Nutzung des OHDSI OMOP Common Data Model für die Forschung mit beobachtenden Gesundheitsdaten

Wenn es um Forschung geht, ist ein klinisches Common Data Model (gemeinsames Datenmodell) ein zentraler Bestandteil jeder Gesundheitsorganisation. Kollaborative Forschung und Datenaustausch – unter Einhaltung angemessener Sicherheits- und Datenschutzmaßnahmen auf Basis des Datenmodells – befähigen Organisationen dazu, gemeinsam an der Verbesserung von Patientenergebnissen zu arbeiten.

Die Analytics Platform for Research von Data4Life nutzt das Observational Medical Outcomes Partnership (OMOP) Common Data Model (CDM) von OHDSI (Observational Health Data Sciences and Informatics). Dies ermöglicht standardisierte Analysen über verschiedene Datenmodalitäten hinweg im Rahmen von gemeinsamer Forschung und Datenaustausch.

Was ist OHDSI?

The OHDSI program is a multi-stakeholder, interdisciplinary organization. It creates open-source solutions that Das OHDSI-Programm ist eine interdisziplinäre Organisation, in der verschiedene Interessengruppen zusammenkommen. Sie entwickelt Open-Source-Lösungen, die den Wert von beobachtenden Gesundheitsdaten (Observational Health Data) durch großflächige Analysen nutzbar machen.

Das OMOP CDM und das dazugehörige Vokabular zielen darauf ab, unterschiedliche beobachtende Gesundheitsdatenbanken zusammenzuführen, um gemeinsame Analysen zu unterstützen.

Die Vorteile der Arbeit mit OHDSI und dem OMOP CDM im Überblick:

• Schnellere und zuverlässigere Studien: Sobald die Daten in das OMOP CDM übertragen (gemappt) wurden, können Sie Studien über eine Reihe von Datensätzen und Datentypen hinweg schneller und zuverlässiger durchführen.
• Kostenreduzierung: OHDSI stellt Werkzeuge zur Datenanalyse bereit und senkt so die Kosten für die Entwicklung eigener Kernsoftware-Komponenten für den Datenzugriff.
• Ergebnisaustausch im Netzwerk: Das OHDSI-Netzwerk unterstützt den Austausch von Ergebnissen bei standortübergreifenden Multizenter-Datenbankstudien, ohne dass die eigentlichen Primärdaten geteilt werden müssen.

Wie es funktioniert

Verschiedene klinische Datenmodalitäten werden so transformiert, dass sie in ein CDM passen. Dadurch können Abfragen, Analysen und Studien einmalig entwickelt und direkt in der OMOP CDM-Datenbank angewendet werden.

Das OMOP CDM bietet dank eines optimierten Schemas eine hohe Flexibilität. Es enthält Tabellen für Daten, die typischerweise in klinischen Studien und Beobachtungsstudien benötigt werden – wie etwa Medikamentenanwendung und durchgeführte Behandlungen. Diese Tabellen sind im klinischen Datenteil des klinischen Data Warehouse gruppiert. Für bestimmte Anwendungsfälle kann es erforderlich sein, das aktuelle OMOP CDM zu erweitern.

Darüber hinaus umfasst das OMOP CDM die wichtigsten, weltweit gängigen Ontologien wie SNOMED CT, RxNorm, LOINC und weitere. Alle Details zum OMOP CDM sind auf den OHDSI-Wikiseiten beschrieben.

Bevor Sie den ETL-Prozess (Extract, Transform, Load – Extrahieren, Transformieren, Laden) in das OMOP CDM durchführen, müssen Sie Ihre Quelldaten genau verstehen. Sobald sich die Daten in der OMOP CDM-Datenbank befinden, sind sie bereit für Ihre Studie.

Die folgende Übersicht zeigt diesen Prozess von Ende zu Ende: Klinische Daten werden extrahiert, transformiert und in das CDM sowie in ein erweitertes Datenmodell geladen, was verschiedene Ergebnisse wie fortschrittliche Analysen (Advanced Analytics) und Data Science ermöglicht.

Die von OHDSI bereitgestellten Software-Tools sind auf der OHDSI-Software-Tool-Seite ausführlich beschrieben.

Die Data4Life Analytics Platform for Research bietet folgende OMOP-Tools und -Dienste:

• Beobachtende Gesundheitsdaten, modelliert in einem standardisierten Format
• Erweiterung des OMOP CDM für spezifische Anwendungsfälle
• Software- und Analysetools für das OMOP CDM

Data4Life – Unterstützung für Forschende und Wissenschaftler:innen bei der Datenanalyse

Die Open-Source-Lösungen von OHDSI und dem OMOP CDM bringen den Wert von beobachtenden Gesundheitsdaten durch großflächige Analysen voll zur Geltung.

Die Data4Life Analytics Platform for Research nutzt diese Lösungen, um Forschenden und Wissenschaftler:innen die Werkzeuge an die Hand zu geben, mit denen sie hochwertige und reproduzierbare Evidenz aus beobachtenden Gesundheitsdaten generieren können. Die Daten können dabei aus verschiedenen Quellsystemen wie elektronischen Patientenakten (ePA), Patientenmanagementsystemen und anderen extrahiert, transformiert und geladen werden.