Aplicación de las tecnologías OLAP y Data Warehousing para la gestión hospitalaria utilizando software libre.

Transcripción

1 Aplicación de las tecnologías OLAP y Data Warehousing para la gestión hospitalaria utilizando software libre. Autores: Ing. Sandro Martínez Folgoso, Ing. Jorge Recio Capote, Ing. Eduardo Rodríguez Reyes. Departamento de Computación, Universidad de Camagüey, Cuba. {sandro.martinez, jorge.recio, eduardo.rodriguez}@reduc.edu.cu Temática: El SW Libre en la salud. RESUMEN En la actualidad la utilización de las tecnologías OLAP están mayormente aparejadas a la adquisición de herramientas de código propietario. Dichas herramientas muchas veces presentan deficiencias y la imposibilidad de adaptarlas a las características específicas del entorno donde se estén utilizando. Además los costos de licencias de estos productos son muy elevados y en algunos casos Cuba tiene otro limitante, el bloqueo. En el presente trabajo se analizan los resultados obtenidos de la aplicación de las tecnologías OLAP en el entorno hospitalario mediante el servidor Wonder de libre disposición, se demuestran las ventajas de estas tecnologías, la utilización de esta herramienta en dicho entorno y la calidad de la información obtenida. Los resultados demuestran que la solución propuesta puede ser aplicada en varios entornos de administración y toma de decisiones, dando respuesta a toda la amplia gama de información que demanda la toma de decisiones. Palabras Claves: OLAP, OLTP y almacén de datos. 1

2 1- Motivación y descripción del problema. Los datos corporativos crecen permanentemente a grandes velocidades, en unos pocos años se ha pasado de megabytes a pedabytes. Concurrentemente se impone la necesidad obtener análisis más sofisticados y síntesis mas rápidas sobre estos grandes volúmenes de información. [1] Hoy en día los mercados son cada vez más competitivos y dinámicos. Los negocios prosperan o fracasan de acuerdo a la sofisticación y a la velocidad de sus sistemas de información. Es determinante que estos sistemas logren sintetizar y analizar la información existente. Aparejado a esto crece el número de individuos dentro de la empresa que necesitan análisis más sofisticados. [1] Los datos en los sistemas relacionales están siendo accedidos por una amplia variedad de profesionales que no son especialistas en el procesamiento de los mismos, con propósitos de administración, contabilidad, entre otras disciplinas, más aun la interoperabilidad cada vez es más determinante. [1] El término OLAP (Procesamiento Analítico en Línea) fue acuñado en un artículo escrito por Arbor Software Corp. en 1993 aunque el concepto es más antiguo. OLAP brinda una representación multidimensional de los datos, algo muy diferente a los modelos tradicionales. Esta representación es más acorde a la estructura de los datos internos de la empresa y se acerca mucho más a la forma de pensar de los empresarios y analistas. [2] OLAP es una solución utilizada en el campo de la Inteligencia de Negocios, la cual consiste en consultas a estructuras multidimensionales (o Cubos OLAP) que contienen datos resumidos de grandes Bases de Datos o Sistemas Transaccionales (OLTP). Se usa en informes de negocios de ventas, marketing, informes de dirección, minería de datos y áreas similares. En la actualidad la utilización de las tecnologías OLAP están mayormente aparejadas a la adquisición de herramientas de código propietario. Dichas herramientas muchas veces presentan deficiencias y la imposibilidad de adaptarlas a las características específicas del entorno. Además los costos de licencias de estos productos son muy elevados y en algunos casos Cuba tiene otro limitante el bloqueo. El entorno hospitalario en la mayoría de los casos no escapa de la problemática antes descrita, ya que existen variadas herramientas que automatizan el quehacer diario del hospital, como pudieran ser sistemas para la gestión de urgencias médicas e intervenciones quirúrgicas o de gestión de recursos humanos, pero no tienen o son insuficientes las herramientas que realmente ayuden a mejorar la gestión general del hospital y la atención de los pacientes que a él acuden. La solución a estos problemas es simple la utilización de soluciones de software libre las cuales han aumentado inmensamente en años recientes y prometen un buen futuro en esta área. 2

3 Por todo lo antes expuesto nos proponemos como metas brindar y mejorar la información de la que disponen los administradores y directivos del hospital para la toma decisiones y aplicar las tecnologías OLAP mediante una herramienta de software libre. Como herramienta se escogió el software Wonder desarrollado en el año 2006 en la Universidad de Camagüey, el cual es un servidor OLAP de libre disposición, la facilidad fundamental que brinda éste es que expone los datos al usuario de forma multidimencional y utiliza una representación gráfica para mostrarla. [3] El servidor permite que el usuario construya un cubo multidimensional que almacenará la información, posteriormente podrá consultar y refinar dicho cubo, lo cual puede llevar a crear un nuevo cubo de datos. Una vez que se define el cubo antes mencionado se puede consultar y ver en un informe sus valores o realizar sobre él una o varias consultas, tanto los cubos de datos que se definen como los cubos que se obtienen como resultado de una consulta pueden ser graficados por el servidor OLAP con la restricción de que se grafican cubos de hasta dos dimensiones con un hecho. Además el usuario no necesita ser un especialista en el manejo de datos ni tener conocimientos de los sistemas relacionales. [3] 2- Descripción del entorno hospitalario y ejemplos implementados. En un hospital se encuentran diferentes escenarios y contextos en los que sería útil la aplicación de una herramienta OLAP como ejecutivo, estratégico, técnico y operacional de estos se escogió el operacional que es está conformado por diferentes escenarios que recogen toda las actividades que se realizan en dicho contexto, entre ellos se tienen: ingresos, asistencia ambulatoria, asistencia urgente y actividad quirúrgica, siendo precisamente estas dos últimas las que se toman como base de las consultas que se aplicaran con el servidor Wonder. La fuente de datos para este trabajo se obtuvo, a partir de la información que diariamente se almacena un sistema OLPT en el Hospital Universitario San Cecilio de Granada, España. Para el caso de la actividad quirúrgica se definieron diferentes patrones de información: Utilización real de quirófanos frente a horarios disponibles. Tiempos medios de intervenciones. Tiempos de intervenciones según patologías y unidades funcionales. Niveles de ocupación según tipos de quirófanos, entre otros. De forma análoga para el caso de la asistencia urgente: Frecuentación horaria. 3

4 Frecuentación según especialidad requerida. Demoras previas a asistencias. Clasificación según período Días/horarios, entre otras. La información recopilada pertenece al período de los años 2000 al 2004, encontrándose en el sistema administración de base de datos, PostgreSQL. Las tablas que se utilizaron fueron TIntervenciones que contiene la información de las intervenciones realizadas en el hospital, la misma tiene 21 atributos y algo más de 121 mil registros, la tabla TUrgencias que contiene las urgencias atendidas en el hospital, la misma tiene 23 atributos y más de 500 mil registros. A continuación se muestran varios ejemplos que ilustran el tipo de información que es capaz de brindar el sistema. Actividad Quirúrgica: Los datos necesarios para responder a las consultas realizadas sobre esta Actividad Quirúrgica son obtenidos en la tabla TIntervenciones. A - Tiempo medio (en minutos) de intervenciones por quirófano, fecha y sexo: Para dar respuesta a esta interrogante se define un cubo en el servidor mediante un ayudante que permite definir las dimensiones y hechos del cubo a partir de la tabla TIntervenciones. Dimensiones: quirófano, fecha y sexo. Hechos: tiempo medio de duración de las intervenciones (hora de terminación hora de comienzo). Para el caso del cubo de este ejemplo como se le definen más de dos dimensiones, sobre él se realizó una operación Slice, que se define sobre el modelo dimensional y el resultado es que elimina dimensiones al cubo en este caso se eliminó la dimensión fecha y para el caso del hecho duración promedio de intervenciones se le aplicó la función de agregación media, definida en el servidor OLAP por lo que las nuevas agrupaciones obtenidas ahora solo por quirófano y sexo, se obtienen promediando todos los grupos que anteriormente tenían el mismo valor en estas dos dimensiones, independientemente de la fecha en que se realizara la intervención. En la figura 1 se muestra el gráfico obtenido por el servidor OLAP con los datos del cubo resultado del Slice: 4

5 Figura 1: Gráfico resultante de realizar una operación Slice sobre el cubo del ejemplo A. Este gráfico representa el tiempo de duración promedio de las intervenciones por quirófano para cada uno de los sexos registrados por el sistema fuente ( M: mujer y V: varón) Del análisis de este gráfico se tiene que los quirófanos con mayor duración promedio de las intervenciones son los quirófanos A-2 con minutos (3 horas aproximadamente) como promedio para el caso de los hombre y 111,30 minutos (1 hora y 52 minutos) para el caso de las mujeres, el B-1 con minutos (2 horas y 9 minutos) para el caso de las mujeres y 123,51 minutos (2 horas y 4 minutos) para el caso de los hombres. Los quirófanos con menor duración promedio de las intervenciones son los quirófanos B-4 con minutos para las intervenciones realizadas a mujeres y para el caso de los hombres y el A-4 con minutos para el caso de las mujeres y para el caso de los hombres. De forma general se observa que la duración de las intervenciones de los hombres por quirófanos, fue como promedio mayor que la de mujeres ya que sus intervenciones duraron más en 12 de los 19 quirófanos analizados. B- Cantidad de Intervenciones suspendidas por Unidad Funcional, fecha y sexo: De forma análoga al ejemplo anterior Dimensiones: Unidad Funcional, fecha y sexo. Hechos: cantidad de intervenciones suspendidas. Se realiza una operación Slice que elimina la dimensión fecha, seguidamente se grafica el cubo resultante de esta operación con las dimensiones Unidad Funcional y sexo: 5

6 Figura 2: Gráfico resultante de realizar una operación Slice sobre el cubo del ejemplo B. Como se observa en la figura 2, para ambos sexos las unidades funcionales Quirófano Cirugía General B y Quirófano Dermatología son las mayores cantidades de intervenciones suspendidas con valores promedios de unos 860 casos. Para el caso de los hombres se destaca también el Quirófano Urología con un valor de 928 casos. Como algo lógico se observa que para ambos sexos la unidad funcional Quirófano Neurocirugía es la de menos cantidad de intervenciones suspendidas, seguido para el caso de las mujeres por la unidad funcional Quirófano Urología y para los hombres por Quirófano Ginecología y Obstetricia. Asistencia Urgente: Los datos necesarios para responder a las consultas realizadas sobre esta actividad de Asistencia Urgente son obtenidos desde la tabla TUrgencias. C- Cantidad de urgencias por sexo y día de la semana: Para dar respuesta a esta interrogante se definió un cubo a partir de la tabla Turgencias. Dimensiones: sexo y día de la semana. Hechos: cantidad de urgencias. Figura 3: Gráfico resultante del cubo del ejemplo C. 6

7 La figura 3 muestra el gráfico que representa las urgencias atendidas en el hospital en el período que se analiza por sexo y día de la semana. Para el caso de los días en esta gráfica, el valor 0 corresponde con domingo y así sucesivamente hasta 6 que corresponde con sábado. Del análisis de este gráfico se desprende que en las urgencias las mujeres han tenido una marcada incidencia, por encima en este caso de los hombres, quienes estuvieron más presentes en los quirófanos como se analizó anteriormente, tan es así que para todos los días de la semana las urgencias de mujeres fueron mayores que las de los hombres (es necesario recordar que estos valores son sumas obtenidas por día de la semana para un período de cuatro años aproximadamente). Analizando por día de la semana, se tiene que ambos sexos se comportan de forma muy parecida siendo los lunes el día que se registran la mayor cantidad de casos para ambos sexos, para las mujeres y para el caso de los hombres, el martes para ambos casos sigue al lunes en mayor cantidad de urgencias registradas, mientras que el sábado y el domingo son los días que menos urgencias se ha registrado para ambos sexos. D- Cantidad de Urgencias por especialidad y hora de ingreso: Se definió sobre la tabla TUrgencias Dimensiones: especialidad y hora del día. Hechos: cantidad de urgencias. Para el caso del cubo que se definió en el ejemplo D se le definen dos dimensiones por lo que pudiera ser graficado, pero debido a la cantidad de especialidades que sería necesario representar para cada una de las 24 horas del día, el gráfico que se obtiene sería poco legible para la idea que se sigue en este trabajo, por lo que se le realizó a este cubo una operación Dice donde se filtran las especialidades y se toman solo las urgencias que pertenecen a la especialidad de Cirugía, el resultado es el que se muestra en la figura 4: Figura 4: Gráfico resultante de realizar una operación Dice sobre el cubo del ejemplo D. 7

8 Este gráfico representa las urgencias atendidas en el hospital en la especialidad de Cirugía distribuidas en cada una de las 24 horas del día (como se comentó anteriormente en formato de hora militar). Del análisis de este gráfico se desprende que las urgencias atendidas han tenido una incidencia muy similar a las horas 10 y 16 con valores de 1773 y 1660 respectivamente. La hora del día que más urgencias se han registrado es las 11 con 1812 casos. Las horas de menor incidencia son las 6 y las 5 de la mañana con 100 y 105 casos respectivamente. De forma general se observa que entre las 9 de la mañana y las 9 de la noche se registran la mayor incidencia de urgencias en el hospital, mientras que en el horario de la madrugada y el amanecer se tuvieron mucho menos incidencias, algo lógico ya que coincide normalmente con el horario de sueño de las personas. E- Demora promedio (en minutos) en realizar la primera atención por especialidad y sexo: Para dar respuesta a esta interrogante se definió un cubo sobre tabla TUrgencias Dimensiones: especialidad y sexo. Hechos: cantidad de urgencias. Para el caso del cubo que se definió en el ejemplo E se le definen dos dimensiones por lo que pudiera ser graficado, pero dado la cantidad de especialidades que se controlan, se realizó una operación Dice y se seleccionan solo las especialidades Cirugía, Dermatología, Ginecología y Pediatría, el resultado es el que se muestra en la figura 5 Figura 5: Gráfico resultante del cubo del ejemplo E. Este gráfico representa el tiempo que como promedio espera un paciente en recibir la primera atención cuando llega al servicio de urgencias del hospital, el análisis se hace para algunas de las especialidades y por sexo de las personas. Es válido aclarar que este tiempo se refiere al tiempo 8

9 desde que el paciente llega hasta que se le hace una preconsulta para determinar la urgencia de cada caso. Del análisis de este gráfico se desprende que el servicio de urgencias del hospital funciona de una forma bastante correcta, ya que los tiempos que deben esperan los pacientes para ser atendidos son bastante bajos, poco más de tres minutos como máximo. Como se observa para ambos sexos la especialidad que más demora en brindar la primera atención es la de Dermatología con 3.12 min para el caso de las mujeres y 3.03 para el caso de los hombres; mientras que la que menos demora también para ambos sexos es la de Pediatría. 3- Análisis de rendimientos: A continuación se analizan los rendimientos del servidor OLAP Wonder al dar respuesta a distintos pedidos de información. Este análisis se propone determinar los tiempos que demora esta herramienta para devolver los resultados tanto para consultas de distintos grados de complejidad como para diferentes cantidades de registros de información primaria que son necesarios procesar para obtener el resultado de dicha consulta. Además se analiza el tiempo de respuesta del sistema al realizar una consulta sobre un cubo almacenado, tiempo que naturalmente será menor, pues la información del cubo resultado de la consulta los datos se encuentra mas agregados siendo estos de un volumen menor. 3.1 Rendimientos ante consultas de importación de datos. Para comenzar se analiza el comportamiento en dependencia de la cantidad de filas que se deben que consultar para dar respuesta a una misma petición de información, se realizaron varias ejecuciones para que todos los valores que se muestran representarán valores promedios, para el caso de las filas se analizan las mismas consultas para un 20, 40, 60, 80 y 100 % de la cantidad total de filas que poseen las tablas TIntervenciones y TUrgencias que son las que contienen los datos que se han venido analizando a lo largo de este trabajo. Consulta: Determinar la cantidad de Intervenciones Suspendidas por Unidad Funcional, Fecha y Sexo. La figura 6 muestra los tiempos obtenidos para las diferentes cantidades de filas utilizadas: 9

10 Figura 6: Tiempo medio en importar la Cantidad de Intervenciones Suspendidas por Unidad Funcional, Fecha y Sexo. En la figura 6 se puede apreciar que el sistema tiende a estabilizar el tiempo de respuesta ante el aumento del número de filas a procesar para esta consulta. La consulta que brinda los datos que serán importados selecciona 4 campos; utiliza 1 función de agregación, 2 joins y 1 condición; agrupa por 3 campos; y ordena por 2. Tomando como referencia el último y mayor experimento, el proceso de importar y visualizar 7044 registros, que devuelve la vista de un total de en la tabla origen, demora 7,708. Consulta: Determinar el Tiempo Promedio de Duración de una Intervención por Quirófano. La figura 7 muestra los tiempos obtenidos para las diferentes cantidades de filas utilizadas: Figura 7: Tiempo medio en obtener el Tiempo Promedio Máximo de Duración de una Intervención por Quirófano. 10

11 Del análisis de la figura anterior se desprende que en el presente ejemplo, al igual que en el anterior, el sistema tiende a estabilizar el tiempo de respuesta. Los tiempos son mayores no pues la consulta retorna más cantidad de filas, algo a lo que normalmente es sensible el tiempo de respuesta de los SGBD a la hora de ejecutar consultas. La consulta que brinda los datos selecciona 4 campos; utiliza 1 función de agregación, 2 joins y 3 condiciones; agrupa y ordena por 3 campos; y llama una función definida por el usuario. Se considera un buen resultado el hecho de importar y visualizar registros, que devuelve la vista de un total de en la tabla origen, demora solo 43,144 segundos. Consulta: Cantidad de Urgencias por Sexo y Día de la Semana. La figura 8 muestra los tiempos obtenidos para las diferentes cantidades de filas utilizadas: Figura 8: Tiempo medio en obtener la cantidad de Urgencias por Sexo y Día de la Semana. Del análisis de la figura anterior lo primero que salta a la vista es que a pesar que esta consulta es de un grado de complejidad sencillo, la misma se está ejecutando sobre algo más de 4 veces de la cantidad de filas para cada intervalo con respecto a los ejemplos anteriores y sin embargo los tiempos obtenidos son mucho menores, esto se debe a que en este ejemplo no está presente el atributo fecha, lo que implica que el grado de agrupación es mucho mayor y por eso la cantidad de filas retornadas es mucho menor, lo que repercute directamente en el tiempo de respuesta, para este caso se obtienen por ejemplo solo 14 filas como resultado de la consulta, que se corresponden con los 7 días de la semana para los dos sexos analizados. La consulta que brinda los datos selecciona 3 campos; utiliza 1 función de agregación, 1 join y 2 condiciones; agrupa y ordena por 2 campos; y realiza operaciones aritméticas. 11

12 Se considera un excelente resultado el hecho de obtener la respuesta a esta consulta en solo 2,927 segundos trabajando sobre medio millón de registros. 3.2 Análisis de rendimientos ante consultas realizadas a cubos almacenados en el servidor OLAP. En este punto analizamos la rapidez con la que el servidor OLAP realiza las consultas a los cubos que ya tiene almacenados, apoyado, claro está, en que estas operaciones se realizan sobre muchas menos filas de entrada a la consulta dado el nivel de agregación con que ya se almacenan los cubos en el servidor. Para esto se analizará solo un ejemplo pero al igual que en los puntos anteriores, el comportamiento observado en todos los ejemplos realizados demostró la misma tendencia. En este caso se analizará el tiempo que demora el Servidor OLAP en dar respuesta a una consulta que se realiza sobre el cubo que contiene la información de la Cantidad de Intervenciones Suspendidas por Unidad Funcional, Fecha y Sexo. La consulta define una operación Slice sobre el cubo almacenado en el servidor eliminándole la dimensión fecha. El gráfico del tiempo que demora el servidor para las diferentes cantidades de filas a la entrada de la consulta se muestra en la figura 9. Figura 9: Cantidad de Intervenciones Suspendidas por Unidad Funcional y Sexo. En este gráfico los intervalos no se corresponden con los analizados en ejemplos anteriores pues se toman las cantidades de filas que se encuentran almacenadas en cubos en el servidor, cada uno de los cinco valores que aquí se analizan se corresponden con la cantidad de filas obtenidas para los diferentes intervalos de 20% de la cantidad total de filas en las tablas. 12

13 Del análisis del gráfico se tiene que los tiempos en que se obtienen los cubos resultantes de consultas sobre cubos almacenados en el servidor OLAP son mucho menores que los obtenidos al importar los cubos de fuentes de datos externas, esto se debe a que los datos son transformados directamente en la base de datos del servidor OLAP produciendo una cantidad de filas menor, en este caso, el mayor número de filas fue En el gráfico se observan los tiempos de respuestas que tiene el servidor OLAP ante consultas que refinan cubos que se encontraban previamente almacenados, el mayor tiempo observado de 0,224 segundos, también se observa a tendencia a estabilizar el tiempo en que se da respuesta a las consultas ante el aumento de la cantidad de filas. 3.3 Análisis de rendimientos de Wonder ante consultas realizadas con distintos niveles de complejidad. Hasta aquí se ha evaluado el comportamiento de las tecnologías seleccionadas en dependencia del número de filas. En esta sección se abordará en detalle cómo influye el grado de complejidad de las consultas en los tiempos de respuestas del servidor OLAP. A continuación se ordenan las consultas que se generan automáticamente a la hora de hacer una operación con Wonder por su grado de complejidad y se muestra la cantidad de filas que retornan, por ser estos los factores que influyen directamente en el tiempo de importación de los datos. Tabla TIntervenciones: 1. (Baja complejidad): Cantidad de Intervenciones Suspendidas por Unidad Funcional, Fecha y Sexo. Selecciona 4 campos, utiliza 1 función de agregación, 2 joins y 1 condición, agrupa por 3 campos y ordena por 2. Retorna 7044 filas. 2. (Media complejidad): Tiempo Promedio de Ocupación de los Quirófanos por Quirófano y Fecha. Selecciona 3 campos, utiliza 1 función de agregación, 1 join y 3 condiciones, agrupa y ordena por 2 campos, y realiza operaciones aritméticas. Retorna filas. 3. (Alta complejidad): Tiempo Promedio de Duración de una Intervención por Quirófano y Sexo. Selecciona 4 campos, utiliza 1 función de agregación, 2 joins, 3 condiciones, agrupa y ordena por 3 campos, llama una función definida por el usuario. Retorna filas. 13

14 Una vez que ya se tiene referencia de lo que se entiende por consultas con grado de complejidad baja, media y alta en el contexto de las intervenciones, se puede analizar la figura 10 que muestra la dependencia del tiempo de respuesta del sistema con respecto a esta clasificación. Rendimiento del Servidor OLAP frente a Consultas de Distintos Grados de Complejidad tiempo (s) ,975; 43, ,975; 31,349 24,49; 16,609 24,49; 14, ,975; 7,708 24,49; 2, cantidad de filas (en miles) BAJA MEDIA ALTA Figura 10: Comportamiento del Servidor OLAP frente a consultas con distintos grados de complejidad. Del análisis de la figura anterior se desprende que los tiempos de respuesta del sistema no experimentan diferencias significativas en cuanto al grado de complejidad de las consultas. Para el primer valor de filas analizadas (24490) se observa que la diferencia entre los tiempos de respuestas entre las consultas de media y alta complejidad son muy similares, con una diferencia de 2,3 segundos aproximadamente, mientras que para el valor máximo de filas (121975) la diferencia entre estos dos tipos de consultas es de 11.8 segundos aproximadamente, estos valores se encuentran perfectamente admisibles si se tiene en cuenta la diferencia que tienen en su complejidad estas consultas. Por otro lado no se observa una diferencia excesiva del rendimiento de estos sistemas que nos hiciera pensar que se verían afectados por la complejidad de las consultas realizadas. Es de destacar, que las consultas con las que se obtuvieron estos valores de tiempo son de un grado de complejidad medio dentro de cada una de las tres categorías definidas anteriormente. 14

15 Tabla TUrgencias: 1. (Baja complejidad): Cantidad de Urgencias por Sexo y Día de la Semana. Selecciona 3 campos, utiliza 1 función de agregación, 1 join y 2 condiciones, agrupa y ordena por 2 campos, y realiza operaciones aritméticas. Retorna 14 filas. 2. (Media complejidad): Cantidad de Urgencias por Especialidad y Hora. Selecciona 3 campos, utiliza 1 función de agregación, 1 join y 2 condiciones, agrupa y ordena por 2 campos, y realiza operaciones aritméticas. Retorna 422 filas. 3. (Alta complejidad): Demora de la Primera Atención por Especialidad y Sexo. Selecciona 3 campos, utiliza 1 función de agregación, 2 joins y 3 condiciones, agrupa y ordena por 2 campos, y llama una función definida por el usuario. Retorna 38 filas. Una vez que ya se tiene referencia de lo que se entiende por consultas con grado de complejidad baja, media y alta en el contexto de las urgencias, se puede analizar la figura 11 que muestra la dependencia del tiempo de respuesta del sistema con respecto a esta clasificación. Rendimiento del Servidor OLAP frente a Consultas de Distintos Grados de Complejidad tiempo (s) ,988; 17, ,988; 11,26 104,748; 4, ,748; 2, ,748; 1, ,988; 2, cantidad de filas (en miles) BAJA ALTA MEDIA Figura 11: Comportamiento del Servidor OLAP frente a consultas con distintos grados de complejidad. De forma análoga a como ocurría en la figura 10, en este gráfico para el caso de las urgencias, no se observa una diferencia desproporcionada en el tiempo de respuesta para cada uno de los rangos de valores en dependencia de la complejidad de las consultas. A pesar que se trabaja con un número mucho mayor de filas, es de destacar, que las consultas con las que se obtuvieron estos 15

16 valores de tiempo son las más simples posibles dentro de cada una de las tres categorías definidas. En el gráfico se ve como aumentan estos tiempos con consultas más complejas, pero también se observa que la tendencia y el comportamiento es idéntico al anterior, al no existir diferencias muy grandes en los tiempos de respuestas del sistema para cada uno de los cinco rangos de valores que se analizan para consultas de simple, media y alta complejidad. En este caso, la consulta con un grado medio de complejidad demora más tiempo en ser obtenida debido a que retorna un número de filas considerablemente mayor (422) que la consulta de alto grado de complejidad que solo retorna 38 filas, aspecto este como se comentó anteriormente que afecta el tiempo de respuesta del servidor OLAP. Con lo hasta aquí expuesto se ha podido observar de forma práctica que tanto el servidor OLAP Wonder posee un buen desempeño y se comportan de forma muy estable tanto ante el aumento del número de registros a procesar para dar respuesta a una consulta, como ante el aumento de la complejidad de las consultas. 4- Conclusiones. Se aplicaron técnicas OLAP en el Hospital Universitario San Cecilio mediante la herramienta libre Wonder, logrando mejorar la gestión administrativa y directiva. Esto permitió al usuario obtener la información que necesita, sin tener que recurrir al soporte técnico. Además, las posibilidades de consultas son ilimitadas y los resultados obtenidos pueden ser vistos en informes y gráficos, que permitan mejorar la interpretación de los mismos, todo esto en tiempos muy aceptables. Se demostró el excelente desempeño de Wonder tanto ante el aumento del número de registros a procesar para dar respuesta a una consulta, como el aumento de la complejidad de éstas. BIBLIOGRAFÍA [1]: Codd, E.F. ; C.T. : Providing OLAP to user-analysts: An IT Mandate. S.B & Salley, [2]: Jorge R. C., Eduardo R R.: Wonder: Implementación de un Servidor OLAP de Libre Disposición. Tesis de Pregrado, Ingeniería Informática, Camagüey, [3]: 16