Mother-infant linked UK electronic birth cohorts representing 17.5 million births harmonised to the OMOP common data model

该研究通过将来自英格兰、苏格兰和威尔士的五个英国电子出生队列（涵盖超过 1750 万例分娩）统一映射至 OMOP 通用数据模型，构建了一个支持跨机构联邦分析、可复现且标准化的母婴健康研究资源。

要点

这篇文章介绍了一项宏大的数据工程，我们可以把它想象成为全英国的妈妈和宝宝建立了一座巨大的、统一的“数字图书馆”。

以前，英国的各个地区（如威尔士、苏格兰、伦敦等）都有自己的“健康档案库”，但它们用的“语言”和“格式”完全不同。就像有人用中文写日记，有人用法语，还有人用图画，导致大家很难坐在一起交流，也很难把所有人的故事拼成一幅完整的拼图。

为了解决这个问题，一个名为 MIREDA 的团队合作，把分散在英格兰、苏格兰和威尔士的 5 个大型出生队列（也就是 5 个巨大的数据库），统一翻译并整理成了同一种“通用语言”——OMOP 通用数据模型。

以下是用通俗的比喻来解释这篇论文的核心内容：

1. 为什么要做这件事？（把散落的拼图拼起来）

• 现状：以前，如果你想研究全英国的早产儿情况，你得分别去威尔士、苏格兰和伦敦的数据库里找数据。每个地方的记录方式都不一样，比如“吸烟”在 A 地叫“抽烟”，在 B 地叫“尼古丁依赖”，在 C 地可能根本没记录。
• 目标：MIREDA 团队把 1750 万 个出生记录（相当于全英国过去 20 多年几乎所有的新生儿）都整理好了。现在，这些数据就像被统一翻译成了“普通话”，无论数据来自哪里，大家都能看懂。
• 规模：这不仅仅是几万个样本，而是 1750 万 个样本！这就像把原本只能容纳几个人的小房间，扩建成了能容纳整个城市的超级体育馆。有了这么大的样本量，科学家就能研究那些非常罕见的问题（比如某种极罕见的出生缺陷），以前因为人太少根本没法研究。

2. 最大的挑战：如何把“妈妈”和“宝宝”连起来？

这是这篇论文最巧妙的地方。

• 难题：标准的医疗数据库（OMOP）通常是按“人”来设计的。也就是说，它知道“妈妈”是谁，也知道“宝宝”是谁，但它原本不知道这两个人是母子关系，也不知道他们属于哪一次怀孕。这就像图书馆里有“张三”的书和“李四”的书，但没写张三和李四是父子。
• 解决方案：团队发明了一种特殊的“连接器”（在技术上是 fact_relationship 表）。
  • 他们给每个妈妈和宝宝都贴上了特殊的标签。
  • 就像在图书馆里加了一个索引卡，上面写着：“宝宝 A 是妈妈 B 的孩子，他们属于 2023 年的这次怀孕”。
  • 这样，科学家就能顺着这个索引，既看到妈妈在怀孕期间的健康变化，也能看到宝宝出生后的成长轨迹，把两条原本平行的线完美地编织在一起。

3. 数据是怎么处理的？（像流水线工厂）

他们建立了一套自动化的“翻译流水线”：

1. 扫描：先看看原始数据里有什么（比如是“高血压”还是“血压高”）。
2. 翻译：利用专门的工具（Carrot Mapper），把各地不同的“方言”（不同的医疗代码）翻译成标准的“普通话”（OMOP 标准代码）。
3. 组装：把翻译好的数据装进统一的“集装箱”（OMOP 数据库结构）里。
4. 安全：最重要的是，原始数据并没有被搬走。所有数据依然留在各自地区的安全保险柜（可信研究环境）里。科学家只需要把“问题”（代码）发过去，保险柜里算好结果后，只把“答案”（统计结果）发回来。这样既保护了隐私，又实现了全国协作。

4. 遇到哪些困难？（翻译中的“坑”）

在统一过程中，他们遇到了一些有趣的“文化冲突”：

• 地址问题：标准模型只记录“现在的家”，但研究需要知道“过去住哪”。他们专门加了一个“历史地址小本子”（辅助表）来记录搬家历史。
• 药物名称：英国用的药名和标准库不一样。他们先把它翻译成英国通用的药名，再转成国际标准。
• 种族分类：英国的种族分类很细致，但国际标准比较粗略。他们采取了一种“折中”方案：既保留标准的大类（如白人、亚裔），又在备注里保留详细的英国本土分类，以免丢失重要信息。

5. 这有什么用？（未来的超级望远镜）

有了这个统一的大数据库，科学家们可以：

• 做“超级侦探”：研究以前因为样本太少而无法发现的罕见疾病。
• 做“公平裁判”：比较不同地区（比如伦敦和威尔士）的医疗政策效果。比如，为什么伦敦的剖腹产率比威尔士高？是医疗习惯不同，还是政策影响？现在可以拿数据说话了。
• 模拟实验：在没有真正做临床试验的情况下，利用历史数据“模拟”某种药物对孕妇的影响，从而指导未来的医疗决策。

总结

简单来说，这篇论文描述了一项将英国分散的、杂乱无章的母婴健康数据，通过统一的“翻译”和“连接”技术，整合成一个巨大的、安全的、可共享的超级数据库的壮举。

它就像把原本分散在世界各地的、用不同语言书写的日记，全部整理成一本统一的、按时间顺序排列的“人类生命早期百科全书”。这不仅保护了隐私，还让科学家能够以前所未有的规模和精度，去探索生命最初阶段的健康奥秘。

技术摘要

论文技术总结：英国母婴关联电子出生队列的 OMOP 通用数据模型标准化

1. 研究背景与问题 (Problem)

核心挑战：
尽管英国拥有多个高质量的电子出生队列（如 Born in Wales, Born in Scotland 等），这些队列对于研究生命早期健康决定因素至关重要，但目前缺乏统一的标准化结构来整合母婴数据。

• 数据异构性： 不同队列（英格兰、苏格兰、威尔士）在研究设计、编码系统（如 SNOMED CT, ICD-10, Read codes 等）和变量定义上存在显著差异，阻碍了跨队列和跨国家的分析。
• 模型局限性： 现有的 Observational Medical Outcomes Partnership (OMOP) 通用数据模型 (CDM) 主要围绕“个体患者”设计，缺乏原生的标准结构来明确表达母婴关系（Mother-Infant Linkage）和妊娠事件（Pregnancy Episodes）。传统的处理方式要么仅将妊娠信息归因于母亲（导致无法纵向追踪儿童），要么依赖非标准的扩展表（降低了互操作性）。
• 数据孤岛： 由于隐私保护，数据通常分散在各个可信研究环境（TREs）中，无法直接共享原始数据，需要一种能够在不转移数据的情况下进行联合分析的方法。

2. 方法论 (Methodology)

本研究由“母婴研究电子数据分析”（MIREDA）合作伙伴关系主导，将五个英国电子出生队列 harmonised（标准化/调和）至 OMOP CDM v5.4 版本。

2.1 数据来源

整合了以下五个主要队列，覆盖英格兰、苏格兰和威尔士：

1. Born in Wales (BiW): 通过 SAIL 数据库链接健康、教育、人口普查和社会护理数据。
2. Born in Scotland (BiS): 链接 TRAK 临床系统与行政结果数据。
3. Born in Bradford (BiB): 嵌入布拉德福德皇家医院的产科记录。
4. Born in South London (eLIXIR): 链接 BadgerNet/EPIC 系统与初级保健、心理健康及医院数据。
5. CPRD (Clinical Practice Research Datalink): 基于初级保健数据库（Gold/Aurum）链接医院和妊娠登记数据。

2.2 技术流程 (ETL Pipeline)

采用标准的提取 - 转换 - 加载（ETL）流程，利用 OHDSI 社区工具在本地 TREs 中执行：

1. 元数据剖析 (Metadata Profiling): 使用 WhiteRabbit 扫描源数据库结构，生成变量和编码系统的自动报告。
2. 词汇映射 (Vocabulary Mapping): 使用 Carrot Mapper 将源变量映射到 OMOP 标准概念（如 SNOMED CT, RxNorm, ICD-10）。对于非标准编码，由分析师手动映射。
3. 转换规则生成: 导出 JSON 格式的转换规则文件。
4. 数据转换与加载: 使用 Carrot Transform 在本地执行 ETL 管道，将数据加载至 OMOP CDM 格式。
5. 联邦式分析支持: 所有数据保留在各自的 TREs 中，分析代码在本地运行，仅汇总结果，确保数据隐私。

2.3 关键创新：解决母婴关系与妊娠建模

针对 OMOP CDM 的局限性，研究团队提出了以下解决方案：

• 母婴链接 (Mother-Infant Linkage): 利用标准的 fact_relationship 表，使用特定的 relationship_concept_id（母亲：4248584，孩子：4285883）链接母亲和婴儿的 person_id。
• 妊娠事件表示: 将妊娠视为 condition_occurrence（条件发生），使用概念 ID 4299535 代表“妊娠”，起止日期基于末次月经和分娩日期。
• 多胎与兄弟姐妹关系: 同样通过 fact_relationship 表表示双胞胎（4013484）或其他妊娠的兄弟姐妹（4292398）。
• 辅助表扩展:
  • Location History: 创建非标准辅助表 location_history 以保留历史地址信息（标准 CDM 仅保留最新地址），支持纵向人口统计学分析。
  • 种族/民族细化: 将英国特定的种族分类映射到 OMOP 标准“种族”概念（用于主要分析），同时将详细分类保留在 observation 域中，以平衡标准化与数据粒度。
• 药物词汇转换: 将英国特有的 DM+D 编码和 Read codes 预转换为 RxNorm 标准。

3. 主要结果 (Results)

3.1 数据规模

• 总样本量: 整合了超过 1750 万 次活产记录（Live births）。
• 覆盖人群: 涉及约 1144 万 名母亲。
• 地理覆盖: 涵盖英格兰、苏格兰和威尔士，时间跨度从 2000 年至今（部分队列较新）。

3.2 数据特征统计

• 分娩类型: 99.6% 为单胎，1% 为多胎（双胞胎等）。
• 孕周分布: 足月产 (37-41 周) 占 82.2%，早产占 5.4%，过期产占 3.3%。
• 分娩方式: 剖宫产率约为 20.6%（其中择期剖宫产 9.1%，急诊剖宫产 11.6%）。不同地区差异显著（如伦敦择期剖宫产率高达 39.7%，而威尔士为 19.9%）。
• 母体特征: 平均分娩年龄为 29.4 岁。孕期吸烟率在不同队列间差异较大（部分队列未记录或记录为 0）。
• 社会经济地位: 通过 IMD（多重剥夺指数）分析，显示了不同队列在贫困分布上的显著差异（例如 Born in Bradford 队列中 70.1% 处于最贫困 quintile）。

3.3 数据质量

• 通过自动化模式验证和人工抽样审查（针对高频和模糊代码）确保了映射准确性。
• 聚合级验证（如剖宫产率、早产率）与已发表的队列统计数据一致，证明了转换的可靠性。

4. 关键贡献 (Key Contributions)

1. 首个大规模母婴 OMOP 标准化资源: 成功将 5 个异构的英国出生队列统一至 OMOP CDM，创建了目前最大的标准化母婴健康研究资源之一。
2. 解决模型适配难题: 提出并验证了一种在标准 OMOP CDM 框架内（无需非标准扩展表）表示母婴关系和妊娠事件的方法，提高了模型的互操作性。
3. 联邦式分析基础设施: 建立了可复现的 ETL 管道和映射规则，使得研究人员可以在不移动原始数据的情况下，跨多个 TREs 进行联邦分析，解决了数据隐私与共享的矛盾。
4. 开源工具与规范: 所有转换脚本、映射规则（JSON）、WhiteRabbit 报告及文档均开源至 MIREDA GitHub 仓库，为其他研究扩展至新队列提供了可复用的方法学基础。

5. 意义与局限性 (Significance & Limitations)

意义

• 罕见病研究: 1750 万样本量为研究罕见暴露和罕见妊娠/新生儿结局提供了统计效力。
• 政策评估: 支持跨国家、跨地区的比较研究，评估不同医疗政策（如剖宫产策略）对人口健康的影响。
• 试验模拟: 为观察性研究中的试验模拟（Trial Emulation）提供了高质量的数据基础。
• 国际合作: 基于 OMOP 标准，便于未来与国际其他 OMOP 网络进行对接和比较。

局限性与未来方向

• 数据粒度损失: 标准化过程可能导致部分细节丢失（如“无疾病”状态在 OMOP 中通常表现为缺失值，而非明确的阴性记录；英国特定的种族分类在映射到标准种族时会有信息损失）。
• 非健康数据: 教育、社会护理等非健康领域的数据未完全纳入 OMOP 标准结构，需作为外部链接处理。
• 覆盖范围: 目前尚未包含北爱尔兰数据（因系统变更），苏格兰数据仍在扩展中。
• 治理差异: 不同 TREs 的访问审批流程不同，可能影响研究的启动速度。

结论：
该研究成功构建了一个大规模、标准化、可联邦分析的英国母婴电子健康记录资源。通过解决 OMOP 模型在母婴关系建模上的技术瓶颈，它为生命历程研究（Life Course Research）和跨国家比较研究提供了强有力的基础设施，推动了医疗数据科学在母儿健康领域的应用。