OMOP 和 DataSHIELD：提升隐私增强型医疗保健分析的完美搭配？
OMOP 和 DataSHIELD：提升隐私增强型医疗分析的完美搭配？探索 DataSHIELD 和 OHDSI/OMOP 之间的协同作用，以实现协作医疗分析背景跨境或多站点数据共享可能具有挑战性，因为法规和法律存在差异，并且对数据隐私、安全和所有权存在担忧。然而，对开展大规模跨国和多站点临床研究的需求日益增长，以便为更好的医疗保健提供更可靠、更及时的证据。为了解决这个问题，罗氏的联邦开放科学团队认为联邦分析（隐私增强型分散统计分析）是一种有前途的解决方案，可以促进更多的多站点和数据驱动的协作。高质量（精选）患者级数据的可用性和可访问性仍然是进步的持续瓶颈。联合模型是医疗领域协作分析和机器学习的推动因素之一，无需移动任何敏感的患者级数据。用于分析的联合模型联合范式的理念是将分析带入数据，而不是将数据带入分析。这意味着数据仍位于其各自组织的边界内，而协作分析工作并不意味着将数据复制到本地基础设施之外，也不意味着允许对数据进行无限制的查询。它具有许多优点，包括：降低数据暴露风险没有难以追踪的数据副本和
来源:走向数据科学OMOP 和 DataSHIELD：完美搭配，提升隐私增强型医疗分析？
OMOP 和 DataSHIELD：完美搭配，提升隐私增强型医疗分析？
探索 DataSHIELD 和 OHDSI/OMOP 之间的协同作用，实现协作医疗分析
背景
由于法规和法律的差异以及对数据隐私、安全和所有权的担忧，跨境或多站点数据共享可能具有挑战性。然而，对开展大规模跨国和多站点临床研究的需求日益增长，以便为更好的医疗保健提供更可靠、更及时的证据。为了解决这个问题，罗氏的联邦开放科学团队认为联邦分析（隐私增强型分散统计分析）是一种有前途的解决方案，可以促进更多的多站点和数据驱动的协作。
高质量（精选）患者级数据的可用性和可访问性仍然是阻碍发展的瓶颈。联合模型是医学领域协作分析和机器学习的推动因素之一，无需移动任何敏感的患者级数据。
用于分析的联合模型
联合范式的理念是将分析带入数据，而不是将数据带入分析。
这意味着数据仍处于其各自组织的边界内，而协作分析工作并不意味着将数据复制到本地基础设施之外，也不意味着对数据查询提供无限制的访问权限。
它有许多优点，包括：
- 降低数据暴露风险没有难以跟踪和管理的数据副本离开场所避免构建数据湖的前期成本和工作量跨越监管边界尝试不同分析方法和功能的交互式方式