1. OMOP CDM 全景与映射工程定位

在真实世界证据（Real-World Evidence, RWE）的生产链条中，OMOP 通用数据模型（Common Data Model, CDM）扮演的是"统一语言"的角色。医院信息系统、检验系统、影像系统、医保结算系统各自使用不同的编码体系与表结构，如果每个研究问题都从原始数据重新写一遍抽取逻辑，成本高、不可复现、难以跨机构比较。OMOP CDM 的价值就在于：把异构的源数据一次性映射到一套标准化的表结构与标准词表上，之后的分析工具、队列定义、统计脚本就可以在多个数据源上复用。

CDM 版本演进：从 v5 到 v5.4 与 v6 的分叉

OMOP CDM 由 OHDSI（Observational Health Data Sciences and Informatics）社区维护。当前工程实践中最主流的是 CDM v5.3 与 v5.4，它们属于 v5.x 系列，向后兼容性较好，绝大多数 OHDSI 工具（如 Achilles、DataQualityDashboard、ATLAS、CohortMethod）都围绕 v5.x 构建。CDM v6.0 曾尝试引入更规范化的调整（例如将部分字段拆分、调整 visit_occurrence 与 visit_detail 的关系），但由于生态工具迁移成本高，实际落地比例远低于 v5.x。因此本课程以 CDM v5.4 作为目标模型，同时说明与 v5.3 的差异点，便于读者在遇到旧数据源时做兼容处理。

版本差异中需要特别留意的几处：v5.4 在 visit_occurrence 中新增了 admitted_from_concept_id 与 discharged_to_concept_id，用于刻画转科与转院路径；episode 与 episode_event 表被正式纳入，用于表达跨就诊的疾病发作过程；payer_plan_period 的字段语义也有微调。这些变化直接影响映射时的字段落位决策。

核心表域：五域结构与它们的分工

OMOP CDM 的表可以按语义划分为五个域，理解这个划分是设计映射方案的前提：

• 临床数据域（Clinical Data）：person、visit_occurrence、condition_occurrence、drug_exposure、procedure_occurrence、measurement、observation、device_exposure 等。这是映射工作量最大的部分，源系统中的诊断、医嘱、检验、手术记录都要落到这里。
• 标准化词表域（Standardized Vocabularies）：concept、concept_relationship、concept_ancestor、vocabulary、domain、drug_strength 等。它决定了"源编码映射到哪个标准概念"这一核心动作的可行性。
• 健康系统域（Health System）：location、care_site、provider，描述"在哪里、由谁提供医疗服务"。
• 健康经济域（Health Economics）：payer_plan_period、cost，承载支付方与费用信息。
• 派生要素域（Derived Elements）：drug_era、dose_era、condition_era，由临床事件按规则推导出的连续用药期、剂量期与疾病期，通常由 ETL 的后续步骤或工具生成，而非直接映射。

需要强调的是，OMOP 中几乎所有临床事件表都共享一组"骨架字段"：person_id、*_concept_id、*_start_date、*_end_date、*_type_concept_id、visit_occurrence_id、provider_id、*_source_value、*_source_concept_id。其中 *_source_value 保留源系统原始值，*_source_concept_id 记录源编码在词表中的对应概念（常为 0），*_concept_id 才是标准化后的目标概念。这三者的区分是映射质量追溯的关键。

映射工程在 RWE 生产中的位置

从上面的全景可以看到，映射工程不是孤立的技术环节，而是连接"原始数据"与"可分析数据"的枢纽。它的上游是数据源治理（数据可及性、隐私合规、字段字典获取），下游是队列构建与统计分析。映射质量直接决定下游结论的可信度：如果 condition_concept_id 映射错误，队列纳入标准就会失效；如果 visit_occurrence_id 关联断裂，就无法区分住院与门诊场景。

因此映射工程的核心交付物不只是"一张填好的表"，而是一套可追溯、可复现、可审计的转换资产，包括：源字段到目标字段的落位映射表、源编码到标准概念的映射字典、ETL 脚本或 SQL、以及映射质量报告（覆盖率、未映射清单、异常值统计）。

课程项目数据源介绍

本课程贯穿一个模拟教学项目，数据源设定为某三甲医院 2021—2023 年的脱敏数据，包含四类源表：