ohdsi通用數(shù)據(jù)模型在腫瘤大數(shù)據(jù)中的應(yīng)用

1大規(guī)?；颊邤?shù)據(jù)分析的標準化與互聯(lián)互通隨著計算機化的發(fā)展，醫(yī)療機構(gòu)擁有大量的醫(yī)療數(shù)據(jù)。電子醫(yī)療記錄是醫(yī)療領(lǐng)域信息技術(shù)的典型產(chǎn)物，已成為醫(yī)療數(shù)據(jù)的主要來源，具有重要的分析價值。自中國國家癌癥中心成立至今，逐步匯集了中國各級腫瘤醫(yī)院的健康信息系統(tǒng)的數(shù)據(jù)，并逐步開展數(shù)據(jù)規(guī)范化治理以支持數(shù)據(jù)間的互聯(lián)互通和臨床大數(shù)據(jù)的分析與應(yīng)用。多中心、多來源患者數(shù)據(jù)聯(lián)合分析是開展大規(guī)?；颊邤?shù)據(jù)分析的重要方式，傳統(tǒng)的多中心臨床研究是由多個獨立的研究中心、多個研究者按照統(tǒng)一實驗方法在不同的地點和單位同步進行、同步結(jié)束的臨床試驗。當前大規(guī)?；颊邤?shù)據(jù)分析則建立在回顧性研究的基礎(chǔ)上，依托自動化技術(shù)智能采集、獲取、處理、整合、分析和呈現(xiàn)來自多家醫(yī)院異構(gòu)信息系統(tǒng)的數(shù)據(jù)。因此，大規(guī)?；颊邤?shù)據(jù)的規(guī)范化、一致性，標準化和互聯(lián)互通問題成為數(shù)據(jù)分析的重要基礎(chǔ)，只有標準化的數(shù)據(jù)表示和量化指標，多來源數(shù)據(jù)采集、分析才更精準，研究結(jié)果才具有客觀性、準確性和普遍性。采用標準化的數(shù)據(jù)聯(lián)合研究，可促進研究者制定合理的科研分析策略，產(chǎn)生的成果價值更高。然而，電子化的患者數(shù)據(jù)存在規(guī)模大、結(jié)構(gòu)差異性大、術(shù)語不統(tǒng)一等特點，導致數(shù)據(jù)利用率較低“觀察性健康醫(yī)療數(shù)據(jù)研究”項目（ObservationalHealthDataandInformatics,OHDSI）是多方參與者進行跨學科合作研究的全球性非盈利科研組織2數(shù)據(jù)和方法2.1變化的準化數(shù)據(jù)庫OHDSICDM是一套具有統(tǒng)一標準的數(shù)據(jù)模型，可規(guī)范觀察性數(shù)據(jù)的格式和內(nèi)容，目的是將不同的觀察性數(shù)據(jù)庫包含的數(shù)據(jù)轉(zhuǎn)換為通用格式以及統(tǒng)一的術(shù)語，然后使用同一個標準化數(shù)據(jù)庫進行系統(tǒng)分析。遵循OHDSICDM標準模型的約束和規(guī)則，本研究將來自于4家醫(yī)院的8202例前列腺癌患者數(shù)據(jù)轉(zhuǎn)換為OHDSICDM所支持的標準化存儲結(jié)構(gòu)和標準化術(shù)語編碼。多種類型的患者數(shù)據(jù)被轉(zhuǎn)化到統(tǒng)一的CDM結(jié)構(gòu)中，且與OHDSI推薦的編碼標準體系的標準術(shù)語建立映射。自然語言處理技術(shù)（NaturalLanguageProcessing,NLP）實現(xiàn)了電子病歷內(nèi)容的自動識別和提取，NLP提取的內(nèi)容和結(jié)構(gòu)化的人口統(tǒng)計學、診斷與治療方案等信息共同整合，用于研究分析。2.2學習方法2.2.1醫(yī)學術(shù)語臨床術(shù)語OHDSICDM目前已經(jīng)發(fā)展到第六版，包含了標準化詞匯表、標準化元數(shù)據(jù)、標準化臨床數(shù)據(jù)表、標準化健康系統(tǒng)數(shù)據(jù)表、標準化健康經(jīng)濟表和標準化派生元素等6大類，共39張表，見圖1。CDM中包含大量的醫(yī)學術(shù)語標準并支持開放獲取，可供各參與機構(gòu)使用，其中包含世界衛(wèi)生組織（WHO）制定的“國際疾病分類與代碼（ICD-10/ICD-9）”；由國際醫(yī)學術(shù)語標準化與研發(fā)組織制定的“系統(tǒng)化醫(yī)學術(shù)語集——臨床術(shù)語版（SNOMEDCT）”；由美國國立醫(yī)學圖書館制定的“醫(yī)學主題詞表（MeSH）”“觀測指標標識符邏輯命名與編碼系統(tǒng)（LOINC）”人類表型本體（HPO）；美國國立醫(yī)學圖書館（NLM）編制的臨床藥品規(guī)范化命名表（RxNorm）等100余個醫(yī)學術(shù)語表，為患者數(shù)據(jù)的分析和利用提供標準化映射的術(shù)語支持，患者數(shù)據(jù)依據(jù)統(tǒng)一的編碼體系和轉(zhuǎn)化規(guī)則被標準化為一致的概念，這些概念之間由OHDSI的研發(fā)人員基于當前可開放獲取的術(shù)語知識體系匯聚構(gòu)建了概念之間復雜的語義關(guān)系，基于OHDSI統(tǒng)一的術(shù)語表達和豐富的語義關(guān)系，后續(xù)可開展數(shù)據(jù)的互聯(lián)互通，檢索獲取大規(guī)模的數(shù)據(jù)分析與利用。2.2.2數(shù)據(jù)采集及預處理本研究涉及不同來源的前列腺癌患者數(shù)據(jù)，包含HIS、EMR、LIS、PACS、病理和隨訪在內(nèi)的醫(yī)療數(shù)據(jù)，通過與多來源的原始數(shù)據(jù)分別建立數(shù)據(jù)接口，實現(xiàn)自動采集，在數(shù)據(jù)采集后進行內(nèi)容校驗，對不符合CDM預設(shè)的數(shù)據(jù)類型進行預處理，對診斷名稱、診斷類型、用藥名稱、用藥單位、手術(shù)名稱、檢驗名稱、檢驗單位、就診類型等需要轉(zhuǎn)換的醫(yī)學術(shù)語進行清洗、拆分、大小寫合并等預處理，生成數(shù)據(jù)表。2.2.3elt的在線映射數(shù)據(jù)的抽取、轉(zhuǎn)換和加載（Extraction-TransformationLoading,ELT）是實現(xiàn)來源數(shù)據(jù)表向標準化數(shù)據(jù)結(jié)構(gòu)轉(zhuǎn)換的過程，基于預處理后的數(shù)據(jù)，將來源字段與CDM字段進行映射，本實驗開發(fā)自動ETL的實施工具，支持將來源數(shù)據(jù)導入OHDSICDM中，且支持數(shù)據(jù)后續(xù)的更新。此外，CDM定義了多種級別的數(shù)據(jù)字典，對應(yīng)每個數(shù)據(jù)表都有詳細的約束和限定2.2.4映射術(shù)語體系在來源數(shù)據(jù)ETL到標準化數(shù)據(jù)庫結(jié)構(gòu)的基礎(chǔ)上，我們的實踐還包括將所有腫瘤來源術(shù)語（如ICD-10診斷編碼、手術(shù)、醫(yī)囑、疾病史等）映射轉(zhuǎn)換成CDM術(shù)語表中支持的標準化概念。在映射的過程中，為確保多人協(xié)同映射的一致性，我們分別針對不同類型的映射術(shù)語制定了映射操作指南，以確保多人遵循一致的映射原則、映射操作方式、映射結(jié)果記錄方式等。在選取映射術(shù)語體系方面，我們針對OHDSI為不同的臨床數(shù)據(jù)類型預設(shè)概念Domain和Class(Domain代表臨床術(shù)語本質(zhì)含義所對應(yīng)的臨床領(lǐng)域，Class可用來區(qū)分不同的術(shù)語表版本，也可以用來區(qū)分概念的臨床類別），選取了概念域分別推薦的標準術(shù)語表：SNOMEDCT、RxNorm和UCUM。SNOMEDCT，即醫(yī)學系統(tǒng)命名法——臨床術(shù)語，是應(yīng)用最廣泛的術(shù)語體系，它提供了一套全面統(tǒng)一的醫(yī)學術(shù)語系統(tǒng)，涵蓋大多數(shù)的臨床信息，如疾病診斷、檢驗、操作等，包含但不限于腫瘤領(lǐng)域；RxNorm是藥物的主要標準詞匯，RxNorm提供的是臨床藥物（活性成分+強度+劑型）以及劑型的標準名稱，它不限于腫瘤化療藥物，也不包含成套的治療方案。在本研究中，我們通過選取單一的化療藥物進行組合的方式獲得化療方案。統(tǒng)一計量單位代碼（TheUnifiedCodeforUnitsofMeasure,UCUM）是一種編碼系統(tǒng)，在本研究中被用于檢驗結(jié)果單位的統(tǒng)一，UCUM旨在統(tǒng)一包括科學、工程和商業(yè)中使用的所有計量單位，目的是為了便于對數(shù)量及其單位進行明確的互通。前列腺癌數(shù)據(jù)標準化映射采用的術(shù)語見表1。3cdm標準化數(shù)據(jù)庫本研究開發(fā)了自動轉(zhuǎn)換的數(shù)據(jù)庫腳本支持ETL的自動實施。實驗環(huán)境為：OHDSICDM數(shù)據(jù)庫6.0版（發(fā)布于2018年10月）和ORACLE相關(guān)數(shù)據(jù)庫環(huán)境。通過ETL設(shè)計建立字段映射表，從數(shù)據(jù)源提取所需數(shù)據(jù)，經(jīng)過數(shù)據(jù)清洗將源數(shù)據(jù)集內(nèi)容轉(zhuǎn)換成符合CDM表結(jié)構(gòu)的格式。非結(jié)構(gòu)化數(shù)據(jù)經(jīng)過NLP處理也完成了向結(jié)構(gòu)化數(shù)據(jù)的轉(zhuǎn)化。由醫(yī)學人員創(chuàng)建來源術(shù)語到標準術(shù)語的映射，映射過程見表2。經(jīng)人工審核校對后的映射關(guān)系被加載到CDM中形成標準化數(shù)據(jù)庫。目前，前列腺癌數(shù)據(jù)轉(zhuǎn)化的結(jié)果見表3。4其他腫瘤領(lǐng)域的應(yīng)用本研究以前列腺癌患者數(shù)據(jù)為例，開展了腫瘤數(shù)據(jù)向OHDSICDM轉(zhuǎn)化的可行性研究與實踐，探索結(jié)論為我們研究其他癌種以及腫瘤通用的CDM奠定了應(yīng)用基礎(chǔ)。在實踐過程中，我們發(fā)現(xiàn)因為橫跨不同的觀測數(shù)據(jù)庫進行多中心聯(lián)合研究是一項從技術(shù)層到組織層都面臨的挑戰(zhàn)，OHDSICDM作為一種標準化機制來規(guī)范觀察性數(shù)據(jù)的結(jié)構(gòu)、內(nèi)容和語義，使得一致的術(shù)語表達和統(tǒng)一的數(shù)據(jù)分析、跨機構(gòu)數(shù)據(jù)互操作、遠程協(xié)作和高效率計算成為可能。通過本研究，我們探索了一種腫瘤數(shù)據(jù)向通用數(shù)據(jù)模型轉(zhuǎn)化的模式，后續(xù)會將其推廣至其他腫瘤或疾病領(lǐng)域?；贠HDSICDM開展的數(shù)據(jù)研究層出不窮，例如通過觀察多樣化的人群實現(xiàn)大規(guī)模表征治療途徑研究，一線抗高血壓藥物功效和安全性的綜合比較，2型糖尿病患者中血紅蛋白A1c水平與不同藥物的關(guān)聯(lián)研究在實踐過程中，我們也發(fā)現(xiàn)OHDSICDM和通用術(shù)語表在腫瘤領(lǐng)域的應(yīng)用仍有局限，特別是數(shù)據(jù)結(jié)構(gòu)不全面和中文標準術(shù)語匱乏的問題，特定的腫瘤診療流程和術(shù)語仍有不能完全存儲和準確映射的情況，醫(yī)學人員進行術(shù)語映射時存在耗時長、成本高、語義理解不一致的問題。因此，在標準化數(shù)據(jù)建模方面，我們下一步將針對腫瘤數(shù)據(jù)，專門探索OHDSI的CDMOncolo