Does OMOP CDM Conversion Improve Cross-Country Comparability of Real-World Data? A Benchmark Study in Breast Cancer and Amyotrophic Lateral Sclerosis

Resumen Técnico: ¿Mejora la conversión al OMOP CDM la comparabilidad transnacional de los datos del mundo real?

Planteamiento del problema
Los datos del mundo real (RWD, por sus siglas en inglés) de diferentes países se utilizan cada vez más para la toma de decisiones regulatorias, la evaluación de tecnologías sanitarias (HTA) y la generación de evidencia a nivel poblacional. Sin embargo, los análisis transnacionales se ven obstaculizados por una heterogeneidad significativa en la procedencia de los datos, los sistemas de salud, las prácticas de codificación, la completitud y los flujos de trabajo clínicos. Si bien el Modelo de Datos Común (CDM) de la Observational Medical Outcomes Partnership (OMOP) se adopta ampliamente para armonizar estas fuentes heterogéneas, su capacidad real para mejorar la comparabilidad de los análisis epidemiológicos derivados en relación con los datos nativos de origen en diferentes países ha sido mayoritariamente asumida en lugar de evaluada empíricamente. Específicamente, no está claro si la conversión al CDM puede superar las diferencias en la práctica clínica y los procesos de generación de datos, o si persisten las discrepancias residuales debido a las decisiones de Extracción, Transformación y Carga (ETL) o a las limitaciones de los datos de origen.

Metodología
Este estudio llevó a cabo un análisis de benchmarking multinacional utilizando RWD de tres países europeos: Dinamarca, Finlandia y Portugal. La investigación se centró en dos condiciones de enfermedad contrastantes:

1. Cáncer de mama (BC): Una neoplasia común con tratamientos establecidos y altas tasas de supervivencia.
2. Esclerosis lateral amiotrófica (ALS): Una enfermedad neurodegenerativa rara y mortal con escasas opciones de tratamiento.

La metodología consistió en una comparación directa de las estimaciones epidemiológicas derivadas de dos formatos de datos:

• Formato Nativo: Datos analizados en sus estructuras originales específicas de cada país utilizando conjuntos de datos curados y listos para el análisis.
• Formato OMOP CDM: Datos transformados al OMOP CDM versión 5.4 mediante un flujo de trabajo ETL modular y estructurado.

Pasos técnicos clave:

• Proceso ETL: Los datos de origen se mapearon a tablas de OMOP (p. ej., person, condition_occurrence, drug_exposure) utilizando vocabularios estándar (SNOMED CT, RxNorm, ATC, ICD-10). El flujo de trabajo utilizó la herramienta Rabbit-In-A-Hat para la especificación del mapeo y scripts de R modulares para su implementación.
• Armonización de vocabularios: Los sistemas de codificación específicos de cada país (p. ej., SKS danés, clasificaciones locales finlandesas, registros portugueses) se mapearon a conceptos estándar de OMOP. Se prestó especial atención a variables complejas como la estadificación TNM (combinada en Dinamarca, local en Finlandia, basada en TNM en Portugal) y la captura de tratamiento (p. ej., riluzol dispensado en hospitales en Portugal).
• Evaluación de la calidad: Los conjuntos de datos transformados fueron evaluados mediante el OHDSI Data Quality Dashboard, analizando la conformidad, la completitud y la plausibilidad.
• Análisis estadístico: Se generaron estadísticas descriptivas, tasas de incidencia estandarizadas por edad y sexo, y curvas de supervivencia de Kaplan–Meier tanto para los datos OMOP como para los nativos. Estos resultados se contrastaron entre sí y con la evidencia clínica existente.
• Validación: Se realizó una validación independiente por parte de un segundo científico de datos, y los resultados fueron revisados frente a la literatura publicada y la experiencia clínica.

Resultos clave

• Calidad de los datos: Los conjuntos de datos transformados mediante OMOP alcanzaron métricas de alta calidad. Las tasas de aprobación para plausibilidad, conformidad y completitud oscilaron entre el 93% y el 98% en los tres países para ambos subconjuntos de enfermedades. No se identificaron fallos críticos que afectaran la integridad de la clave primaria o los dominios analíticos esenciales.
• Comparabilidad de las estimaciones: Las estimaciones descriptivas (demografía, incidencia, supervivencia) derivadas de los datos OMOP fueron altamente consistentes con las de los datos nativos.
  • Cáncer de mama: Las distribuciones de edad y los perfiles de comorbilidad fueron comparables. Las tendencias de incidencia en Dinamarca y Finlandia se alinearon bien con la evidencia publicada. Las curvas de supervivencia mostraron una fuerte concordancia entre los formatos nativo y OMOP.
  • ALS: Las distribuciones de edad y sexo fueron comparables entre países. Los patrones de supervivencia mostraron un declive rápido en el seguimiento inicial, con una alta concordancia entre las estimaciones nativas y las de OMOP.
• Discrepancias residuales: Aunque el acuerdo general fue sólido, se observaron discrepancias menores (generalmente dentro del 5-10%). Estas se atribuyeron a:
  • Heterogeneidad de la fuente: Diferencias en la completitud de los datos (p. ej., falta de estadificación tumoral en algunos registros, ausencia de datos moleculares fuera de Dinamarca).
  • Limitaciones de la captura de datos: En Portugal, el tratamiento con riluzol no pudo capturarse a nivel de paciente debido a las prácticas de dispensación hospitalaria, y los datos de estadificación tumoral no estaban disponibles para una estimación fiable de la incidencia debido a problemas de vinculación entre los registros de oncología y los hospitalarios.
  • Decisiones de ETL: Las relaciones de mapeo de uno a muchos (p. ej., de ATC a múltiples conceptos RxNorm) y la lógica de transformación específica para variables complejas (p. ej., la estadificación) influyeron en el recuento de registros.
• Pérdida de información: El estudio señaló que las variables clínicamente relevantes presentes en los registros de origen (p. ej., la estadificación detallada del cáncer de mama) requirieron una lógica de transformación no estándar y explícita para ser preservadas en el modelo OMOP. Sin estas adaptaciones específicas, se produjo una pérdida de información.

Significancia y afirmaciones
El artículo concluye que la conversión al OMOP CDM facilita con éxito los análisis transnacionales con significado semántico, al mapear datos de origen heterogéneos a una estructura común y vocabularios estandarizados. La alta concordancia entre las estimaciones basadas en datos nativos y OMOP respalda la viabilidad del uso de OMOP para análisis descriptivos a nivel poblacional en diversos sistemas sanitarios europeos.

Sin embargo, los autores afirman modestamente que la conversión al CDM no elimina la heterogeneidad en los procesos de generación de datos subyacentes. No puede sustituir las evaluaciones de calidad de datos ni las evaluaciones de idoneidad para un propósito específico. El estudio enfatiza que:

1. El benchmarking iterativo es esencial: El uso robusto de RWD armonizados requiere una comparación iterativa con los datos nativos y la experiencia clínica para identificar problemas de mapeo y evaluar la pérdida de información.
2. El contexto importa: La comparabilidad transnacional es una propiedad empírica que debe demostrarse para cada estudio y contexto de enfermedad específicos, en lugar de asumirse.
3. Las limitaciones persisten: Las diferencias en los flujos de trabajo sanitarios, los incentivos de codificación y la gobernanza de datos (p. ej., la incapacidad de vincular los datos de hospitales privados en Portugal) siguen siendo barreras que la armonización por sí sola no puede superar.

En última instancia, el estudio aboga por un enfoque colaborativo que involucre a expertos en clínica, epidemiología y ciencia de datos para garantizar la interpretación válida de los RWD armonizados para la toma de decisiones regulatorias y de salud pública.