Partager via

Utiliser les exemples de notebooks de transformation OMOP dans les solutions de données de santé

  • Article

Note

Ce contenu est en cours de mise à jour.

Cette section vous montre deux exemples de scénarios dans le cadre du Partenariat pour les résultats médicaux d’observation (OMOP). Ces scénarios reflètent des recherches cliniques courantes menées par la OMOP communauté concernant l’exposition aux médicaments primaires et secondaires parmi les populations de patients. Du point de vue du délai de rentabilisation, il démontre la rapidité avec laquelle vous pouvez visualiser les résultats analytiques dans votre espace de travail Fabric. Vous pouvez réaliser cette visualisation en exécutant les exemples de notebooks une fois que les pipelines de données ont rempli les données cliniques FHIR (Fast Healthcare Interoperability Resources) dans les lakehouses d’argent et d’or, respectivement.

Conditions préalables

Avant d’exécuter les exemples de notebooks healthcare#_msft_omop_drug_exposure_era_sample et healthcare#_msft_omop_drug_exposure_insights_sample, assurez-vous de satisfaire les exigences suivantes :

Exemple de scénario

Les exemples de scénarios visent à identifier des cohortes de patients stratifiés par sexe et par âge qui sont exposés à un médicament secondaire pendant une certaine période tout en prenant le même médicament principal. Le processus comprend les étapes suivantes :

  • Stratifier la population de patients par sexe et par âge.

  • Identifiez le médicament (par exemple, insuline isophane, humaine 70 UNT/ML/insuline, régulière, humaine 30Unit) pris par la population de patients sur une période d’un an, au moins une fois.

    S’il n’y a pas suffisamment de données, envisagez plutôt une période de cinq ans.

  • Identifiez un autre médicament (le deuxième médicament) auquel la même population de patients est exposée au cours de la même période.

  • Tracez la répartition de l’exposition secondaire aux drogues selon les strates de genre.

  • Générez les enregistrements et visualisez la distribution sous forme d’histogramme.

Astuce

Les exemples de scénarios font référence aux exemples de scripts OHDSI Drug Eras et aux OMOP requêtes d’exposition aux médicaments. Vous pouvez consulter ces ressources pour en savoir plus sur des exemples similaires publiés par la OMOP communauté.

Exemples d’entrées d’exécution de notebook

L’objectif principal de la conception du développement est de générer les enregistrements de l’ère de la drogue, représentés par la OMOP table dérivée standardisée drug_era. Ce tableau stocke les périodes de drogue calculées, contenant des informations agrégées sur les expositions aux médicaments regroupées par personne, ingrédient du médicament et fenêtre de persistance. Il représente des périodes continues d’exposition supposée à un ingrédient actif spécifique, distinct des enregistrements individuels d’exposition aux médicaments.

La table suivante contient les colonnes suivantes :

  • drug_era_id : Identifiant unique pour chaque époque de drogue.

  • person_id : Clé étrangère faisant référence à la personne exposée à la drogue, avec des détails démographiques dans le Personne tableau.

  • drug_concept_id : Clé étrangère faisant référence à un identifiant de concept standardisé pour le principe actif.

  • drug_era_start_date : Date de début de l’ère de la drogue, dérivée de la première exposition à la drogue.

  • drug_era_end_date : Date de fin de l’ère de la drogue, basée sur la dernière exposition à la drogue.

  • drug_exposure_count : Nombre total d’expositions à la drogue à l’ère de la drogue.

  • gap_days : Nombre de jours non couverts par les enregistrements d’exposition aux drogues qui ont contribué à l’ère de la drogue.

Pour générer les enregistrements de l’ère de la drogue, nous utilisons les éléments suivants OMOP tableaux cliniques standardisés :

  • Exposition aux drogues : Ce tableau contient les données d’exposition aux médicaments, y compris drug_exposure_id, person_id, drug_concept_id, drug_exposure_start_date, drug_exposure_end_date, et days_supply.

  • Ancêtre conceptuel : Ce tableau stocke les Relations hiérarchiques entre les concepts dans divers vocabulaires tels que RxNorm. Il comprend le ancestor_concept_id (une référence à un concept de niveau supérieur) et le descendant_concept_id (une référence à un concept de niveau inférieur), représentant les connexions entre les concepts les plus larges et les plus étroits.

  • Concept : Ce tableau contient les données du concept, y compris concept_id, concept_name, domain_id, vocabulary_id, et concept_class_id.

Exemples de paramètres d’entrée

  • primary_drug = 1596977 - insulin
  • secondary_drug = 1308216 - lisinopril
  • year = 2022

Exemples de sorties de bloc-notes

Lorsque vous exécutez les deux exemples de notebooks, ceux-ci génèrent un histogramme avec une distribution de l’exposition aux médicaments secondaires selon les strates de sexe et d’âge de la population de patients identifiée au cours d’une période spécifique à partir de la table OMOP dérivée omop.drug_era. Dans cet exemple, nous considérons une période d’un an.

Une image affichant un exemple d’histogramme d’exposition aux médicaments.

Vous pouvez utiliser la distribution pour analyser les aspects suivants :

  • Impact de l’exposition selon le sexe et l’âge.
  • Répartition médiane de la population touchée.
  • Statistiques descriptives pour décrire les caractéristiques de la population.

Éléments à ne pas oublier

  • Pour tester vos scénarios personnalisés, faites une copie des exemples de blocs-notes. Ne mettez pas à jour les notebooks directement.

  • Le notebook de visualisation utilise les paramètres suivants que vous pouvez configurer pour exécuter différentes analyses :

    • primary_drug : Le principal médicament à analyser.
    • secondary_drug : Le second médicament à analyser.
    • year : L’année pour laquelle l’analyse doit être effectuée.

  • L’exécution répétée du carnet de notes de l’ère d’exposition aux médicaments supprime d’abord tous les enregistrements OMOP drug_era existants, puis recrée les enregistrements en fonction des OMOP données les plus récentes.