HADES Analytics: PLE, PLP, Characterization với R cho RWE

ATLAS giải quyết phần "định nghĩa cohort" và "characterization" cơ bản. Khi cần phương pháp thống kê nâng cao (causal inference, ML), bạn cần HADES — bộ R package chính thức của OHDSI. Bài viết tổng quan stack, workflow PLE/PLP và publish nghiên cứu network.

1. HADES là gì

40+ R package, MIT licensed, install qua CRAN hoặc GitHub.

2. Cài đặt

# Install Strategus (orchestrator) - kéo theo các package khác
install.packages("Strategus")

# Hoặc install riêng
install.packages(c(
  "DatabaseConnector", "SqlRender", "FeatureExtraction",
  "CohortMethod", "PatientLevelPrediction", "Characterization",
  "CohortDiagnostics", "Achilles", "DataQualityDashboard"
))

# JDBC driver cho Postgres
DatabaseConnector::downloadJdbcDrivers("postgresql")

Yêu cầu R >= 4.2, Java >= 11, RAM 16GB+ cho dataset 1M+ person.

3. Connect database

library(DatabaseConnector)
connectionDetails <- createConnectionDetails(
  dbms = "postgresql",
  server = "host/db_name",
  user = "omop_reader",
  password = Sys.getenv("OMOP_PASSWORD"),
  port = 5432,
  pathToDriver = "~/jdbcDrivers"
)

cdmDatabaseSchema <- "cdm"
cohortDatabaseSchema <- "results"

4. CohortMethod — Patient-Level Estimation (PLE)

PLE trả lời: "Thuốc A vs Thuốc B, cái nào ít gây side effect X hơn?" Comparative effectiveness research.

4. CohortMethod — Patient-Level Estimation (PLE)

4.1 Workflow PLE

library(CohortMethod)

# 1. Extract data
cmData <- getDbCohortMethodData(
  connectionDetails = connectionDetails,
  cdmDatabaseSchema = cdmDatabaseSchema,
  targetId = 1,         # Cohort A id
  comparatorId = 2,     # Cohort B id
  outcomeIds = c(3),    # Outcome cohort
  covariateSettings = createDefaultCovariateSettings()
)

# 2. Propensity score model
ps <- createPs(
  cohortMethodData = cmData,
  prior = createPrior("laplace", exclude = c(0))
)

# 3. Match 1:1 nearest neighbor
strataPop <- matchOnPs(ps, maxRatio = 1)

# 4. Outcome model (Cox)
outcomeModel <- fitOutcomeModel(
  population = strataPop,
  modelType = "cox",
  stratified = TRUE
)

summary(outcomeModel)
# Hazard Ratio: 0.85 (95% CI 0.78-0.93)

4.2 Diagnostic chuẩn OHDSI

Trước khi tin kết quả, phải check:

Equipoise: PS overlap đủ giữa 2 cohort
Covariate balance: SMD < 0.1 cho mọi covariate sau matching
Negative control distribution: HR negative control phải gần 1
Empirical calibration: adjust HR theo systematic error

OHDSI chuẩn: chỉ public kết quả pass mọi diagnostic.

5. PatientLevelPrediction (PLP) — ML

PLP trả lời: "Bệnh nhân X có khả năng bao nhiêu % bị Y trong T ngày tới?"

5. PatientLevelPrediction (PLP) — ML

5.1 PLP code

library(PatientLevelPrediction)

# 1. Get plpData
plpData <- getPlpData(
  databaseDetails = createDatabaseDetails(...),
  covariateSettings = createDefaultCovariateSettings(),
  cohortId = 1,    # at-risk population
  outcomeIds = 2,  # outcome
  ...
)

# 2. Population
population <- createStudyPopulation(
  plpData = plpData,
  outcomeId = 2,
  riskWindowStart = 1,
  riskWindowEnd = 365,
  requireTimeAtRisk = TRUE
)

# 3. Train Lasso
modelSettings <- setLassoLogisticRegression()
results <- runPlp(
  plpData = plpData,
  population = population,
  modelSettings = modelSettings,
  splitSettings = createDefaultSplitSetting(splitSeed = 42)
)

# 4. View
viewPlp(results)
# AUC = 0.78, calibration intercept = -0.05

5.2 External validation

External validation = chạy model trained trên CDM A → predict trên CDM B (cùng schema, dữ liệu khác). Đây là vàng cho clinical ML — chứng minh model generalizable.

externalValidatePlp(
  plpResult = results,
  validationDatabaseDetails = list(otherCdmDetails)
)

6. Characterization (cohort comparison nâng cao)

library(Characterization)

# Setup
cSettings <- createCharacterizationSettings(
  timeAtRiskSettings = createTimeAtRiskSettings(
    riskWindowStart = 1, riskWindowEnd = 365
  ),
  dechallengeRechallengeSettings = createDechallengeRechallengeSettings(
    targetIds = c(1, 2),
    outcomeIds = c(3)
  ),
  aggregateCovariateSettings = createAggregateCovariateSettings(
    targetIds = c(1, 2), outcomeIds = c(3)
  )
)

runCharacterizationAnalyses(
  connectionDetails = connectionDetails,
  cdmDatabaseSchema = cdmDatabaseSchema,
  characterizationSettings = cSettings,
  outputDirectory = "char_results/"
)

Output: time-to-event, dechallenge-rechallenge (drug-event causality), aggregate covariate cohort A vs B.

7. SelfControlledCaseSeries (SCCS)

Method dùng khi không có comparator group — bệnh nhân làm comparator chính mình (compare period exposed vs unexposed). Phù hợp pharmacovigilance cho thuốc ít người dùng.

library(SelfControlledCaseSeries)

sccsData <- getDbSccsData(
  connectionDetails = connectionDetails,
  cdmDatabaseSchema = cdmDatabaseSchema,
  outcomeIds = c(3),
  exposureIds = c(1)
)

sccsModel <- fitSccsModel(...)

8. Strategus — orchestrate đa method

Strategus là JSON config + R workflow để chạy toàn pipeline (DQ → CohortDiagnostics → PLE → PLP → Char) cho 1 study.

library(Strategus)

# 1. Define modules
analysisSpecifications <- createEmptyAnalysisSpecificiations() %>%
  addCharacterizationModuleSpecifications(...) %>%
  addCohortMethodModuleSpecifications(...) %>%
  addPatientLevelPredictionModuleSpecifications(...)

# 2. Run on local CDM
execute(
  analysisSpecifications = analysisSpecifications,
  executionSettings = createCdmExecutionSettings(
    workDatabaseSchema = "results",
    cdmDatabaseSchema = "cdm",
    workFolder = "tmp/work",
    resultsFolder = "tmp/results"
  )
)

Output cùng schema → upload lên central server cho meta-analysis.

9. Network studies pattern

VN có thể tham gia với vai trò Site — không cần kỹ năng coding cao, chỉ cần CDM + chạy package R.

10. EvidenceSynthesis (meta-analysis)

Khi có result từ N site:

library(EvidenceSynthesis)

# Input: per-site HR + log SE
results <- data.frame(
  site = c("VN", "EU1", "EU2", "US1"),
  logRr = c(-0.16, -0.20, -0.18, -0.22),
  seLogRr = c(0.05, 0.04, 0.03, 0.02)
)

# Random-effects meta-analysis
meta <- computeBayesianMetaAnalysis(results)
plotMetaAnalysisForest(meta, results)

11. Common pitfall HADES

❌ Quên negative controls → kết quả systematic bias không adjust
❌ Train PLP không có external validation → overfit không phát hiện
❌ PS model không bao gồm key confounder → bias
❌ Cohort overlap target và comparator → bias mạnh
❌ Không check covariate balance sau matching → analysis vô nghĩa
❌ Test set leak từ feature extraction → AUC giả cao

12. Tài liệu HADES

Book of OHDSI chương 12-15 (PLE, PLP, SCCS, network study)
HADES website: ohdsi.github.io/Hades/
OHDSI Forum: forums.ohdsi.org
Strategus tutorial videos
Case studies trên Atlas Demo

13. Lộ trình học HADES

Học SQL OMOP và ATLAS (1 tháng)
R + tidyverse cơ bản (2 tuần)
CohortDiagnostics — chạy diagnostic cho 1 cohort (1 tuần)
CohortMethod tutorial trên Eunomia (2 tuần)
PatientLevelPrediction tutorial (2 tuần)
Tham gia 1 network study với role contributor (1-2 tháng)
Lead 1 study nhỏ (3-6 tháng)

14. Use case VN

Câu hỏi	Method
Chiến lược điều trị tăng huyết áp nào tốt nhất cho người Việt?	CohortMethod (PLE)
Dự đoán bệnh nhân tiểu đường nào sẽ readmit?	PatientLevelPrediction (PLP)
So sánh epidemiology bệnh K với phương Tây	Characterization
Theo dõi side effect thuốc mới sau khi cấp phép	SelfControlledCaseSeries
Tham gia DARWIN EU study	Strategus + share aggregate result

Kết luận

HADES biến CDM thành phòng thí nghiệm RWE đầy đủ. Đầu tư học HADES = đầu tư trở thành OHDSI Practitioner thực sự. VN có cơ hội lớn với network study EHDEN/DARWIN/N3C.

Bài tiếp: Production OMOP — Postgres tuning, partition, security.

HADES Analytics: PLE, PLP, Characterization với R cho RWE

1. HADES là gì

2. Cài đặt

3. Connect database

4. CohortMethod — Patient-Level Estimation (PLE)

4.1 Workflow PLE

4.2 Diagnostic chuẩn OHDSI

5. PatientLevelPrediction (PLP) — ML

5.1 PLP code

5.2 External validation

6. Characterization (cohort comparison nâng cao)

7. SelfControlledCaseSeries (SCCS)

8. Strategus — orchestrate đa method

9. Network studies pattern

10. EvidenceSynthesis (meta-analysis)

11. Common pitfall HADES

12. Tài liệu HADES

13. Lộ trình học HADES

14. Use case VN

Kết luận

DUY TRAN

Bình luận

Bài viết liên quan

OMOP cho Việt Nam: BHYT, HSDT, ICD-10 VN, dân tộc 54, Quyết định 3516/QĐ-BYT, Luật BVDLCN 2025

FHIR ↔ OMOP: bridge giữa operational và analytics layer

Production OMOP: Postgres tuning, partition, security cho VN