📚 课程目录第1章 OMOP CDM标准化工程全景

1. OMOP CDM标准化工程全景

OMOP CDM（Observational Medical Outcomes Partnership Common Data Model）不是一套数据库建表脚本，也不是某个厂商的ETL工具，而是一套面向观察性健康数据的通用数据模型与术语体系。它的核心价值在于：把来自不同医院、不同信息系统、不同编码标准的原始数据，映射到统一的表结构、统一的字段语义和统一的术语编码上，使跨机构、跨时间的数据能够被同一套分析程序直接消费。理解这一点，是开展标准化工程的前提。

一、OMOP CDM的定位与核心组成

OMOP CDM由OHDSI（Observational Health Data Sciences and Informatics）社区维护，目前主流版本为CDM v5.4。它由三部分共同构成：

关系型表结构：以患者为中心，围绕临床事件组织数据。核心表包括PERSON（患者）、VISIT_OCCURRENCE（就诊）、CONDITION_OCCURRENCE（诊断）、DRUG_EXPOSURE（用药）、MEASUREMENT（检验检查）、OBSERVATION（观察）、PROCEDURE_OCCURRENCE（操作）等。每张表通过person_id、visit_occurrence_id等外键关联，形成以人为中心的事件网络。
标准化术语体系：所有临床概念必须映射到标准概念（Standard Concept），并归入SNOMED、LOINC、RxNorm、ICD-10-CM等标准词表。CDM中的concept_id是连接事实表与术语表的桥梁，CONCEPT、CONCEPT_RELATIONSHIP、CONCEPT_ANCESTOR等词表表支撑语义查询与层级汇总。
标准化词表与元数据：包括DOMAIN（域）、VOCABULARY（词表）、CONCEPT_CLASS（概念类别）等，用于约束和解释每个concept_id的来源与含义。

需要特别强调的是：CDM表结构只是“骨架”，术语映射才是“血肉”。没有标准化术语，CDM只是一堆空表；没有CDM表结构，术语也无处安放。二者缺一不可。

二、标准化工程的目标

标准化工程的目标可以概括为四个层次：

结构对齐：把源系统的表、字段、主外键关系，转换为CDM规定的表与字段，保证数据能“装进去”。
语义对齐：把源系统的本地编码、自由文本、院内字典，映射到标准concept_id，保证数据“看得懂”。
质量可控：通过数据质量检查（DQD）识别缺失、越界、逻辑矛盾、时间倒置等问题，保证数据“信得过”。
可复现可扩展：ETL过程版本化、可重跑、可审计，新增数据源时能复用已有映射与规则，保证工程“走得远”。

这四个层次不是并列关系，而是递进关系：结构对齐是基础，语义对齐是核心，质量可控是保障，可复现可扩展是工程化要求。

三、标准化工程的生命周期

一个完整的OMOP CDM标准化工程通常经历以下阶段：

源数据剖析：盘点源系统表结构、字段含义、编码分布、数据量、时间范围，识别主键、外键、空值率、异常值。
CDM映射设计：确定源表到CDM表的对应关系，设计字段级映射规则，明确哪些字段直接映射、哪些需要转换、哪些需要拆分或合并。
术语映射：对诊断、药品、检验、手术等临床概念，建立源编码到标准concept_id的映射表，处理一对多、多对一、无匹配等情况。
ETL开发与执行：编写SQL或使用ETL工具，按映射规则抽取、转换、加载数据，生成CDM实例。
数据质量评估：运行ACHILLES、DQD等工具，检查数据完整性、一致性、合理性，输出质量报告。
验证与迭代：通过病例回溯、统计对比、专家评审等方式验证映射正确性，修正规则并重新执行。
发布与维护：将CDM实例发布给分析人员，建立版本管理与变更控制机制，持续维护术语映射和ETL脚本。

这个生命周期不是一次性线性过程，而是“剖析—映射—执行—评估—修正”的循环迭代。实际项目中，术语映射和ETL开发往往交替进行，质量评估会反复触发映射修正。

四、从源数据到CDM的端到端流程

下面这张图展示了从源系统到CDM实例的端到端数据流，以及各阶段的关键输入、处理动作和输出物。图中同时标注了术语映射在流程中的位置——它贯穿结构映射与ETL执行，是连接源编码与标准concept_id的核心环节。

从图中可以看到，标准化工程不是一条单向流水线，而是一个带反馈回路的闭环。数据质量评估的结果会反向驱动映射规则修正和ETL重跑，直到质量指标达到可接受水平。术语映射则像一条“纵贯线”，从映射设计阶段一直延伸到CDM实例，决定了数据在语义层面是否真正可用。

五、工程化落地的关键判断

在实际项目中，判断一个OMOP CDM标准化工程是否“做到位”，可以看几个具体信号：

CDM实例中核心表的记录数是否与源系统量级匹配，是否存在大量因映射失败而丢弃的记录。
CONDITION_OCCURRENCE、DRUG_EXPOSURE等表中，concept_id为0（无匹配概念）的比例是否控制在可接受范围，通常要求低于5%～10%，具体阈值视数据源质量而定。
VISIT_OCCURRENCE能否覆盖绝大多数临床事件，是否存在大量事件没有关联就诊记录。
时间字段是否满足“事件时间不早于出生时间、不晚于当前时间”等基本逻辑约束。
ETL脚本是否版本化，映射表是否可追溯，能否在源数据更新后快速重跑并复现结果。

建议在项目启动阶段就建立“映射规格说明书”和“术语映射表”两份核心文档，前者记录表级与字段级映射规则，后者记录源编码到concept_id的对应关系。这两份文档是后续ETL开发、质量评估和版本迭代的基础，也是团队协作和知识传承的关键载体。

总结来说，OMOP CDM标准化工程的本质，是把“数据可用”这件事从依赖个人经验，转变为依赖可复现的规则、可审计的映射和可迭代的流程。理解CDM的定位与组成，明确工程目标与生命周期，掌握从源数据到CDM的端到端流程，是后续所有具体工作的起点。