20.11.2023

OMOP-tietomalli, sen hyödyt, haasteet ja käyttöönotto

Kuvalähde: Productivity Leap

OMOP (Observational Medical Outcomes Partnership) oli Yhdysvalloissa yksityisten lääkeyritysten rahoittama terveysviranomaisten hallinnoima yhteenliittymä sairaanhoidossa kerättyyn dataan perustuvan lääketurvallisuustutkimuksen edistämiseksi. Toisistaan poikkeavat potilastietojärjestelmät aiheuttivat tiedon analysoinnille ja tutkimukselle ongelmia, joita selättämään luotiin OMOP CDM (Common Data Model), OMOP-tietomalli. Vaikka lähtökohtana oli lääkeyritysten lääketurvallisuustutkimus, OMOP-tietomalli kehittyi mahdollistamaan laajan kirjon lääketieteellistä tutkimusta, kuten eri lääkeaineiden ja terveydenhuoltojärjestelmän toimintatapojen vaikuttavuuden selvittämistä sairauksien hoidossa.

OMOP-projektin työtä jatkaa OHDSI (Observational Health Data Sciences and Informatics). OHDSI ohjaa metodologista tutkimusta, jonka tarkoituksena on löytää parhaita tieteellisiä käytäntöjä kerätyn terveystiedon hyödyntämiseen ja kehittää avuksi avoimen lähdekoodin tietoteknisiä ratkaisuja ja työkaluja. Työkaluja ja käytäntöjä soveltamalla voidaan tuottaa perusteltua tietoa terveyspoliittisen päätöksenteon ja hoidon kehittämisen tueksi.

Mukana on yli 2300 yliopistollista, kaupallista ja julkishallinnon organisaatioita eri aloilta, kuten tietotekniikka, epidemiologia, tilastotiede, biolääketieteellinen informatiikka, terveyspolitiikka ja kliininen tutkimus. Suomessa toimii FinOMOP-yhteisö, joka on suomalaisten OMOP-toimijoiden yhteistyöverkosto. Verkostoon kuuluu yliopistolliset sairaalat, THL, tutkimusprojektit FinnGen ja FinRegistry sekä pienet ja keskisuuret yritykset (SME), kuten  Productivity Leap. FinOMOP-yhteisö vastaa OMOP-tietomallinnuksen kansallisesta harmonisoinnista, ylläpitää sanastoja sekä fasilitoi ETL-, analytiikka- ja sanastotyöryhmiä.

OMOP-tietomallin avulla erilaisia tautiluokitusjärjestelmiä ja tiedon tallennustapoja käyttävien järjestelmien tieto voidaan saattaa muotoon, joka mahdollistaa eri organisaatioiden yhteistyön ja laskennallisesti tehokkaan data-analyysin. Kussakin mukana olevassa järjestelmässä terveydenhuollon tietovarasto on ladattu OMOP-tietomalliin, jossa sekä taulujen rakenne että käytettävät koodit on standardoitu.

OMOP-tietomallin sisältöä ei jaeta eri organisaatioiden välillä, mutta tutkimuksen tekemiseksi vaadittavia tietokantahakuja tai avoimesti saatavilla olevia työkaluja ja avoimen tieteen periaatteiden mukaisesti julkaistuja algoritmeja voidaan toistaa sellaisenaan kussakin organisaatiossa. Näistä yhteenvedoista voidaan koostaa tietopohjaltaan erittäin laajoja tutkimuksia. Mukana on yli 300 tietokantaa yli 30 eri maasta, ja dataa on yli 810 miljoonasta potilaasta.

OMOP-tietomallista voidaan tunnistaa seuraavia hyötyjä eri sidosryhmien kannalta:

Tutkijoille

·        Laajemman analyysin mahdollistaminen: OMOPin avulla tutkijat voivat yhdistää ja analysoida tietoja useista eri lähteistä, mikä mahdollistaa laajemman ja monipuolisemman tutkimuksen.

·        Vertailukelpoisuus: Standardoidun tietomallin ansiosta tutkimustulokset ovat vertailukelpoisia eri instituutioiden ja jopa maiden välillä.

·        Nopeus ja Tehokkuus: Tietojen yhtenäisyys nopeuttaa analyysiprosessia, sillä datan esikäsittelyyn ja puhdistukseen kuluu vähemmän aikaa.

·        Monitieteellisyys: Yhteensopivuus erilaisten tietokantojen kanssa mahdollistaa monialaisten ja monitieteisten tutkimusten tekemisen.

IT-toteuttajille

·        Skaalautuvuus: OMOP mahdollistaa tietokantojen yhtenäistämisen ja laajentamisen joustavasti.

·        Ylläpidettävyys: Yhtenäinen tietomalli tekee ratkaisujen ylläpidosta ja päivittämisestä helpompaa.

·        Integraatio: OMOPin avulla on helpompi integroida uusia tietolähteitä tai sovelluksia nykyisiin tietojärjestelmiin.

·        Tietoturva/tietosuoja: Tietojen standardointi voi helpottaa tietoturvan ja tietosuojan hallintaa, kun käytössä on yhtenäiset mallit ja protokollat.

Kansalaisille

·        Parempi hoito: Tutkijoiden pääsy laajempiin ja yhtenäisiin tietokantoihin voi johtaa nopeamman tutkimuksen kautta vaikuttavampiin hoitoihin ja vaihe kerrallaan parempiin ja henkilökohtaisempiin hoitosuosituksiin.

·        Tietoisuus ja osallistuminen: Pitkällä aikavälillä OMOP voi osaltaan mahdollistaa kansalaisten paremman pääsyn omiin terveystietoihinsa ja siten aktiivisemman roolin omassa hoidossaan.

·        Tietoturva/tietosuoja: Tietojen yhtenäisyys ja standardointi voivat parantaa tietoturvaa ja yksityisyydensuojaa. Tässä huomioitava normaalit järjestelyt tietosuojan kannalta. Itse OMOP-malli ei ota tähän kantaan.

 

Vastaavasti jos arvioidaan OMOP-tietomallin käytön haasteita, niin voidaan tunnistaa ainakin seuraavat asiat:

Yhtenäistäminen ja standardointi

·        Tietojen siirtäminen ja muuntaminen: Olemassa olevien tietokantojen siirtäminen OMOP-standardiin voi olla aikaa vievää ja teknisesti haastavaa.

·        Tiedon menetys: Kaikki alkuperäiset tiedot eivät välttämättä siirry täydellisesti uuteen formaattiin, mikä saattaa johtaa tiedon menetykseen tai vääristymään.

Tekninen kompleksisuus

·        Resurssien tarve: Käyttöönotto vaatii sekä teknisiä että henkilöresursseja, ja tämä voi olla haastavaa pienemmille organisaatioille.

·        Järjestelmän ylläpito: Vaikka yhtenäistetty tietomalli helpottaa ylläpitoa pitkällä tähtäimellä, alkuinvestointi sekä jatkuvat päivitystarpeet vaativat henkilöresursseja.

Käytännön sovellus

·        Laadunvarmistus: Tietojen standardointi ei aina takaa niiden laadukkuutta. Virheelliset tai puutteelliset tiedot saattavat siirtyä järjestelmään.

·        Käytettävyys: Vaikka tietojen pitäisi olla helpommin käytettävissä, standardoinnin monimutkaisuus saattaa tehdä tiedon hyödyntämisestä haastavaa joissakin tapauksissa.

Tietouoja/tietoturva

·        Tietojen Hallinta: Yhdenmukaistettujen mallien laajuus ja monimutkaisuus voivat aiheuttaa uusia tietoturvaan ja yksityisyyteen liittyviä haasteita.

·        Henkilötietojen Säilytys ja Käsittely: Suurten tietomäärien hallintaan liittyy aina riskejä, ja niiden minimoimiseen tarvitaan erityisiä toimenpiteitä.

 

Tunnistettavissa olevat haasteet eivät ole ylitsepääsemättömiä, mutta ne vaativat huolellista suunnittelua, resursseja ja jatkuvaa ylläpitoa. Haasteiden tunnistaminen ja proaktiivinen varautuminen niihin ovat avainasemassa OMOP-tietomallin tehokkaassa ja turvallisessa käytössä.

OMOPin hyötykäyttö suomalaisissa sosiaali- ja terveydenhuollon alueen tutkimuslaitoksissa on yleistymässä. Productivity Leap toimii aktiivisesti eri hankkeissa yhdessä asiakkaiden kanssa OMOP-tietoisuuden kasvattamiseksi.

Kirjoitussarjan seuraavassa osassa pureudumme OMOP-mallin käyttöönottoon. Elinkaaren eri vaiheet asettavat omat haasteensa ja nämä pitää hoitaa huolellisesti.

Lähteet:

·        The Book of OHDSI (https://ohdsi.github.io/TheBookOfOhdsi/)

·        Our Journey publication (https://www.ohdsi.org/wp-content/uploads/2021/09/OHDSI-OurJourney2021-Final.pdf)

·        CleverHealth Networkin sivuilla julkaistu uutinen OMOP-toteutuksesta: https://www.cleverhealth.fi/en/news/acute-leukemia-project-shows-great-results-in-optimizing-oncology-diagnostic-and-treatment-automation-

 

Kirjoittaja: Productivity Leapin OMOP-tiimi

Yhteyshenkilö: Kari Natunen, kari.natunen(a)productivityleap.com