将癌症数据协调到观察性医疗结果合作通用数据模型的过程

为何汇聚癌症数据至关重要

癌症护理会产生来自医院、登记处、实验室，甚至患者问卷的大量信息，但这些记录通常以不同格式存储，彼此难以“对话”。本文解释了研究者如何设计一个清晰的逐步流程，将这些分散的癌症信息转为单一且组织良好的格式，从而更可靠地用于治疗模式、生存率和人群健康的研究。

多个数据孤岛，而非一幅共享全景

癌症数据异常详尽，描述肿瘤类型、分期、基因标志物、随时间的治疗、药物副作用和结局等，来源包括电子病历、癌症登记、保险理赔、生物样本库和问卷等。由于每个来源使用不同的结构和命名规则，合并困难，常导致信息缺失或含义丢失。观察性医疗结果合作通用数据模型（OMOP CDM）为健康数据提供了共享结构，且在全球范围内被日益采用。然而，关于如何将癌症数据迁入该模型的现有指南较为笼统，团队往往需要自行设计本地解决方案。

以往项目揭示的经验

作者回顾了20个项目，这些项目来自学术期刊和国际数据科学社区的报告，曾尝试将癌症数据转换为 OMOP 格式。大多数项目要么侧重于患者层面的研究，如特定治疗的结局评估，要么关注群体层面的问题，如生存趋势和疾病监测。癌症登记和医院记录是最常见的数据来源，通常来自欧洲中心，美洲和亚洲的实例较少。许多团队使用 OMOP 社区的专用软件工具来探索源数据、设计映射、检查质量并推导治疗方案，但他们组织工作的方式差异很大。

反复出现的主要障碍

在这些项目中，三类问题反复出现。首先，起始数据混乱或不完整：重要细节缺失、记录为自由文本或分散在多个系统中，合并多个来源需要大量清理和整理。其次，将本地编码和描述映射到 OMOP 标准术语难度大，尤其是对于分期、标志物结果和复杂药物组合等丰富的癌症细节；标准词汇有时不够细化，自由文本或基因组数据需要额外工具和专家参与。第三，一旦建立了映射，它并非静态；通用数据模型、词汇表和工具更新迅速，团队需要规划以保持系统随时间更新。

为团队提供的五步路线图

基于回顾中总结的模式和癌症数据专家的反馈，作者提炼出一个针对肿瘤学的通用五步协调流程。第一步“启动”（Initiation）包括组建跨学科团队、明确研究目标、了解本地规则并熟悉 OMOP 生态。需求分析（Requirement Analysis）深入审查源数据：数据类型、结构、完整性与可信度，以及最大风险所在。设计规划（Design Planning）将这些认知转化为详细的转换与映射计划，包括使用哪些工具、如何处理诸如治疗过程等就诊序列，以及如何评估成效。

从原始记录到可用的研究数据

第四步“技术实施”（Technical Implementation）将计划付诸实践。团队在此阶段清理并整理数据、提取相关要素、将其转换为 OMOP 表并以系统化方式进行质量检查。特别重视使用 OMOP 表构建每位患者癌症历程的时间线，这些表表示就诊序列及其关联事件，如诊断、操作和药物暴露。第五步“维护”（Maintenance）认识到工作永无止境：词汇、软件工具和肿瘤学知识都在变化，因此团队必须安排更新、监控新问题并不断细化映射与约定。两个贯穿始终的原则支撑所有步骤：反复的测试与改进循环，以及对决策进行详尽记录，以确保工作的透明性与可复用性。

对患者和研究者的意义

对普通读者而言，核心信息是：更好地利用现有癌症数据，不在于新的设备，而在于谨慎且共享的信息组织方法。本文提供了一个可被任何医院或研究机构采用的实用路线图，帮助将分散的癌症记录整合为通用格式，同时尊重本地规则与技术。通过简化跨中心和跨国汇聚数据的过程，该流程旨在支持更可靠的研究，了解癌症的治疗方式与患者在日常实践中的结局，帮助临床医生与决策者在更清晰、更完整的基础上作出判断。

引用: Nada, I.P., Bonacina, S. Data harmonization processes of cancer data into the observational medical outcomes partnership common data model. Sci Rep 16, 15993 (2026). https://doi.org/10.1038/s41598-026-53570-9

关键词: 癌症数据, OMOP 通用数据模型, 数据协调, 真实世界证据, 健康信息学