RWD標準化（OMOP CDM・FHIR・OHDSI）のAI支援｜FDA Sentinel×EMA DARWIN EU×PMDA MID-NET×NMPA RWE×600M患者Network対応の実装ガイド

Real-World Data（RWD）標準化は、電子カルテ・請求データ・レジストリ・Wearable・ePRO 等の異種医療データを共通 Model で統合し Cross-institutional Analytics・Regulatory Submission・薬剤疫学研究を可能にする基盤。OMOP CDM（Observational Medical Outcomes Partnership Common Data Model）は 2007 年 FDA + PhRMA（Pharmaceutical Research and Manufacturers of America）連携で開始、OHDSI（Observational Health Data Sciences and Informatics）が 2014 年 Columbia University 発で設立され現在 30 か国 3000+ Researcher・600M Patient Record を接続する世界最大の RWD Network（OHDSI 公式）。HL7 FHIR（Fast Healthcare Interoperability Resources）は Real-time 患者ケア・EHR 相互運用の標準、HL7 と OHDSI が 2021 年から OMOP + FHIR Working Group で Bidirectional Transformation 標準化を推進、2026 年 Frontiers in Medicine 掲載の TermX 研究で FHIR Observation → OMOP Measurement の意味・構造保存マッピング確立。FDA Sentinel（2007 立上）は 18 Data Partner 200M+ 患者の Post-market Safety Surveillance システムで OMOP-like CDM 運用。PMDA MID-NET（Medical Information Database Network、2018 運用開始）は日本 10 病院ネットワーク。NMPA は「真实世界数据用于生成真实世界证据的指导原则（试行）」で 6 要素 Governance Framework（Security・Extraction・Cleaning・Transformation・Transmission・Quality Control）整備。CDISC SDTM は臨床試験データ標準で RWD/RWE との Hybrid 運用が課題。本記事では、OMOP CDM・FHIR・RWD 標準化の AI 支援を、6 Domain Data Model・Mapping・Network Study・多地域対応の観点で玄人目線で詳述する。

主要データ標準

標準	用途	運営
OMOP CDM	観察研究・薬剤疫学	OHDSI（Columbia University、2014）
HL7 FHIR	Real-time EHR 相互運用	HL7 International
CDISC SDTM	臨床試験 Data Submission	CDISC
CDISC ADaM	Analysis Data Model	CDISC
ICH E2B(R3)	PV ICSR	ICH
SNOMED CT	臨床用語コード	SNOMED International
RxNorm	医薬品コード	NLM（NIH）
LOINC	検査・観察コード	Regenstrief Institute
ICD-10/11	疾患コード	WHO

OMOP CDM の構造

• Person Domain（人口統計）
• Observation Period Domain
• Visit Occurrence Domain
• Condition Occurrence Domain（診断）
• Drug Exposure Domain（投薬）
• Procedure Occurrence Domain（処置）
• Measurement Domain（検査値）
• Observation Domain（その他観察）
• Death Domain
• Standardized Vocabularies（SNOMED CT・RxNorm・LOINC 等への正規化）

地域別 RWD Infrastructure

地域	Network / System
FDA	Sentinel Initiative（2007）・BEST Initiative・CBER Sentinel
EMA	DARWIN EU（Data Analysis and Real World Interrogation Network）
PMDA	MID-NET（2018 運用、10 病院ネットワーク）
NMPA	海南博鰲楽城 RWE 試験区・CDE RWE Guidance
UK	CPRD（Clinical Practice Research Datalink）
Canada	ICES・CNODES
OHDSI Network	30 か国 600M 患者データ
EHDEN	European Health Data & Evidence Network

FHIR + OMOP の Bidirectional Transformation

• FHIR：Real-time 患者ケア・EHR 相互運用（リソース指向）
• OMOP：Long-term 観察研究・薬剤疫学（Domain 指向）
• OMOP + FHIR Working Group（OHDSI + HL7 共同）
• FHIR Observation ↔ OMOP Measurement
• FHIR Condition ↔ OMOP Condition Occurrence
• FHIR MedicationStatement ↔ OMOP Drug Exposure
• TermX 2026 Bidirectional Transformation 研究
• CDM Catalog（NIH Data Science）で Harmonization Resource 提供

AI 支援の 8 領域

1. Data Mapping 自動化

EHR・請求データ・レジストリを OMOP CDM に AI 自動マッピング。SNOMED CT・RxNorm・LOINC Vocabulary 適用。

2. Data Quality Check

OHDSI DataQualityDashboard・Achilles を AI 統合で運用。Completeness・Validity・Conformance 評価。

3. FHIR ↔ OMOP Transformation

Real-time FHIR → OMOP への ETL を AI で自動化。逆方向の OMOP → FHIR も実装。

4. Cohort Definition

Complex Phenotype を AI で OHDSI ATLAS Cohort として定義。Inclusion/Exclusion Criteria 自動適用。

5. Network Study 設計

Multi-site OHDSI Network Study を AI で設計。Study Package 自動生成・Site Deployment。

6. Regulatory Submission

FDA Sentinel・EMA DARWIN EU・PMDA MID-NET 対応 Report を AI で構造化。RWE Submission Package。

7. Causal Inference

Propensity Score Matching・Target Trial Emulation を AI で支援。Confounding 自動調整。

8. Privacy-preserving Analytics

Federated Learning・Differential Privacy を OMOP Network で実装。HIPAA・GDPR・APPI 対応。

RWD 6 要素 Governance（NMPA）

1. Data Security（個人情報・サイバーセキュリティ）
2. Data Extraction（Source System からの抽出）
3. Data Cleaning（Missing・Outlier・Duplicate 処理）
4. Data Transformation（標準化・コード変換）
5. Data Transmission and Storage（暗号化・Audit Trail）
6. Quality Control（継続的監視・Anomaly Detection）

AI パイプライン

1. Step 1: Research Question 定義
2. Step 2: Data Source 特定
3. Step 3: OMOP CDM Mapping
4. Step 4: Data Quality Check
5. Step 5: Cohort Definition（ATLAS）
6. Step 6: Characterization Study
7. Step 7: Comparative Effectiveness / Safety
8. Step 8: Population-level Estimation
9. Step 9: Patient-level Prediction
10. Step 10: Regulatory Submission

OHDSI Network Study の実例

• LEGEND（Large-scale Evidence Generation and Evaluation in a Network of Databases）
• COVID-19 Phenomics Studies
• Hypertension Comparative Effectiveness
• Depression Treatment Pathways
• Rare Disease Natural History
• Drug Repurposing Opportunities
• Health Equity Studies
• DARWIN EU Pilot Studies

失敗パターンと回避策

落とし穴1：Vocabulary Mapping 不整合

Local Code から Standardized Vocabulary への Mapping 不備で分析不能。AI Mapping + 人手 Review。

落とし穴2：Data Quality 低

Missing・Conflicting Data で Study Result 信頼性低。DataQualityDashboard 自動運用。

落とし穴3：FHIR/OMOP 片方のみ

Real-time vs Retrospective で Bidirectional 必要。OMOP + FHIR WG 成果活用。

落とし穴4：Network Study の Confounding

Site 間 Heterogeneity で Spurious Association。Propensity Score・Target Trial Emulation。

落とし穴5：Privacy 不備

HIPAA・GDPR・APPI 違反は重大。Federated Learning・De-identification。

KPI 設計の観点

• OMOP Mapping 完了率
• Data Quality Score
• Cohort Definition 精度
• Network Study 参加 Site 数
• Causal Inference 妥当性
• Regulatory Acceptance
• Privacy Incident ゼロ

まとめ：OMOP CDM・FHIR・RWD 標準化 AI 支援の設計指針

1. OMOP CDM 6 Domain Data Model + Standardized Vocabularies（SNOMED CT・RxNorm・LOINC）
2. HL7 FHIR との Bidirectional Transformation（OMOP + FHIR WG）
3. FDA Sentinel・EMA DARWIN EU・PMDA MID-NET・NMPA RWE 試験区の多地域 Infrastructure
4. OHDSI Network 30 か国 3000+ Researcher・600M Patient
5. OHDSI ATLAS で Cohort Definition 標準化
6. DataQualityDashboard・Achilles で Quality Monitoring
7. NMPA 6 要素 Governance（Security・Extraction・Cleaning・Transformation・Transmission・Quality）
8. CDISC SDTM との Hybrid 運用
9. Privacy-preserving Analytics（Federated Learning・Differential Privacy）
10. AI は Mapping・Cohort・Network Study・Causal Inference・Submission、最終判断は Epidemiologist・Biostatistician・Medical・Regulatory

OMOP CDM + HL7 FHIR + OHDSI Network は 2007 FDA-PhRMA 開始から現在 30 か国 600M 患者を接続する世界最大の RWD Infrastructure に。FDA Sentinel・EMA DARWIN EU・PMDA MID-NET・NMPA RWE 試験区の多地域展開で Regulatory RWE・薬剤疫学・Health Equity 研究が実装段階へ。判断の人間主導と反復的 Mapping・Quality Check・Network Study・Causal Inference の AI 自動化が、2026 年以降のグローバル医薬品開発・安全監視の競争力を決定づける。

renue独自視点：OMOP CDM・FHIR・RWD標準化 AI支援の3つの落とし穴

renue社はPV/GMP/品質/臨床試験/AI創薬/BMV/Drug Shortage領域で52本超（A088-A139）のシリーズを蓄積し、日本のRWD基盤を「欧米比で研究利用しづらい状況」と捉える医療データ活用基盤整備機構の問題意識と同じ立場に立つ。本稿ではOMOP CDM・FHIR・RWD標準化AI支援で汎用LLMが届かない3落とし穴を、一次資料（日本薬剤疫学会誌 グローバルRWD規格OMOP CDMとOHDSI・OHDSI DARWIN EU Initiative・npj Digital Medicine Cancer OMOP Scoping Review 2025・JPMA HL7 FHIRを軸とした臨床試験連携）を参照し整理する。

落とし穴① Source Vocabulary → Standard Concept Mappingの「文脈欠落Bias」

OMOP CDMはSNOMED CT/RxNorm/LOINC/ICD-10/11等のStandard Vocabularyに変換することで分析共通性を得るが、ETL時のMapping（Source Code → Standard Concept）でNon-exact Match・Multiple Concept・Deprecated Concept・Context-dependent（例：「頭痛」が主訴か副作用か）が大量に発生し、汎用LLMに「このDrugコードをRxNormに変換して」と聞くと一般論で対応するが、個別病院のLocal Dictionary規則・処方実態（内服/外用の区別・日本独自配合剤）・薬価コード体系差との突合はしない（npj Digital Medicine 2025）。日本ではYuimedi・NEC等によるNDB・電子カルテ→OMOP変換実証でも「HL7 FHIR合成データからの高品質変換処理」が技術検証段階であり、PMDA MID-NET 10病院ネットワークでもLocal Mapping Tableのheterogeneity・Drug Exposureの「頓用vs定期」区分・Measurement Valueの単位変換（例：HbA1c JDS/NGSP・BMI kg/m² vs kg/cm²）はUsagi/Athena単独では解決しない。対策は、①LLM＋ルールエンジン組合せのMapping Assistant（単一LLM暴走を防ぐ）、②Local Mapping Tableへのrenue独自差分検知（A102/A103のEBR/Annex 11ライクなバージョン管理）、③Mapping Confidence Score表示・低Confidence時はEpidemiologist審査を強制、④OHDSI Usagi・Athena・ATLAS・HADES連携、⑤単位変換は「JDS→NGSP変換式HbA1c(NGSP)=HbA1c(JDS)×1.02+0.25」等の国内固有ルールをrenue社内Knowledge Baseに蓄積。

落とし穴② FHIR ↔ OMOP Bidirectional Transformationの「用途別最適化欠如」

HL7 FHIRはReal-time EHR相互運用・患者ケア向け（Observation/Condition/MedicationRequest/ImmunizationをPoint-in-timeで表現）で、OMOP CDMはPopulation-level分析・Cohort研究向け（Observation Period・Drug Era・Condition Eraで時間軸集約）という根本的設計思想差がある（JPMA HL7 FHIR臨床試験連携）。厚労省標準のHL7 FHIRに準拠した電子カルテが普及してもOMOPへの変換が「Observationレベルで一旦Flatten→再集約」となり、Drug Era構築時に「前回投与から30日以内は継続」「1日処方量＞0」等のOMOP独自ロジックが汎用LLMで実装されず、Era集約不正確による解析Biasが頻発。逆にOMOP→FHIRで臨床現場連携する際、Person → Patient変換は容易だがPerson Level Observation → EncounterやCondition EraのRelocationが属人的実装になる。対策は、①FHIR IPS（International Patient Summary）・JAHIS標準書式・HL7 FHIR JP CoreとOMOP CDM Vocabularyの公式マッピングBridgeを活用、②HL7-OHDSI Working Group 2021-以降のBidirectional Transformation Specification（BulkFHIRIO・OMOP-on-FHIR）を適用、③Temporal Granularity違いをETL段階で明示的に設計（FHIR Observation issued→OMOP observation_datetime、DrugExposure start/end算出ルール明文化）、④renue社内実装のデータ標準化Agentで「用途別（Cohort研究／Safety Surveillance／Regulatory Submission）に最適化された3種変換パターン」を分離、⑤CDISC SDTM（治験）との3者Hybrid運用はA111 RWE・A121 Registry Studyと連携。

落とし穴③ Multi-region Network Study・Federated Analytics・Privacy保護のガバナンス整合

FDA Sentinel 200M+・EMA DARWIN EU 180M（59研究実施済、中央値4か月Protocol→結果）・PMDA MID-NET・NMPA「真实世界数据用于生成真实世界证据的指导原则（试行）」6要素（Security・Extraction・Cleaning・Transformation・Transmission・Quality Control）の4極は、データ移転を伴わないFederated Analytics（各Data Partnerで統計集約を実行、Summary Statisticsのみ中央集約）が基本だが、各極のPrivacy規制（GDPR・HIPAA・個人情報保護法・仮名加工情報制度・中国个人信息保护法）・Data Localization要件・IRB要件・Differential Privacyε閾値が異なり、汎用LLMに「Multi-region Network Studyの設計を」と頼んでも一般論以上に踏み込まない（FDA RWE解説）。日本ではOMOP CDMが「仮名加工情報制度との親和性が高い」（岡田 2023）とされる一方、NMPAは個人情報の中国国外持ち出しを厳格制限、EU GDPRはSchrems II判決以降Third Country Transferに追加Safeguardsを要求。対策は、①4極Privacy規制の差分をMetadata化しNetwork Study Protocol作成時にAuto-check、②OHDSI Strategus/HADES/ARACHNE等Federated Executionツールを各極で統一運用、③Differential Privacyε値・K-anonymityの閾値合意をMulti-region Governance Charterに明文化、④FDA Sentinel Common Data Model・EMA DARWIN EU OMOP・PMDA MID-NETのSchema差分をETL Pipelineで吸収、⑤Epidemiologist・Biostatistician・Medical Affairs・Regulatory Affairs・Privacy Officer・Legalの6者合議をNetwork Study Signoffに強制、⑥A111 RWE・A099 PV EudraVigilance・A119 Health Equityとの統合Governance。renue社は「Mapping Assistant＋3種変換パターン＋4極Privacy Governance Metadata」をProtocol主導で運用し、汎用LLMでは届かないOMOP・FHIR・RWD標準化AI支援の「Mapping Bias・Bidirectional Transformation・Multi-region Governance」3落とし穴を塞ぐ。

あわせて読みたい

• ペーパーレス化の進め方｜中小企業のための導入ステップとツール選定ガイド【2026年版】
• AI導入ROI測定とは？生成AIの投資対効果・PoC評価フレームワーク・企業のAI価値実証ガイド【2026年版】
• ハイブリッドワークとは？テレワークとの違い・導入課題・成功のポイント完全ガイド【2026年版】