literature corpus (e.g., thousands of CCRs) but may be easily adapted to facilitate more focused tasks or small sets of reports. The resulting structured text data includes sufficient semantic context to support a variety of subsequent text analysis workflows: meta-analyses to determine how to maximize CCR detail, epidemiological studies of rare diseases, and the development of models of medical language may all be made more realizable and manageable through the use of structured text data.

We present a protocol and associated metadata template for the extraction of text describing biomedical concepts in clinical case reports. The structured text values produced through this protocol can support deep analysis of thousands of clinical narratives.

Etkinleştirmek klinik olgu sunumları için bir meta veri ayıklama yaklaşım Biyomedikal kavramları anlayış gelişmiş

Clinical case reports (CCRs) are a valuable means of sharing observations and insights in medicine. The form of these documents varies, and their content ...

Cloud-Based Phrase Mining and Analysis of User-Defined Phrase-Category Association in Biomedical Publications

The rapid accumulation of biomedical textual data has far exceeded the human capacity of manual curation and analysis, necessitating novel text-mining tools to extract biological insights from large volumes of scientific reports. The Context-aware Semantic Online Analytical Processing (CaseOLAP) pipeline, developed in 2016, successfully quantifies user-defined phrase-category relationships through the analysis of textual data. CaseOLAP has many biomedical applications.
We have developed a protocol for a cloud-based environment supporting the end-to-end phrase-mining and analyses platform. Our protocol includes data preprocessing (e.g., downloading, extraction, and parsing text documents), indexing and searching with Elasticsearch, creating a functional document structure called Text-Cube, and quantifying phrase-category relationships using the core CaseOLAP algorithm.
Our data preprocessing generates key-value mappings for all documents involved. The preprocessed data is indexed to carry out a search of documents including entities, which further facilitates the Text-Cube creation and CaseOLAP score calculation. The obtained raw CaseOLAP scores are interpreted using a series of integrative analyses, including dimensionality reduction, clustering, temporal, and geographical analyses. Additionally, the CaseOLAP scores are used to create a graphical database, which enables semantic mapping of the documents.
CaseOLAP defines phrase-category relationships in an accurate (identifies relationships), consistent (highly reproducible), and efficient manner (processes 100,000 words/sec). Following this protocol, users can access a cloud-computing environment to support their own configurations and applications of CaseOLAP. This platform offers enhanced accessibility and empowers the biomedical community with phrase-mining tools for widespread biomedical research applications.

We present a protocol and associated programming code as well as metadata samples to support a cloud-based automated identification of phrases-category association representing unique concepts in user selected knowledge domain in biomedical literature. The phrase-category association quantified by this protocol can facilitate in depth analysis in the selected knowledge domain.

Bulut tabanlı ifade araştırma ve analiz Biyomedikal yayınlarda kullanıcı tanımlı tümcecik-Kategori Derneği

The rapid accumulation of biomedical textual data has far exceeded the human capacity of manual curation and analysis, necessitating novel text-mining ...

TBase - an Integrated Electronic Health Record and Research Database for Kidney Transplant Recipients

TBase is an electronic health record (EHR) for kidney transplant recipients (KTR) combining automated data entry of key clinical data (e.g., laboratory values, medical reports, radiology and pathology data) via standardized interfaces with manual data entry during routine treatment (e.g., clinical notes, medication list, and transplantation data). By this means, a comprehensive database for KTR is created with benefits for routine clinical care and research. It enables both easy everyday clinical use and quick access for research questions with highest data quality. This is achieved by the concept of data validation in clinical routine in which clinical users and patients have to rely on correct data for treatment and medication plans and thereby validate and correct the clinical data in their daily practice. This EHR is tailored for the needs of transplant outpatient care and proved its clinical utility for more than 20 years at Charit&#233; - Universit&#228;tsmedizin Berlin. It facilitates efficient routine work with well-structured, comprehensive long-term data and allows their easy use for clinical research. To this point, its functionality covers automated transmission of routine data via standardized interfaces from different hospital information systems, availability of transplant-specific data, a medication list with an integrated check for drug-drug interactions, and semi-automated generation of medical reports among others. Key elements of the latest reengineering are a robust privacy-by-design concept, modularity, and hence portability into other clinical contexts as well as usability and platform independence enabled by HTML5 (Hypertext Markup Language) based responsive web design. This allows fast and easy scalability into other disease areas and other university hospitals. The comprehensive long-term datasets are the basis for the investigation of Machine Learning algorithms, and the modular structure allows to rapidly implement these into clinical care. Patient reported data and telemedicine services are integrated into TBase in order to meet future needs of the patients. These novel features aim to improve clinical care as well as to create new research options and therapeutic interventions.

TBase combines an electronic health record with an innovative research database for kidney transplant recipients. TBase is built upon an in-memory database platform, connected to different hospital systems, and used for regular outpatient care. It automatically integrates all relevant clinical data including transplantation-specific data creating a unique research database.

TBase - Böbrek Nakli Alıcıları için Entegre Elektronik Sağlık Kaydı ve Araştırma Veritabanı

TBase is an electronic health record (EHR) for kidney transplant recipients (KTR) combining automated data entry of key clinical data (e.g., laboratory ...

Maximum Size of Aggregate

The maximum size of aggregate is defined as the aperture of the sieve retaining 15 percent or more of the particles present in the aggregate sample. The aggregate&#39;s maximum size impacts the concrete&#39;s water requirement, workability, and strength. Larger aggregates reduce the surface area needing cement paste coverage, which can lower water needs, thereby allowing a decrease in the water-to-cement ratio when the desired workability and richness of the mix are to be maintained, which can result in enhanced concrete strength. However, too-large aggregates may weaken concrete by reducing the aggregate-cement bond area and introducing discontinuities, leading to a heterogeneous mix. The optimal maximum size of aggregate depends on the specific application, but for most structural concrete, it is typically limited to either 25 mm or 40 mm. The size is constrained by the dimension of the concrete member, the space between reinforcing bars in the member, and a balance between the cost of managing various aggregate sizes and the risk of segregation during placement.

Maksimum Agrega Boyutu

Conventionally, the maximum aggregate size is determined by the sieve size that retains at least 15 percent of the particles in a sample set.
As the ...

Civil Engineering

Aggregates and Water

KEY TERMS AND CONCEPTS

Issues And Trends In Healthcare Delivery System

The issues and trends in healthcare delivery are constantly changing. The COVID-19 pandemic is one recent issue that wreaked havoc on healthcare systems, causing a shortage of healthcare workers, high demand for medicines and supplies, and increased medical expenditure due to a lack of insurance. Other issues include rising healthcare costs and care fragmentation.
Cost Containment
Payment for healthcare services has historically promoted adoption of costly and often unnecessary or inefficient services. Because health insurance did not cover preventative measures in the past, healthcare primarily focused on treating illnesses rather than prevention. The third-party reimbursement structure effectively shielded patients from learning the actual cost of their treatment. Competition among hospitals has pushed the rise in healthcare expenses even more. Hospitals have spent a lot of money on technologically advanced equipment to attract patients. As new technology and more complex treatments have been created and employed, patients&#39; expectations regarding the availability and utilization of such resources have risen. Cost-cutting support encourages hospitals to collaborate and share resources rather than compete. Other cost-cutting initiatives include reorganizing and consolidating many hospitals into a single system.
Care Fragmentation
Expanded healthcare research resulted in an upward cycle of new technologies and knowledge. Because many healthcare professionals can no longer keep up with the breakthroughs in all fields, specialization in fewer areas has become the norm rather than the exception. A general practitioner diagnoses and treats a wide range of common health conditions; however, a patient who requires diagnosis and treatment for a more difficult illness is typically referred to a specialist physician. This fragmentation of treatment can result in a loss of continuity of care, contradictory care plans, too much or too little medicine, and increased healthcare expenses.
Present trends in healthcare systems include demographic shifts, technological advancements, globalization of healthcare, educated consumers, and the effects of health policies and regulations.
Artificial Intelligence (AI)
AI is replacing traditional labor-intensive and time-consuming procedures in healthcare with quick, remotely accessible, and real-time solutions for diagnosis, treatment, and disease prevention. Health technology firms provide software platforms, application programming interfaces (APIs), and other digital goods to expand the benefits of AI. Improved surgery support, clinical workflow management, and medical diagnostics are just a few uses of artificial intelligence in healthcare.
Internet of Medical Things (IoMT)
IoMT helps create products that require little or no human involvement to offer healthcare services. Connected medical devices, equipment, and infrastructure allow various applications, including automated disinfection, smart diagnostics, and remote patient care. Cognitive IoMT (CIoMT) is a recent subtrend that merges sensory data, automated processing, and network connectivity for real-time diagnosis, monitoring, tracking, and illness management.
Telemedicine
Many governments, healthcare institutions, professionals, and patients have expedited their use of telemedicine due to the COVID-19 epidemic. To counteract the pandemic, governments devised telemedicine suggestions to decongest healthcare institutions. Telemedicine relieves the strain on facilities and reduces the need for personal protective equipment (PPE) by allowing doctors to contact their patients via telecommunication. Health technology businesses are developing telehealth services to aid public health mitigation initiatives by improving social distancing. Telemedicine also aids in the remote assistance of the elderly, decreases bed utilization, and conserves clinical resources.
3D Printing
3D printing is gaining popularity in healthcare for various applications, such as producing lightweight prostheses, bionics, and casts used to immobilize body parts to heal fractures. Utilizing low-cost, lightweight biomaterials and innovative materials improves care delivery and production time while lowering expenses. 3D printing technologies produce patient-specific organ models and surgical equipment using the patient&#39;s specific dimensions measured by medical imaging. 3D printing can also produce individualized surgical tools, which improve a surgeon&#39;s dexterity and promote better surgical results while permitting faster and less stressful treatments.
Blockchain
Blockchain&#39;s security and traceability make it suited for a wide range of applications in the healthcare business. Electronic medical records, remote patient monitoring, tracking of pharmaceutical supply chains, and processing health insurance claims are just a few examples of applications of blockchain technology. Blockchain technology also assists with EHR administration and FHIRChain (Fast Health Interoperability Records) for clinical data exchange. It is also utilized in smart contracts, combating medicine counterfeiting, storing, distributing, and retrieving remotely obtained biological data.
Genomics
In recent years, significant efforts have been made to create genomics tools for various applications. Integrating both genomic knowledge and procedures into existing clinical workflows will guarantee that clinicians follow established communication and actionable recommendations to patients through a genetic test. Because of advances in genomics, a new era of individualized medicine is now feasible. For various unmet clinical requirements, gene therapy and gene-based therapeutic options have changed clinical treatment and specialist care.

Sağlık Hizmeti Sunum Sistemindeki Sorunlar ve Eğilimler

The issues and trends in healthcare delivery are constantly changing. The COVID-19 pandemic is one recent issue that wreaked havoc on healthcare systems, ...

İlişkisel (MySQL) ve NoSQL karmaşıklık artan sorguları yürütme (NoSQL ve mevcut) boyutu büyüyen ISO/EN 13606 standart EHR veritabanları

Özet

Daha Fazla Video Keşfet

Kapsamlı Göğüs Onkoloji Veritabanı Üretimi - Translasyonel Araştırma Aracı

CogStack kullanarak Elektronik Sağlık Kayıtlarına Dayalı Gerçek Zamanlı Psikoz Risk Algılama ve Uyarı Sisteminin Uygulanması

Doku Mühendisliğinde Orta Ölçekli, Düşük Hız, Çok Boyutlu Verileri Verimli Bir Şekilde Yönetecek Veritabanları

Hydra, kardiyovasküler analiz ve tanı klinisyenler yardım için bir bilgisayar tabanlı Platform

Etkinleştirmek klinik olgu sunumları için bir meta veri ayıklama yaklaşım Biyomedikal kavramları anlayış gelişmiş

Bulut tabanlı ifade araştırma ve analiz Biyomedikal yayınlarda kullanıcı tanımlı tümcecik-Kategori Derneği

TBase - Böbrek Nakli Alıcıları için Entegre Elektronik Sağlık Kaydı ve Araştırma Veritabanı

Maksimum Agrega Boyutu

Maksimum Agrega Boyutu

Sağlık Hizmeti Sunum Sistemindeki Sorunlar ve Eğilimler