Entrepôts de données pour l`aide à la décision médicale

Conception et optimisation
d’un entrepôt de données
médicales
María Trinidad SERNA-ENCINAS
Michel ADIBA
Laboratoire LSR-IMAG
Juin 2005
Plan
 Conception du schéma
 Projet ADELEM


Sources et indicateurs
Schéma pour ADELEM
 Algorithme pour la sélection des vues à
matérialiser



Algorithme Greedy
Notre proposition
Conclusions
Le projet ADELEM
Le projet ADELEM consiste en la mise au point d'outils
logiciels nécessaires à l'aide à la décision logistique et
médicale.
Le Laboratoire
TIMC
Le laboratoire de
Biométrie et
Biologie
Évolutive
Le laboratoire
LSR
L’Organisation
Mondiale
de la Santé
Le projet
ADELEM
Laboratoire de Biométrie et
Biologie de Lyon
Indicateur d’offre de soins : le nombre
de lits par établissement
Laboratoire
De Biométrie
Et Biologie
De Lyon
Année : 2000
Source :
Ministère de
La Santé
Problématique

Données:



Publiques concernant la santé: RSA, RHA, FINESS,
CIM10
Démographiques: RP90 et RP99
Géographiques: GéoFLCP, HEXAPOSTE, Inventaire
Communal (1988)
Sources de données hétérogènes, distribuées
et certaines d’entre elles sont externes au domaine
médical proprement dit.
 Nature des données: type, format, sémantique,
confidentialité, degré de fiabilité et de confiance,
informations manquantes ou incomplètes, …

Sources de données
Sources
Tableau Historique
Typage des indicateurs

Indicateurs d’offre (géographiques - spatiotemporels)

Localiser sur une carte tous les établissements de
court séjour en faisant apparaître leur capacité en
nombre de lits MCO (Médecine-Chirurgie-Obstétrie)
Indicateurs de consommation, de besoin et de
flux (temporels)

Nombre de séjours par établissement durant l’année
2000


Nouveaux indicateurs (temporels)
Nombre de personnes de plus de 60 ans par maladie
et par établissement

Schéma en constellation
Projet ADELEM
Description du schéma (1/2)

SM = (Cs, Ds, Hs, R)





Cs = {Prise_MCO, Population, Prise_SSR}
Ds = {Etablissement, CIM10, Temps, Mode_sortie,
Age, Zone_geo, Poids_naissance, RP99,
Semaine_debut, Semaine_fin}
Hs = {H_Geo, H_Temps}
R = {C_Cube, C_Dimension, C_Hiérarchie}
Cs = (cn, M, D)



cn = Prise_MCO
M = {CompteDuree_sejour, SommeDuree_sejour}
D = {Etablissement, CIM10, Temps, Mode_sortie,
Age, Zone_geo, Poids_naissance}
Description du schéma (2/2)

Ds = (dn, P, H)




dn = Etablissement
P = {Cle_Finess, Raison_Sociale, Adresse,
Codepostal, CA1 .. CA7, CMO1 .. CMO7, NLA,
NLO, Commune, Departement}
H = {H_Geo}
Hs = (hn, L, <}



hn = H_Geo
L = {Commune, Departement, Region, Pays}
< = {(Commune, Departement), (Departement,
Region), (Region, T)}
Plan
Conception du schéma
 Projet ADELEM


Sources et indicateurs
Schéma pour ADELEM
 Algorithme pour la sélection des vues à
matérialiser



Algorithme Greedy
Notre proposition
Conclusions
Matérialisation du cube

Tables du schéma ADELEM_MCO (nb de n-uplets):








Prise_MCO (53799) fait
Etablissement (5079) dimension
CIM10 (17788) dimension
Temps (12) dimension
Mode_sortie (5) dimension
Construction d’un entrepôt avec un échantillon de 10%
des données réelles.
Taille du cube = 16 vues (2n où n est le nombre
de dimensions)
Utilisation d’Oracle9i, Entreprise Edition
Treillis du cube
CC(V1) =
(5K*18K)+
(14K*12)+
(47K*5)
CC(V2) =
(5K*18K)+
(14K+12)
ECTM
90M V1 54K
ECT
ECM
90M V2 47K 90M V3 18K
4 Dim
ETM
CTM
61K V4 603 346K V5 33K
CC(V6) =
(5K * 18K)
EC
ET
EM
CT
CM
90M V6 14K 60K V7 184 25K V8 58 216K V9 26K 90K V10 8K
5K
E
V12 19
C
18K V13 5K
Coût de calcul (gauche)
(produit des cardinalités approximatives
des relations de base)
12
ALL
V16 1
T
V14 12
5
M
V15
3 Dim
TM
2 Dim
60 V11 48
1 Dim
4
0 Dim
Coût de stockage (droite)
(représenté par le nombre de n-uplets
du résultat)
Sélection des vues à matérialiser
Algorithme Greedy[HRU95]

Quelques notations:

C(v) = Coût de stockage de la vue v.
 = Relation de dépendance.
S = Ensemble de vues sélectionnées.

B(v,S) =


 Bw : Bénéfice de la vue v relative à S
wv

Bw


Bw = C(v) – C(u) si u est la vue de coût minimal dans S,
telle que w  u et C(v) < C(u),
Bw = 0, sinon.
Application de l’algorithme Greedy
aux données ADELEM



1ère Choix est V4 (Coût (V4) – Coût(V1) * 8) =
53K*8 = 424K, où 8 représente le nombre de
vues dépendante de V4 (V4, V7, V8, V11, V12,
V14, V15, V16)
2ème Choix est V3 = 144k (36K*4 (V3, V6, V10,
V13)), les autres vues dépendantes de V3 ne sont
pas prises en compte, car elles donnent un gain
plus élevé avec la vue V4.
S = {V1, V4, V3, V5, V10, V9, V2, V6}
Ensemble ordonné des
vues sélectionnées
Y : Coût de calcul et de stockage
X : sept premières vues ordonnées par rapport à leur coût de calcul
Algorithme Greedy

Avantages:



Inconvénient majeur:


Simplicité
Certaine efficacité (coût de stockage)
Pas des paramètres, comme: fréquence de la requête,
fréquence des mises à jour, coût de maintenance ou
de calcul.
Dans notre expérimentation, à partir du 6ème choix, il
sélectionne les vues plus coûteuses (V2 et V6).
Ceci nous motive pour un mécanisme de sélection plus
efficace.
Algorithme proposé
Paramètres






Bg = Bénéfice de Greedy
Fréquence d’utilisation (fq)
 fq(v) = nombre de relations dépendantes de la vue v (complexité)
B(v, S) = Bg * fq(v) - (CC(v) + PC(v))
CC(v) = Coût de calcul divisé par le nombre de relations
dépendantes de v.
 Exple. CC(V2) = ((5K*18K) + (14K*12))/8  90M/8 =11M
 où 8 = nombre total des relations dépendantes de V2
PC(v) = Probabilité de changement des relations de base
multiplié par le coût de calcul
Hypothèse de 20% de changement des éléments du schéma
 Exple. V2 a 3 dimensions et 30 attributs qui peuvent changer
 PC(V2) = (3300/36*.20)*11M = 2M

B(V2,S) = Bg * fq(V2) – (CC(V2) + PC(V2))
Application de notre
algorithme


1ère Choix est V4 (Bg*fq) – ((CC(v)/fq) + PC(v))
= 3M (53K * 8)*8 – ((61K/8) * 1.18) où 8
représente le nombre de vues dépendante de V4
(V4, V7, V8, V11, V12, V14, V15, V16)
2ème Choix est V5 = 626K (21K*4*8)((346K/8)*1.06), où 4 est (V3, V6, V10, V13), les
autres vues dépendantes de V5 ne sont pas prises
en compte, car elles donnent un gain plus élevé
avec la vue V4.
 S = {V1, V4, V5, V10, V11, V8, V15, V14}
Ensemble ordonné des
vues sélectionnées
Y : Coût de calcul et de stockage
X : sept premières vues ordonnées par rapport à leur coût de calcul
Résultats


Notre algorithme donne de meilleurs résultats
pour notre cas expérimental.
Vues sélectionnées:




3 Dim  2 meilleures vues (V4 et V5)
2 Dim  3 meilleures vues (V8, V10 et V11)
1 Dim  2 meilleures vues (V14 et V15)
Faiblesses:


Absence du coût d’évaluation d’une requête par
rapport au type d’opération (Select, Project ou Join)
Nous ne prenons pas en compte les restrictions
éventuelles sur l’espace de stockage
Plan
Conception du schéma
 Projet ADELEM


Sources et indicateurs
Schéma pour ADELEM
Algorithme pour la sélection des vues à
matérialiser



Algorithme Greedy
Notre proposition
Conclusions
Bilan du travail réalisé


Description du schéma conçu
Algorithme pour la sélection
matérialiser



des
vues
à
Paramètres: fréquence d’utilisation, coût de calcul et
probabilité de changement des relations de base
Faiblesse:
 Absence du coût d’évaluation d’une requête par rapport
au type d’opération (Select, Project ou Join)

Nous ne prenons pas en compte les restrictions
éventuelles sur l’espace de stockage
Expérimentation sur Oracle9i
Questions?
Application de l’algorithme
Greedy aux données ADELEM
1ère Choix est V4 (Coût (V4) – Coût(V1)) = 424K (53K * 8) où 8 représente le nombre de
vues dépendante de V4 (V4, V7, V8, V11, V12, V14, V15, V16)
2ème Choix est V3 = 144k (36K*4 (V3, V6, V10, V13)), les autres vues dépendantes de V3 ne
sont pas prises en compte, car elles donnent un gain plus élevé avec la vue V4.
Application de notre
algorithme
1ère Choix est B(V4,S) = Bg * fq(V4) – (CC(V4) + PC(V4)) = 3M (424K*8) – ((61K/8)*1.18) où 8
représente le nombre de vues dépendante de V4 (V4, V7, V8, V11, V12, V14, V15, V16)
2ème Choix est V5 = 626K (21K*4*8)-((346K/8)*1.06), où 4 est (V3, V6, V10, V13), les autres vues
dépendantes de V5 ne sont pas prises en compte, car elles donnent un gain plus élevé avec la vue V4.