Implementation of a common data model in Health Data Research Network Canada: Lessons learned
Notice bibliographique
Résumé
BackgroundThe Observational Medical Outcomes Partnership (OMOP) Common Data Model (CDM) is a standardized structure for observational data that enables collaborative health research. Health Data Research Network (HDRN Canada) is conducting a pilot study to implement this standard at partner data linkage centers. ObjectiveOur objective is to describe the process used to implement the OMOP CDM, methodological and technical challenges, and the approach to evaluate CDM implementation at multiple sites. ApproachCDM working group members include technical staff from data linkage centers in four provinces and a national data coordinating center, HDRN Canada operational and executive leads, and OMOP CDM consultants. The evaluation aims to collect quantitative and qualitative information on Extract, Transform, and Load (ETL) processes, performance of the CDM in a multi-site observational case study, and data quality. ResultsInitial steps have included collaborative learning about the CDM structure, importing open-source tools and licensed coding standards (i.e., Systematized Nomenclature of Medicine-Clinical Terms [SNOMED-CT], RxNorm) at data linkage centres, and exploring the technical requirements for developing ETL processes and hosting OMOP data. Creation of select OMOP tables has been accompanied by discussions about models for mapping clinical and prescription drug coding standards. A scoping review of evaluation strategies is underway. Conclusions and ImplicationsThe benefits of standardizing health data for multi-site research and supporting the production of findable, accessible, interoperable and reusable (FAIR) national data underscores the importance of HDRN Canada embarking on this OMOP CDM implementation project. The lessons learned will benefit other multi-site data standardization initiatives.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,021 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,006 | 0,004 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».