OMOP CDM กับการยกระดับงานวิจัยสุขภาพของไทยสู่มาตรฐานระดับโลก

เมื่อข้อมูลผู้ป่วยจากหลายโรงพยาบาลไม่สามารถสื่อสารกันได้

โรงพยาบาลทุกแห่งมีข้อมูลผู้ป่วยจำนวนมหาศาล ตั้งแต่ประวัติการรักษา การวินิจฉัยโรค รายการยา ผลตรวจทางห้องปฏิบัติการ ไปจนถึงข้อมูลการเข้ารับบริการในแต่ละช่วงเวลา แต่เมื่อข้อมูลเหล่านี้ถูกนำมาใช้ในระดับที่ใหญ่ขึ้น เช่น การวิเคราะห์ข้อมูลจากหลายโรงพยาบาล การทำวิจัยทางคลินิก หรือการสร้าง Real-World Evidence (RWE) กลับพบข้อจำกัดสำคัญ คือ ข้อมูลเหล่านั้นไม่ได้ใช้ภาษาเดียวกัน ยกตัวอย่างเช่น ทีมวิจัยต้องการศึกษาผู้ป่วยโรคเบาหวานชนิดที่ 2 จากโรงพยาบาลหลายแห่ง เพื่อวิเคราะห์แนวโน้มการรักษาหรือผลลัพธ์ทางสุขภาพของผู้ป่วยกลุ่มนี้ เมื่อรวบรวมข้อมูลจากแต่ละโรงพยาบาล อาจพบว่าการวินิจฉัยโรคเดียวกันถูกบันทึกไว้แตกต่างกัน เช่น

• โรงพยาบาล A ใช้คำว่า DM Type 2
• โรงพยาบาล B ใช้รหัส E11 ตามมาตรฐาน ICD-10
• โรงพยาบาล C ใช้รหัส 250.00 จาก ICD-9

สำหรับบุคลากรทางการแพทย์ ข้อมูลเหล่านี้มีความหมายเดียวกัน แต่สำหรับระบบคอมพิวเตอร์ ข้อมูลทั้งสามรายการอาจถูกมองเป็นคนละค่า หากไม่มีมาตรฐานกลางที่ช่วยเชื่อมโยงความหมายของข้อมูล ผลที่ตามมาคือ การนำข้อมูลจากหลายแหล่งมาใช้ร่วมกันต้องใช้กระบวนการ Data Cleansing และ Data Mapping จำนวนมาก ทีม IT ต้องเขียน Transformation Logic ใหม่ในแต่ละโครงการ และนักวิจัยต้องใช้เวลาไปกับการเตรียมข้อมูลมากกว่าการวิเคราะห์ข้อมูล ซึ่งกลายเป็นข้อจำกัดที่เกิดขึ้นกับระบบสุขภาพทั่วโลก และเป็นเหตุผลที่ทำให้เกิดแนวคิดของ OMOP Common Data Model (OMOP CDM)

OMOP CDM คือมาตรฐานที่ทำให้ข้อมูลสุขภาพพูดภาษาเดียวกัน

OMOP CDM (Observational Medical Outcomes Partnership Common Data Model) คือมาตรฐานโครงสร้างข้อมูลสุขภาพที่ช่วยให้ข้อมูลจากระบบที่แตกต่างกัน สามารถถูกจัดเก็บและวิเคราะห์ในรูปแบบเดียวกันได้ โดยได้รับการพัฒนาและใช้งานภายใต้ชุมชนนักวิจัยระดับนานาชาติ OHDSI (Observational Health Data Sciences and Informatics) (อ่านว่า “Odyssey” เหมือนตำนานกรีก หรือหนังของคริสโตเฟอร์ โนแลน) เป้าหมายของ OMOP ไม่ใช่การแทนที่ระบบ HIS หรือ EMR ที่โรงพยาบาลใช้อยู่ แต่เป็นการสร้างชั้นมาตรฐานกลางสำหรับข้อมูล เพื่อให้ข้อมูลจากระบบต้นทางที่แตกต่างกันสามารถนำมาใช้ร่วมกันได้

จากข้อมูลดิบสู่ OMOP CDM ต้องผ่านกระบวนการ Standardization

การนำข้อมูลสุขภาพเข้าสู่ OMOP CDM ประกอบด้วยกระบวนการหลัก 3 ขั้นตอน

1. Extract: ดึงข้อมูลจากระบบต้นทาง

ข้อมูลจะถูกดึงออกมาจากระบบต่าง ๆ ภายในองค์กร เช่น Hospital Information System (HIS), Electronic Medical Record (EMR), Laboratory Information System และระบบเฉพาะทางอื่น ๆ ข้อมูลที่ได้ในขั้นตอนนี้ยังอยู่ในรูปแบบเดิมของแต่ละระบบ ซึ่งอาจมีโครงสร้างและรูปแบบการบันทึกที่แตกต่างกัน

2. Transform และ Vocabulary Mapping: เปลี่ยนข้อมูลให้เป็นมาตรฐานเดียวกัน

ข้อมูลการวินิจฉัย ยา ผลตรวจทางห้องปฏิบัติการ และข้อมูลทางคลินิกอื่น ๆ จะต้องถูกแปลงเข้าสู่มาตรฐานของ OMOP โดยเชื่อมโยงกับ Concept ID โดย Concept ID ทำหน้าที่เป็นตัวแทนของความหมายกลาง ทำให้ข้อมูลที่เขียนต่างกันสามารถถูกตีความเป็นข้อมูลเดียวกันได้ OMOP รองรับ Standard Vocabulary สำคัญ เช่น

• SNOMED CT สำหรับข้อมูลด้าน Clinical Concept
• RxNorm สำหรับข้อมูลด้านยา
• LOINC สำหรับผลตรวจทางห้องปฏิบัติการ

3. Load: จัดเก็บในโครงสร้างมาตรฐานของ OMOP CDM

หลังผ่านการ Mapping แล้ว ข้อมูลจะถูกจัดเก็บในโครงสร้างมาตรฐาน เช่น Person, Visit Occurrence, Condition Occurrence, Drug Exposure, Measurement และ Procedure Occurrence เป็นต้น เมื่อข้อมูลจากหลายองค์กรอยู่ในโครงสร้างเดียวกัน เครื่องมือวิเคราะห์และกระบวนการวิจัยสามารถทำงานกับข้อมูลเหล่านั้นได้โดยไม่ต้องออกแบบใหม่ทั้งหมดทุกครั้ง

OMOP ไม่ใช่แค่ Data Model แต่คือ Ecosystem สำหรับงานวิจัยสุขภาพ

สิ่งที่ทำให้ OMOP CDM แตกต่างจากมาตรฐานข้อมูลทั่วไป คือ OMOP ไม่ได้หยุดอยู่เพียงการกำหนดโครงสร้างข้อมูล

เมื่อข้อมูลถูกแปลงเข้าสู่ OMOP CDM แล้ว องค์กรสามารถเข้าถึง Ecosystem ของ OHDSI ซึ่งประกอบด้วยเครื่องมือและแนวทางสำหรับงานวิจัยที่พัฒนาร่วมกันโดยนักวิจัยทั่วโลก ตัวอย่างเช่น

• ATLAS: เครื่องมือสำหรับสร้าง Cohort และออกแบบการศึกษาวิจัย
• Achilles: เครื่องมือสำหรับตรวจสอบคุณภาพและภาพรวมของข้อมูล
• HADES (Health Analytics Data-to-Evidence Suite): ชุดเครื่องมือสำหรับการวิเคราะห์ข้อมูลทางสถิติและ Real-World Evidence

เมื่อ Researcher ไม่ต้องรอคิว Data Engineer อีกต่อไป

สิ่งที่เปลี่ยนไปชัดเจนที่สุดคือ “ใครเป็นคนลงมือทำงานวิจัย”

เดิมที เมื่อนักวิจัยมีคำถาม เช่น ต้องการทราบอัตราการเกิดโรคหลอดเลือดสมองในผู้ป่วยเบาหวานชนิดที่ 2 ที่ได้รับยากลุ่มหนึ่ง กระบวนการมักเริ่มจากการตั้งเรื่องขอข้อมูล รอทีม IT เขียน Query รอตรวจสอบผลลัพธ์ และเมื่อพบว่าเกณฑ์คัดเข้าคัดออกยังไม่เหมาะสม ก็ต้องวนกลับไปเริ่มรอบใหม่ กระบวนการนี้มักใช้เวลาเป็นสัปดาห์หรือเป็นเดือนต่อคำถามหนึ่งข้อ

เมื่อข้อมูลอยู่บน OMOP CDM แล้ว นักวิจัยสามารถใช้ ATLAS สร้าง Cohort ได้ด้วยตนเอง กำหนด Index Event ระบุ Inclusion และ Exclusion Criteria รวมถึงกำหนด Time-at-risk ได้โดยไม่ต้องเขียน SQL ผู้ใช้สามารถกำหนด Cohort Definition ที่มีความซับซ้อนแตกต่างกัน และสั่งประมวลผลกับฐานข้อมูลเพื่อดูจำนวนผู้ป่วยที่เข้าเกณฑ์ในแต่ละขั้นตอนได้ทันที จากนั้นจึงต่อยอดไปยังโมดูลอื่น ๆ เช่น Cohort Characterization, Incidence Rate หรือ Treatment Pathways เพื่อดูภาพรวมของประชากรที่สนใจ 

ผลลัพธ์คือ การตั้งคำถามหนึ่งข้อและได้เห็นผลลัพธ์เบื้องต้น สามารถเกิดขึ้นได้ในเวลาระดับนาทีถึงหลักชั่วโมง ขึ้นอยู่กับขนาดของข้อมูลและทรัพยากรของระบบ นักวิจัยจึงสามารถทดลองปรับเกณฑ์ ทดสอบสมมติฐาน และตรวจสอบความสมเหตุสมผล ได้ด้วยตนเอง ก่อนที่จะตัดสินใจลงทุนทำการศึกษาเต็มรูปแบบ บทบาทของทีม Data และ IT จึงเปลี่ยนจากการรับคำสั่งเขียน Query รายโครงการ ไปสู่การดูแล Pipeline และ Governance ให้ข้อมูลพร้อมใช้อยู่เสมอ

ยิ่งมีหลายองค์กรอยู่บนมาตรฐานเดียวกัน ยิ่งทวีคุณค่า

ประโยชน์ของ OMOP CDM จะเห็นได้ชัดเจนที่สุดเมื่อมีหลายองค์กรใช้มาตรฐานเดียวกัน เพราะ Cohort Definition ที่สร้างใน ATLAS สามารถส่งออกเป็นไฟล์มาตรฐาน (เช่น JSON หรือ SQL) และนำไปประมวลผลซ้ำที่องค์กรอื่นที่ใช้ OMOP CDM ได้ โดยไม่ต้องออกแบบเกณฑ์ใหม่หรือเขียน Transformation Logic ใหม่

แนวทางนี้ทำให้เกิดรูปแบบการทำวิจัยที่เดิมมีต้นทุนสูงมาก ให้สามารถเกิดขึ้นได้จริงในเวลาที่สั้นลง เช่น

Multi-center Study: โรงพยาบาลในเครือเดียวกันหรือหลายสถาบัน สามารถรันชุดวิเคราะห์เดียวกันและนำผลลัพธ์มาเปรียบเทียบได้บนนิยามที่ตรงกัน

Federated Study: แต่ละองค์กรวิเคราะห์ข้อมูลภายในระบบของตนเอง แล้วส่งเฉพาะผลลัพธ์เชิงสรุปออกมา โดยไม่ต้องส่งข้อมูลผู้ป่วยดิบข้ามองค์กร ซึ่งช่วยลดความเสี่ยงด้านความเป็นส่วนตัวและสอดคล้องกับข้อกำหนดอย่าง PDPA

National และ Regional Study: เมื่อเครือข่ายขยายไปถึงระดับประเทศหรือระดับภูมิภาค การตอบคำถามเชิงนโยบายหรือคำถามด้านความปลอดภัยของยา ก็สามารถทำได้บนฐานประชากรขนาดใหญ่ โดยใช้เวลาเตรียมงานน้อยลงอย่างมีนัยสำคัญ

พูดอีกแบบคือ การลงทุนสร้าง OMOP CDM ไม่ได้ให้ผลตอบแทนเพียงกับองค์กรเดียว แต่ทำให้องค์กรนั้นกลายเป็นสมาชิกของเครือข่ายวิจัยที่พร้อมทำงานร่วมกันได้ทันทีเมื่อมีคำถามสำคัญเกิดขึ้น

ทำไม OMOP CDM จึงสำคัญกับประเทศไทยในเวลานี้

ระบบสุขภาพไทยกำลังเผชิญกับจุดเปลี่ยนสำคัญหลายด้านพร้อมกัน ไม่ว่าจะเป็นนโยบาย 30 บาทรักษาทุกโรค การขยาย Health Data Exchange ระหว่างหน่วยงาน ไปจนถึงความต้องการงานวิจัย Real-World Evidence (RWE) ที่เพิ่มขึ้นจากทั้งฝั่ง Regulator และ Pharmaceutical Company

การใช้ข้อมูลในระดับนี้จำเป็นต้องอาศัยข้อมูลจากหลายแหล่ง ไม่ว่าจะเป็นโรงพยาบาล มหาวิทยาลัย หรือหน่วยงานด้านสุขภาพ เพื่อให้ได้ข้อมูลที่มีความครอบคลุมและสะท้อนสถานการณ์จริงมากขึ้น ความท้าทายคือ ข้อมูลสุขภาพของแต่ละองค์กรยังคงมีความแตกต่างกัน ทั้งในด้านโครงสร้าง รหัสข้อมูล และวิธีการจัดเก็บตามระบบ HIS หรือ EMR ที่ใช้งานอยู่ เมื่อไม่มีมาตรฐานกลาง การเชื่อมโยงข้อมูลจึงต้องอาศัยการพัฒนา ETL และการ Mapping ใหม่สำหรับแต่ละโครงการ ส่งผลให้การเริ่มต้นงานวิจัยหรือการวิเคราะห์ข้อมูลใช้เวลานาน และทำให้ข้อมูลที่มีอยู่จำนวนมากยังไม่สามารถถูกนำมาใช้ประโยชน์ได้เต็มที่

สิ่งที่เกิดขึ้นเมื่อข้อมูลเข้าสู่มาตรฐาน OMOP CDM

ความแตกต่างระหว่างข้อมูลก่อนและหลัง Standardization ไม่ได้อยู่เพียงที่รูปแบบข้อมูล แต่เปลี่ยนวิธีการทำงานขององค์กร โดยที่ OMOP CDM ไม่ได้ทำให้ทุกองค์กรต้องใช้ระบบเดียวกัน แต่ทำให้ข้อมูลจากระบบที่แตกต่างกันสามารถเชื่อมต่อกันได้ผ่านมาตรฐานเดียวกัน

ก่อนใช้ OMOP CDM	หลัง Standardize ด้วย OMOP CDM
การจัดเตรียมข้อมูลสำหรับ RWE ใช้เวลานาน	มีข้อมูลที่ผ่านกระบวนการ Standardization และพร้อมสำหรับการวิเคราะห์
นักวิจัยต้องรอการเตรียมข้อมูลจากแต่ละหน่วยงานเป็นเวลานาน	สามารถใช้ Standardized Query บนโครงสร้างข้อมูลเดียวกัน
การวิจัยข้ามโรงพยาบาลต้องใช้เวลานานในการปรับข้อมูลให้เป็นมาตรฐานเดียวกัน (Data Cleansing)	ข้อมูลจากหลายองค์กรสามารถทำงานร่วมกันภายใต้มาตรฐานเดียวกัน
ทีม IT ต้องพัฒนา Transformation Script ใหม่สำหรับแต่ละโครงการ	ใช้แนวทางและเครื่องมือมาตรฐานของ OHDSI ได้
ข้อมูลไม่พร้อมสำหรับงานวิจัยระดับนานาชาติ	สามารถเข้าร่วมเครือข่ายวิจัยที่ใช้ OMOP CDM ได้

ความท้าทายของการสร้าง OMOP CDM ในระดับองค์กร

แม้แนวคิดของ OMOP CDM จะดูเรียบง่าย แต่ในทางปฏิบัติ กระบวนการนี้มีความซับซ้อนสูง การ Convert ข้อมูลเข้าสู่ OMOP CDM ไม่ใช่เพียงการเปลี่ยนชื่อ Field หรือจัดรูปแบบตารางใหม่ แต่เป็นกระบวนการที่ต้องเข้าใจทั้งโครงสร้างข้อมูลต้นทาง ความหมายของข้อมูล และมาตรฐานทางการแพทย์ ซึ่งความท้าทายหลัก ประกอบด้วย

ปริมาณข้อมูลที่เพิ่มขึ้นอย่างต่อเนื่อง

โรงพยาบาลขนาดกลางและขนาดใหญ่มีข้อมูลผู้ป่วยจำนวนมากจากหลายปีที่ผ่านมา การประมวลผลข้อมูลเหล่านี้ต้องอาศัยระบบที่สามารถรองรับข้อมูลปริมาณสูง และสามารถ Scale ตามการเติบโตของข้อมูลได้

Vocabulary Mapping ที่มีความซับซ้อน

ข้อมูลจากโรงพยาบาลแต่ละแห่งอาจมีรหัสภายในองค์กร หรือรูปแบบการบันทึกที่แตกต่างกัน การ Mapping ไปยัง Standard Vocabulary เช่น SNOMED CT, RxNorm และ LOINC จำเป็นต้องมีการจัดการอย่างเป็นระบบ เพื่อให้มั่นใจว่าความหมายของข้อมูลถูกต้อง

Data Quality และ Data Governance

ข้อมูลสุขภาพเป็นข้อมูลที่มีความละเอียดอ่อนสูง การนำข้อมูลไปใช้ในงานวิจัยจำเป็นต้องมีการควบคุมคุณภาพข้อมูล การกำหนดสิทธิ์การเข้าถึง และการดำเนินงานให้สอดคล้องกับข้อกำหนดด้านความเป็นส่วนตัว เช่น PDPA

การดูแล Pipeline ในระยะยาว

ข้อมูลสุขภาพไม่ได้หยุดนิ่ง เมื่อมีข้อมูลผู้ป่วยใหม่เข้ามา ระบบต้องสามารถ Update ข้อมูลเข้าสู่ OMOP CDM ได้อย่างต่อเนื่อง โดยไม่ต้องสร้างกระบวนการใหม่ทุกครั้ง ดังนั้น การสร้าง OMOP CDM ในระดับองค์กรจึงต้องอาศัย Data Platform ที่สามารถรองรับทั้งการประมวลผล การจัดการ Pipeline และ Governance ไปพร้อมกัน

บทบาทของ Blendata Enterprise ในการสร้าง OMOP CDM

Blendata Enterprise ไม่ได้เป็นมาตรฐาน OMOP CDM และไม่ได้เข้ามาแทนที่ Ecosystem ของ OHDSI แต่ทำหน้าที่เป็น Enterprise Data Platform ที่ช่วยให้องค์กรสามารถสร้างและบริหารกระบวนการ Data Transformation สำหรับ OMOP CDM ได้อย่างมีประสิทธิภาพ ในกระบวนการ OMOP ETL แพลตฟอร์มต้องรองรับตั้งแต่การดึงข้อมูลจากหลายระบบ การประมวลผลข้อมูลจำนวนมาก การทำ Transformation และการจัดการ Workflow ให้สามารถทำงานซ้ำได้อย่างเป็นระบบ Blendata Enterprise สามารถช่วยรองรับความต้องการเหล่านี้ผ่านความสามารถด้านต่าง ๆ เช่น

Distributed Data Processing

พร้อม Scale และรองรับการประมวลผลข้อมูลปริมาณมากจากหลายแหล่งข้อมูล โดยไม่ต้องสร้าง Infrastructure เอง

ETL Pipeline Management

ช่วยสร้างและบริหารกระบวนการ ETL สำหรับการแปลงข้อมูลเข้าสู่ OMOP CDM ให้สามารถติดตาม ตรวจสอบ และทำงานซ้ำได้อย่างเป็นระบบ

Visual Workflow Monitoring

ช่วยให้ทีมงาน เช่น ทีม Healthcare IT และ Clinical Informaticist สามารถมองเห็นสถานะของกระบวนการประมวลผลและตรวจสอบขั้นตอนต่าง ๆ ได้ง่ายขึ้น

Data Governance

รองรับการจัดการข้อมูลอย่างเป็นระบบ ทั้งในด้าน Data Catalog การควบคุมการเข้าถึง และการกำกับดูแลข้อมูลตามข้อกำหนดขององค์กร

แนวทางนี้ช่วยลดภาระของทีม Data และ IT ในการพัฒนา Pipeline แบบเฉพาะกิจสำหรับแต่ละโครงการ และเปลี่ยนกระบวนการสร้าง OMOP CDM ให้เป็น Data Infrastructure ที่สามารถใช้งานต่อเนื่องในระยะยาว

เมื่อกระบวนการจัดการข้อมูลมีมาตรฐานและสามารถดำเนินการได้อย่างต่อเนื่อง องค์กรก็จะสามารถใช้ประโยชน์จากข้อมูลสุขภาพได้เต็มศักยภาพ พร้อมรองรับงานวิจัย ความร่วมมือระหว่างสถาบัน และการวิเคราะห์ข้อมูลในอนาคต

หากต้องการสอบถามรายละเอียดเพิ่มเติม สามารถติดต่อทีมงาน Blendata ได้ที่

Email: hello@blendata.com 

Website: www.blendata.com