DOI: https://doi.org/10.1136/bmjhci-2023-100953
PMID: https://pubmed.ncbi.nlm.nih.gov/38387992
تاريخ النشر: 2024-02-01
المؤلف: Christine Mary Hallinan وآخرون
الموضوع الرئيسي: ترميز المعلومات الطبية وصحة المعلومات
نظرة عامة
تقدم هذه القسم نظرة عامة على نموذج البيانات الشائعة لشراكة النتائج الطبية الملاحظة (OMOP-CDM)، مع تسليط الضوء على أهدافه وطرقه ونتائجه وآثاره على تحليلات بيانات الصحة. يسهل OMOP-CDM تحويل بيانات السجلات الطبية الإلكترونية المعقدة (EMR) إلى تنسيق موحد من خلال التمويه وتقييمات جودة البيانات الصارمة. يعزز هذا الإطار أمان البيانات وخصوصيتها من خلال تمكين حزم التحليل المشتركة من البداية إلى النهاية دون الحاجة إلى تبادل البيانات المباشر، مما يسمح لمقدمي خدمات الصحة والباحثين بإجراء تحليلات عبر قواعد بيانات متعددة محولة إلى OMOP مع الحفاظ على بيانات المرضى آمنة داخل المواقع المحلية.
تؤكد النتائج على أن اعتماد OMOP-CDM يبسط عمليات الحوكمة ويعزز التوافق، مما يدعم مجموعة واسعة من المشاريع البحثية السريرية والوبائية والترجمة، بالإضافة إلى التقارير التشغيلية في الرعاية الصحية. تؤكد الخاتمة أن الاستثمار في OMOP-CDM مبرر، حيث يفتح الإمكانيات لأبحاث البيانات الكبيرة الأخلاقية من خلال توفير منصة مشتركة لتحليل بيانات EMR عبر بيئات الرعاية الصحية المتنوعة. علاوة على ذلك، بينما تعتبر جهود التكامل في أستراليا جديرة بالثناء، لا يزال هناك فرصة لتعزيز الاتصال بين بيانات المستشفيات ونظم الرعاية الأولية، مما قد يحسن بشكل كبير من الأبحاث المدفوعة بالبيانات ونتائج الرعاية الصحية.
مقدمة
لقد سهل تقديم نموذج البيانات الشائعة لشراكة النتائج الطبية الملاحظة (OMOP-CDM) توحيد بيانات السجلات الطبية الإلكترونية المتنوعة (EMR)، مما يمكّن المؤسسات في أستراليا وعالميًا من استخلاص رؤى قيمة لأغراض التشغيل والبحث. من خلال تحويل بيانات EMR المعقدة إلى تنسيق منظم، يدعم OMOP-CDM الاستخدام الثانوي للبيانات السريرية والإدارية، مما يمكن أن يعزز مراقبة الرعاية الصحية وتقييمها وتطوير “نظام رعاية صحية متعلم”. ومع ذلك، فإن التعقيد الفطري لقاعدة بيانات EMR، المميز بالعديد من عناصر البيانات والمخططات الملكية، يطرح تحديات لتحويل البيانات ومشاركتها بشكل فعال، خاصة في بيئات البحث التعاوني.
يتعامل اتحاد علوم البيانات الصحية الملاحظة والمعلوماتية (OHDSI) مع هذه التحديات من خلال تعزيز استخدام المصطلحات الموحدة (مثل SNOMED-CT وLOINC وRxNORM) لترجمة بيانات EMR إلى OMOP-CDM. لا يعزز هذا النموذج مفتوح المصدر التعاون والابتكار فحسب، بل يضمن أيضًا تخزين البيانات وتحليلها بشكل آمن. اعتبارًا من عام 2022، تم تحويل حوالي 12% من EMRs في جميع أنحاء العالم إلى OMOP-CDM، مما يشمل أكثر من 928 مليون سجل مريض فريد عبر 41 دولة. في أستراليا، اعتمدت قواعد بيانات الرعاية الصحية المختلفة، بما في ذلك تلك من المستشفيات الكبرى والخدمات المتخصصة، OMOP-CDM. ومع ذلك، لا يزال هناك قيد كبير في تكامل بيانات المستشفيات والرعاية الأولية، مما يشير إلى الحاجة إلى تحسين بنية البيانات التحتية لتعزيز نتائج البحث.
مناقشة
تناقش هذه القسم نموذج البيانات الشائعة لشراكة النتائج الطبية الملاحظة (OMOP-CDM) ودوره في تعزيز الحوكمة والوصول إلى بيانات السجلات الطبية الإلكترونية (EMR) لأغراض البحث واتخاذ القرارات في الرعاية الصحية. يقوم OMOP-CDM بتوحيد البيانات السريرية والإدارية المعقدة إلى تنسيق مبسط، يتكون من 16 جدول بيانات، مع ضمان بقاء بيانات EMR الأصلية سليمة. يسهل هذا التحويل الالتزام بمعايير جودة البيانات والمبادئ الأخلاقية، مثل FAIR (قابل للاكتشاف، قابل للوصول، متوافق، وقابل لإعادة الاستخدام) وCARE (فائدة جماعية، سلطة، باحث، وأخلاقيات)، مما يعزز الاستخدام المسؤول للبيانات ويحمي خصوصية المرضى.
كما يبسط OMOP-CDM عمليات الحوكمة من خلال توفير تمثيل موحد للبيانات، مما يبسط التعقيدات المرتبطة بالدراسات متعددة المواقع ويعزز أمان البيانات من خلال بروتوكولات موحدة. يسمح بإجراء تقييمات صارمة لجودة البيانات ويخفف من المخاطر المرتبطة بانتهاكات البيانات من خلال طرق إزالة الهوية. علاوة على ذلك، تؤكد هذه القسم على أهمية الاعتبارات الأخلاقية في استخدام البيانات، بما في ذلك ضرورة الحصول على موافقة مستنيرة وتطبيق استراتيجيات تخفيف المخاطر. بشكل عام، يتم تقديم اعتماد OMOP-CDM كاستثمار قيم لتحسين أبحاث الرعاية الصحية والعمليات التشغيلية، مع الحاجة إلى جهود مستمرة لسد الفجوات بين مصادر بيانات الرعاية الصحية المختلفة.
القيود
تسلط هذه القسم الضوء على عدة تحديات مرتبطة باستخدام قواعد بيانات محولة إلى OMOP لتحليل بيانات السجلات الطبية الإلكترونية (EMR). بينما يوفر OMOP-CDM إطارًا آمنًا وموحدًا يعزز شفافية البيانات ويقلل من أخطاء الترميز، قد لا يلبي تمامًا المتطلبات الفريدة للبيانات في مجالات متخصصة مثل الأورام والحمل. يمكن أن تؤدي الاختلافات في الممارسات السريرية عبر مواقع الرعاية الصحية إلى عدم اتساق في عناصر البيانات المتعلقة بالسرطان، والتي قد لا تكون موحدة تمامًا خلال عملية التعيين إلى OMOP-CDM.
بالإضافة إلى ذلك، على الرغم من أن لوحة معلومات جودة OHDSI تقدم أدوات لمراقبة جودة البيانات وتحديد الشذوذ، فإن التعقيدات الفطرية لتحويل بيانات EMR المتنوعة إلى مخطط موحد يمكن أن تؤدي إلى تحديات تتعلق بكمال البيانات، والاتساق، والدقة. تؤكد هذه القيود على الحاجة إلى جهود مستمرة لتحسين عملية التحويل وضمان أن تظل البيانات موثوقة لأغراض البحث والتحليل.
DOI: https://doi.org/10.1136/bmjhci-2023-100953
PMID: https://pubmed.ncbi.nlm.nih.gov/38387992
Publication Date: 2024-02-01
Author(s): Christine Mary Hallinan et al.
Primary Topic: Medical Coding and Health Information
Overview
The section provides an overview of the Observational Medical Outcomes Partnership Common Data Model (OMOP-CDM), highlighting its objectives, methods, results, and implications for health data analytics. The OMOP-CDM facilitates the transformation of complex electronic medical record (EMR) data into a standardized format through pseudonymization and rigorous data quality assessments. This framework enhances data security and privacy by enabling shared end-to-end analysis packages without the need for direct data exchange, thus allowing health service providers and researchers to conduct analyses across multiple OMOP-converted databases while keeping patient-level data secure within local sites.
The findings emphasize that the adoption of OMOP-CDM simplifies governance processes and promotes interoperability, supporting a wide array of clinical, epidemiological, and translational research projects, as well as operational reporting in healthcare. The conclusion asserts that the investment in OMOP-CDM is justified, as it unlocks the potential for ethical real-world ‘big’ data research by providing a common platform for analyzing EMR data across diverse healthcare settings. Furthermore, while the integration efforts in Australia are commendable, there remains an opportunity to enhance data connectivity between hospital and primary care systems, which could significantly improve data-driven research and healthcare outcomes.
Introduction
The introduction of the Observational Medical Outcomes Partnership Common Data Model (OMOP-CDM) has facilitated the standardization of diverse electronic medical record (EMR) data, enabling institutions in Australia and globally to derive valuable insights for operational and research purposes. By transforming complex EMR data into a structured format, the OMOP-CDM supports secondary use of clinical and administrative data, which can enhance healthcare monitoring, evaluation, and the development of a ‘learning healthcare system.’ However, the inherent complexity of EMR databases, characterized by numerous data elements and proprietary schemas, poses challenges for effective data transformation and sharing, particularly in collaborative research settings.
The Observational Health Data Sciences and Informatics (OHDSI) consortium is addressing these challenges by promoting the use of standardized terminologies (e.g., SNOMED-CT, LOINC, RxNORM) to translate EMR data into the OMOP-CDM. This open-source model not only fosters collaboration and innovation but also ensures secure data storage and analysis. As of 2022, approximately 12% of EMRs worldwide have been converted to the OMOP-CDM, encompassing over 928 million unique patient records across 41 countries. In Australia, various healthcare databases, including those from major hospitals and specialized services, have adopted the OMOP-CDM. However, a significant limitation remains in the integration of hospital and primary care data, indicating a need for improved data infrastructure to enhance research outcomes.
Discussion
The section discusses the Observational Medical Outcomes Partnership Common Data Model (OMOP-CDM) and its role in enhancing the governance and accessibility of electronic medical record (EMR) data for research and healthcare decision-making. The OMOP-CDM standardizes complex clinical and administrative data into a simplified format, comprising 16 data tables, while ensuring that the original EMR data remains intact. This transformation facilitates adherence to data quality standards and ethical principles, such as FAIR (Findable, Accessible, Interoperable, and Reusable) and CARE (Collective benefit, Authority, Researcher, and Ethics), thereby promoting responsible data usage and safeguarding patient privacy.
The OMOP-CDM also streamlines governance processes by providing a uniform representation of data, which simplifies the complexities associated with multi-site studies and enhances data security through standardized protocols. It allows for rigorous data quality assessments and mitigates risks associated with data breaches through de-identification methods. Furthermore, the section emphasizes the importance of ethical considerations in data usage, including the necessity of obtaining informed consent and the application of risk mitigation strategies. Overall, the adoption of OMOP-CDM is presented as a valuable investment for improving healthcare research and operational processes, with ongoing efforts needed to bridge gaps between different healthcare data sources.
Limitations
The section on limitations highlights several challenges associated with the use of OMOP-converted databases for electronic medical record (EMR) data analysis. While OMOP-CDM provides a secure and standardized framework that enhances data transparency and reduces coding errors, it may not fully address the unique data requirements of specialized fields such as oncology and pregnancy. Variations in clinical practices across healthcare sites can lead to inconsistencies in cancer-related data elements, which may not be completely standardized during the mapping process to OMOP-CDM.
Additionally, although the OHDSI Quality Dashboard offers tools for monitoring data quality and identifying anomalies, the inherent complexities of converting diverse EMR data into a uniform schema can still result in challenges related to data completeness, consistency, and accuracy. These limitations underscore the need for ongoing efforts to refine the conversion process and ensure that the data remains reliable for research and analysis purposes.