OMOP & Siriraj :
ก้าวสู่มาตรฐานข้อมูลสุขภาพระดับสากล
คุณณัฐวุฒิ อดุลยานุโกศล
รองหัวหน้าศูนย์นวัตกรรมข้อมูลศิริราช (SiData+)
คณะแพทยศาสตร์ศิริราชพยาบาล มหาวิทยาลัยมหิดล
ทั่วโลกต่างเผชิญกับความท้าทายในการนำองค์ความรู้จากอดีตมาปรับใช้เพื่อการตัดสินใจที่ดีขึ้นในอนาคต ด้วยแนวคิด “ระบบสุขภาพที่เรียนรู้ได้” (Learning Health System) จึงถูกนำเสนอเป็นวิสัยทัศน์ในการพัฒนาระบบด้านสาธารณสุข โดยอาศัยการสร้างและประยุกต์ใช้หลักฐานเชิงประจักษ์ในการตัดสินใจทางคลินิก ส่งเสริมการค้นพบองค์ความรู้ใหม่ และยกระดับคุณภาพการบริการ (Olsen et al., 2007) หัวใจสำคัญของระบบนี้คือการนำข้อมูลที่รวบรวมจากการให้บริการทางการแพทย์ในระบบสารสนเทศของโรงพยาบาล (Hospital Information System: HIS) หรือระบบเวชระเบียนอิเล็กทรอนิกส์ (Electronic Health Records: EHRs) มาวิเคราะห์ เพื่อสร้างหลักฐานเชิงประจักษ์ในโลกจริง (Real-world Evidence: RWE) ซึ่งเป็นรากฐานที่สำคัญในการพัฒนาระบบสุขภาพให้มีความแม่นยำและเหมาะสมกับความต้องการของผู้ป่วย
อย่างไรก็ตาม ความหลากหลายของข้อมูลจากแหล่งต่าง ๆ เช่น มหาวิทยาลัย และโรงพยาบาล ก่อให้เกิดปัญหาในการนำข้อมูลมาใช้เพื่อการวิจัย เนื่องจากกระบวนการเปลี่ยนข้อมูลผู้ป่วยให้เป็นหลักฐานเชิงประจักษ์นั้นมีความซับซ้อน ขาดแนวทางที่ชัดเจน และยังไม่มีนิยามที่เป็นสากลของคำว่า “ข้อมูล” หรือ “หลักฐาน”
จากปัญหาดังกล่าว จึงมีการพัฒนาแนวทางในการสร้างมาตรฐานในการจัดเก็บข้อมูลเพื่อการวิจัยในระดับสากลจากข้อมูลที่รวบรวมตามปกติในระบบโรงพยาบาล หนึ่งในมาตรฐานที่ได้รับความนิยมเพิ่มขึ้นอย่างต่อเนื่อง และมีการใช้งานอย่างกว้างขวางทั่วโลก คือ Observational Medical Outcomes Partnership Common Data Model (OMOP CDM) ภายใต้เครือข่ายความร่วมมือระดับนานาชาติที่เรียกว่า Observational Health Data Sciences and Informatics (OHDSI)
1. ทำไมจึงต้องใช้ OMOP CDM?
แบบจำลองข้อมูลทั่วไป (Common Data Model: CDM) เป็นแบบจำลองข้อมูลมาตรฐานที่ช่วยจัดระเบียบข้อมูลสุขภาพจากแหล่งต่าง ๆ ให้เป็นรูปแบบเดียวกัน ทั้งในด้านโครงสร้างข้อมูล รูปแบบการจัดเก็บ และคำศัพท์ โดยมีคุณสมบัติเด่น ดังนี้
• รองรับข้อมูลที่หลากหลาย เช่น EMRs และ การเบิกจ่าย (Claims Data)
• ใช้งานง่ายและมีประสิทธิภาพ
• ส่งเสริมการใช้ข้อมูลที่เป็นมาตรฐานเดียวกัน ซึ่งเป็นประโยชน์ต่อการทำวิจัยร่วมกันทั้งในและต่างประเทศ
• มีเครื่องมือวิเคราะห์ที่ได้มาตรฐาน เช่น ATLAS ACHILLES
รูปที่ 1 การแปลงข้อมูลจากแหล่งต่าง ๆ เป็น OMOP CDM เพื่อการใช้งาน (ที่มา: https://www.ohdsi.org/data-standardization/)
2. องค์ประกอบหลักของ OMOP CDM
รูปที่ 2 ตารางข้อมูลตามมาตรฐาน OMOP CDM เวอร์ชัน 5.4 (ที่มา: https://ohdsi.github.io/CommonDataModel/)
หมายเหตุ: แม้ว่ามาตรฐาน OMOP CDM จะได้รับการพัฒนาไปถึงเวอร์ชัน 6.0 แล้วก็ตาม ผู้เชี่ยวชาญยังคงแนะนำให้ใช้เวอร์ชัน 5.4 เป็นหลักก่อน เนื่องจากเครื่องมือและซอฟต์แวร์ที่รองรับการใช้งานเวอร์ชัน 6.0 ยังคงมีจำกัด
3. ประโยชน์ของ OMOP CDM ในการวิจัยทางการแพทย์
ด้วยศักยภาพในการจัดการข้อมูลขนาดใหญ่และซับซ้อน การใช้มาตรฐาน OMOP CDM จึงเป็นเครื่องมือสำคัญที่ช่วยขับเคลื่อนงานวิจัยทางการแพทย์ โดยมุ่งเน้นการวิจัย 3 ประเภทหลัก ได้แก่
3.1 การกำหนดลักษณะเฉพาะของข้อมูล (Data Characterization):
“เกิดอะไรขึ้นกับประชากรกลุ่มนี้ (What happened to them?)”
เป็นการใช้ข้อมูลที่มีอยู่เพื่ออธิบายลักษณะของกลุ่มประชากรหรือข้อมูลทางคลินิก เช่น การกระจายของโรค การใช้ยา รูปแบบการรักษา และการเปลี่ยนแปลงของลักษณะดังกล่าวตามช่วงเวลา
3.3 การพยากรณ์ระดับผู้ป่วย (Patient-Level Prediction)
“จะเกิดอะไรขึ้นกับเรา (What will happen to me?)”
เป็นการใช้ข้อมูลประวัติสุขภาพของผู้ป่วยเพื่อทำนายเหตุการณ์สุขภาพในอนาคตของผู้ป่วยแต่ละราย โดยอาศัยประวัติสุขภาพที่เก็บรวบรวมไว้ในฐานข้อมูล
<ตัวอย่างการนำ OMOP CDM ไปใช้ในงานวิจัยทางการแพทย์:
รายงานวิจัยที่ตีพิมพ์แล้ว: https://dash.ohdsi.org/publication
รายงานวิจัยที่อยู่ระหว่างดำเนินการในเครือข่าย OHDSI: https://data.ohdsi.org/OhdsiStudies/
4. บทบาทของ OMOP CDM ในประเทศไทย
ประเทศไทยได้ตระหนักถึงความสำคัญของการนำมาตรฐาน OMOP CDM มาใช้เพื่อพัฒนาการวิจัยทางการแพทย์และระบบสุขภาพ โดยมีการดำเนินงานที่สำคัญผ่านความร่วมมือระหว่างหน่วยงานต่าง ๆ โดยเฉพาะอย่างยิ่ง คณะแพทยศาสตร์ศิริราชพยาบาลและ 7 โรงเรียนแพทย์ ซึ่งเป็นกลไกหลักในการขับเคลื่อนโครงการ “การจัดทำระบบดิจิทัลและเทคโนโลยีเพื่อการเชื่อมโยงข้อมูลการรักษาพยาบาลสำหรับการวิจัย ระยะที่ 2” ร่วมกับบริษัท คลินิเซอร์ จำกัด ซึ่งมีเป้าหมายเพื่อยกระดับโครงสร้างพื้นฐานบริการการวิจัยทางคลินิกให้มีความสมบูรณ์และเป็นไปตามมาตรฐานสากล
5. สรุปและแนวทางในอนาคต
การวิจัยโดยใช้มาตรฐาน OMOP CDM ได้รับการสนับสนุนจากความร่วมมือระหว่างนักวิจัยและองค์กรทั่วโลก โดยมี Observational Health Data Sciences and Informatics (OHDSI) เป็นเครือข่ายสำคัญของความร่วมมือระดับนานาชาติ ประเทศไทยได้ริเริ่มการมีส่วนร่วมในเครือข่ายความร่วมมือนี้ โดยการให้ความสำคัญกับการวิจัยทางการแพทย์ ตลอดจนการปรับปรุงแนวทางการใช้ OMOP CDM และเครื่องมือมาตรฐาน ซึ่งมีเป้าหมายร่วมกันในการเพิ่มศักยภาพในการเข้าถึงและแลกเปลี่ยนข้อมูลที่หลากหลาย ซึ่งในอนาคตจะมีบทบาทสำคัญในการวิเคราะห์ข้อมูลด้านสุขภาพให้มีความครอบคลุมและสามารถสร้างหลักฐานที่มีความน่าเชื่อถือในการพัฒนาระบบสุขภาพในระดับประเทศและระดับโลกได้อย่างมีประสิทธิภาพมากยิ่งขึ้น
รูปที่ 3 ความร่วมมือของคณะแพทยศาสตร์ศิริราชพยาบาลในระดับนานาชาติ
ผลงานความร่วมมือของคณะแพทยศาสตร์ศิริราชพยาบาลในระดับนานาชาติ:
1. Mapping Thai Medicine Terminology to RxNorm: Lessons Learned in Standard Vocabulary Integration https://www.ohdsi.org/wp-content/uploads/2025/01/03_Krittaphas-Chaisutyakorn_TMT-to-RxNorm.pdf
2. Evaluating the Conversion of EHR data into OMOP CDM for Type 2 Diabetes Mellitus Cohort: Insights for Data Consistency https://www.ohdsi.org/wp-content/uploads/2025/01/12_Burin-Boonwatcharapai_Evaluating-OMOP-CDM-Conversion-for-T2DM.pdf
3. Enabling i2b2 on OMOP CDM Cohort Data semi-automatically by using Atlas and SQLMesh https://www.ohdsi.org/wp-content/uploads/2025/01/15_Natpatchara-Pongjirapat_Enabling-i2b2-on-OMOP-CDM.pdf
4. Atlas on Cloud: Utilizing modern cloud infrastructure for hosting OMOP tools https://www.ohdsi.org/wp-content/uploads/2025/01/16_Natpatchara-Pongjirapat_Atlas-on-Cloud.pdf
5. From dbt to SQLMesh: Enhancing OMOP CDM Data Conversion Efficiency https://www.ohdsi.org/wp-content/uploads/2025/01/20_Nongnaphat-Wongpiyachai_From-dbt-to-SQLMesh.pdf
แหล่งอ้างอิงสำหรับการศึกษาเพิ่มเติม: