Мультитенантные графовые приложения

Внутрираздельные электронные медицинские карты

Следующий фрагмент кода демонстрирует, как PartitionGraph решает проблему многопользовательской работы. Сначала строится новый граф, который оборачивается в PartitionGraph с начальным разделом записи pgp (Pipes General Practice). График используется в памяти TinkerGraph. Раздел записи — это раздел, в который записываются вновь созданные данные. Когда пациент Гремлин обращается в Pipes General Practice и TinkerPop Medical Center, две вершины записываются в разделы pgp и tmc соответственно.

~$ gremlin

         \,,,/
         (o o)
-----oOOo-(_)-oOOo-----
gremlin> g = new PartitionGraph(new TinkerGraph(), '_partition', 'pgp')
==>partitiongraph[tinkergraph[vertices:0 edges:0]]
gremlin> g.getPartitionKey() 
==>_partition
gremlin> g.getReadPartitions()    
==>pgp
gremlin> g.getWritePartition()
==>pgp
gremlin> gremlinPgp = g.addVertex('gremlin@pipesgeneralpractice')
==>v[gremlin@pipesgeneralpractice]
gremlin> g.setWritePartition('tmc')
gremlin> gremlinTmc = g.addVertex('gremlin@tinkerpopmedicalcenter')
==>v[gremlin@tinkerpopmedicalcenter]

Следующая диаграмма показывает, что было установлено до сих пор. В одном многопользовательском графе есть два раздела (pgp и tmc). Гремлин посетил оба объекта и имеет две разные истории болезни, обозначенные вершинами и ребрами внутри каждого раздела. Обратите внимание, что создание этих медицинских историй не продемонстрировано в фрагменте кода выше. Для ясности представьте, что история болезни включает в себя текущие состояния пациента, результаты лабораторных исследований, жизненно важные органы (такие как рост, вес и артериальное давление), аллергии, текущие лекарства и т. Д.

Когда врач в Pipes General Practice проверяет записи пациентов (где PartitionGraph имеет раздел чтения, установленный в pgp), врач будет видеть только данные Pipes General Practice. Более того, если текущий раздел чтения удаляется и добавляется новый, то видны только данные в новом добавленном разделе.

gremlin> g.V
==>v[gremlin@pipesgeneralpractice]
gremlin> g.removeReadPartition('pgp')
gremlin> g.addReadPartition('tmc')
gremlin> g.V
==>v[gremlin@tinkerpopmedicalcenter]

На этом этапе в примере показано, как защитить данные клиента с помощью PartitionGraph. Далее можно выйти за рамки простого разделения элементов графа на разбиения. Ребра могут быть как внутри-, так и межраздельными, поскольку они могут указывать на вершины в одном и том же разделе или на вершины в двух разных разделах. Таким образом, можно вводить глобальные данные, которые могут использоваться всеми клиентами.

Межотраслевые электронные медицинские карты

Следующий фрагмент кода представляет новый раздел snomed, где snomed ссылается на общедоступный набор данных клинических терминов SNOMED-CT . Примеры терминов включают пневмонию , простуду , острый носовой катар и т. Д. Вершины и ребра добавляются к разделу с нюхом, который представляет иерархию понятий SNOMED-CT. Обратите внимание, что на практике полный набор данных SNOMED-CT будет разбираться в разделе, но для этого простого примера записываются два клинических термина и их отношение подстановки .

gremlin> g.setWritePartition('snomed')
gremlin> painInRightLeg = g.addVertex('snomed:287048003', [name:'Pain in right leg (finding)'])
==>v[snomed:287048003]
gremlin> painInLowerLimb = g.addVertex('snomed:10601006', [name:'Pain in lower limb (finding)'])
==>v[snomed:10601006]
gremlin> g.addEdge(painInRightLeg, painInLowerLimb, 'broader')
==>e[0][snomed:287048003-broader->snomed:10601006]

 Когда пациент Гремлин жалуется на травмированную ногу как в Pipes General Practice, так и в TinkerPop Medical Center, добавляются ребра, которые соединяют вершину пациента с соответствующей вершиной клинического термина в разрезанной части. Эти отмеченные ребрами обозначены пунктирными линиями на диаграмме ниже.

gremlin> g.setWritePartition('pgp')
gremlin> g.addEdge(gremlinPgp, painInRightLeg, 'complainedOf')
==>e[1][gremlin@pipesgeneralpractice-complainedOf->snomed:287048003]
gremlin> g.setWritePartition('tmc')
gremlin> g.addEdge(gremlinTmc, painInRightLeg, 'complainedOf')
==>e[2][gremlin@tinkerpopmedicalcenter-complainedOf->snomed:287048003]

Что касается диаграммы ниже, предположим, что и Rexster, и Frames являются новыми пациентами в медицинском центре TinkerPop , которые также жаловались на боль в конечностях. Специалист по боли в конечностях в Медицинском центре TinkerPop может запросить раздел TMC, чтобы узнать, у каких пациентов есть проблемы с нижними конечностями. Обход в строке 2 идет по иерархии SNOMED-CT, чтобы найти всех пациентов в разделе tmc, которые жаловались на что-либо, связанное с болью в нижней конечности (например, боль в правой ноге). Учитывая более сложную иерархию, при этом обходе графа могут быть выявлены различные заболевания нижних конечностей и пациенты, страдающие такими заболеваниями.

gremlin> g.addReadPartition('snomed')
gremlin> painInLowerLimb.in('broader').loop(1){true}{it.object.in('complainedOf').count() > 0}.in('complainedOf')
==>v[gremlin@tinkerpopmedicalcenter]
==>v[rexster@tinkerpopmedicalcenter]
==>v[frames@tinkerpopmedicalcenter]

В расширенном наборе данных EHR могут быть приняты различные другие типы графовых запросов. Несколько примеров приведены ниже.

• Определите, какие методы лечения применялись у пациентов, страдающих той же болезнью нижней конечности, что и Гремлин.
• Сопоставьте личную историю болезни всех пациентов с нижними конечностями, чтобы увидеть, есть ли между ними связь (например, курение, ожирение, рецепты врачей и т. Д.).
• Найдите соответствующие клинические термины в SNOMED-CT и найдите других пациентов, у которых есть похожие проблемы (например, онемение ноги, ишиас и т. Д.). Определите, какие методы лечения были успешными для этих связанных пациентов.
• Соедините записи пациента Гремлина в Медицинском центре Пайпс и в Медицинском центре ТинкерПоп, чтобы создать единую перспективу истории болезни Гремлин через кромку sameAs (представленную пунктирной линией на диаграмме выше).

Вывод

Преимущество PartitionGraph заключается в том, что глобальные данные не вносят существенной сложности в модель программирования и не представляют опасности для разделенных перегородками разделов. Кроме того, можно провести анализ всего графа, охватывающий все разделы. Это может быть неоспоримым преимуществом для приложений бизнес-аналитики. Учитывая текущий пример, просто делая все разделы читаемыми, можно анализировать медицинские истории во всех медицинских учреждениях и использовать данные SNOMED-CT в качестве моста между этими, казалось бы, разрозненными многораздельными наборами данных.

gremlin> g.addReadPartition('pgp')
gremlin> g.addReadPartition('tmc')
gremlin> g.addReadPartition('snomed')
gremlin> g.V
==>v[rexster@tinkerpopmedicalcenter]
==>v[snomed:287048003]
==>v[frames@tinkerpopmedicalcenter]
==>v[snomed:10601006]
==>v[gremlin@tinkerpopmedicalcenter]
==>v[gremlin@pipesgeneralpractice]
gremlin> g.E
==>e[3][rexster@tinkerpopmedicalcenter-complainedOf->snomed:287048003]
==>e[2][gremlin@tinkerpopmedicalcenter-complainedOf->snomed:287048003]
==>e[1][gremlin@pipesgeneralpractice-complainedOf->snomed:287048003]
==>e[0][snomed:287048003-broader->snomed:10601006]
==>e[4][gremlin@tinkerpopmedicalcenter-sameAs->gremlin@pipesgeneralpractice]
==>e[5][frames@tinkerpopmedicalcenter-complainedOf->snomed:287048003]

PartitionGraph предоставляет интересные возможности для анализа, который смешивает и сопоставляет различные разделы в пространстве обхода. В заключение, представлен набор более сложных случаев использования ЭМК в медицинских целях, которым PartitionGraph удобно воспользоваться.

• Анализ перекрестного медицинского учреждения (т. Е. Разделения) показывает, что процент пациентов с ВИЧ / СПИДом, которым назначены антиретровирусные препараты, не соответствует стандартам, установленным в центрах качества центров Medicare и Medicaid Services (CMS) . Этот анализ побуждает медицинских работников и администраторов рассмотреть изменения в протоколах лечения и формулярах лекарств.
• Сообщества врачей могут быть определены путем анализа визитов пациентов и схем лечения. Учитывая эти сообщества, фармацевтические компании могут предсказать влияние влиятельных людей в социальной сети, чтобы получить представление о потенциальных моделях принятия лекарств.
• Записи пациентов во всех разделах предоставляют основополагающий набор данных для анализа среди населения в рамках системы поддержки принятия клинических решений .