设计,规划和执行大规模联合分析的最佳实践 - 来自包括52个数据库在内的研究的主要学习和建议
Theresa Burkard1, Montse Camprubi2, Daniel Prieto-Alhambra1,3
1Nuffield Department of Orthopaedics, Rheumatology and Musculoskeletal Sciences (NDORMS), Centre for Statistics in Medicine, University of Oxford, Oxford, United Kingdom.
使用观察医学结果伙伴关系 (OMOP) 共同数据模型 (CDM) 的联合网络研究使大规模的证据生成成为可能. 成功的关键策略包括细致的规划,强大的协作和跨多个数据库的标准化分析.
科学领域:
- 医疗信息学 医疗信息学
- 观测研究 观测研究
- 开放科学是一个开放的科学.
背景情况:
- 联合网络研究通过将数据保持本地化,同时共享分析代码和结果,从而实现数据隐私.
- 观察医学结果伙伴关系 (OMOP) 共同数据模型 (CDM) 促进了跨不同卫生系统的标准化观察研究.
- 使用OMOP CDM的联合分析对于产生强大的,可重复的,大规模的健康证据至关重要.
研究的目的:
- 为了分享关键的经验教训和策略,进行复杂的,大规模的,多数据库联合分析.
- 为在联合研究网络中利用OMOP共同数据模型提供最佳实践.
- 记录在欧洲健康数据和证据网络 (EHDEN) 中进行大规模联合分析的经验.
主要方法:
- 进行了大规模的联合分析,涉及19个国家的52个数据库.
- 利用观察医学结果伙伴关系 (OMOP) 共同数据模型 (CDM) 进行数据标准化.
- 采用精细的规划,社区建设,标准化分析和战略责任分工.
主要成果:
- 在19个国家的52个数据库中成功执行了大规模的联合分析.
- 确定包括规划,协作,沟通和标准化分析在内的基本策略.
- 数据保管人的积极反,突出了网络参与和共享学习的价值.
结论:
- 精细的规划,强大的社区参与和标准化分析对于成功的大规模联合网络研究至关重要.
- 使用OMOP CDM的联合分析是产生强有力的健康证据的强大工具.
- 持续改进和共享学习对于联邦健康数据研究的未来至关重要.
更多相关视频
09:43Databases to Efficiently Manage Medium Sized, Low Velocity, Multidimensional Data in Tissue Engineering
Published on: November 22, 2019
07:26Executing Complexity-Increasing Queries in Relational MySQL and NoSQL MongoDB and EXist Size-Growing ISO/EN 13606 Standardized EHR Databases
Published on: March 19, 2018
相关概念视频
Bioequivalence Experimental Study Designs: Repeated Measures, Cross-Over, Carry-Over, and Latin Square Designs
Archival Research
