HADES Analytics：RWE のための R による PLE、PLP、Characterization

ATLAS は「コホート定義」と基本的な「characterization」を解決します。より高度な統計手法（causal inference、ML）が必要になったら、OHDSI 公式の R パッケージ群 HADES を使います。本記事ではスタックの概要、PLE/PLP のワークフロー、ネットワーク研究の公開までを紹介します。

1. HADES とは

40+ R パッケージ、MIT ライセンス、CRAN または GitHub からインストール可能。

2. インストール

# Strategus（オーケストレータ）をインストール - 他のパッケージも自動で
install.packages("Strategus")

# 個別インストールも可
install.packages(c(
  "DatabaseConnector", "SqlRender", "FeatureExtraction",
  "CohortMethod", "PatientLevelPrediction", "Characterization",
  "CohortDiagnostics", "Achilles", "DataQualityDashboard"
))

# Postgres 用 JDBC ドライバ
DatabaseConnector::downloadJdbcDrivers("postgresql")

要件：R >= 4.2、Java >= 11、100 万 person 超のデータセットには 16GB+ RAM。

3. データベース接続

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 が答える問い：「薬 A vs 薬 B、副作用 X が少ないのはどちらか？」Comparative effectiveness research。

4. CohortMethod — Patient-Level Estimation (PLE)

4.1 PLE ワークフロー

library(CohortMethod)

# 1. データ抽出
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 モデル
ps <- createPs(
  cohortMethodData = cmData,
  prior = createPrior("laplace", exclude = c(0))
)

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

# 4. アウトカムモデル（Cox）
outcomeModel <- fitOutcomeModel(
  population = strataPop,
  modelType = "cox",
  stratified = TRUE
)

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

4.2 OHDSI 標準診断

結果を信じる前に確認すべき項目：

Equipoise：2 コホート間で十分な PS overlap
共変量バランス：マッチ後の全共変量で SMD < 0.1
Negative control 分布：negative control の HR は 1 に近いべき
Empirical calibration：systematic error に応じて HR を補正

OHDSI 規約：すべての診断にパスした結果のみ公開。

5. PatientLevelPrediction (PLP) — ML

PLP が答える問い：「患者 X が今後 T 日以内に Y を発症する確率は何 % か？」

5. PatientLevelPrediction (PLP) — ML

5.1 PLP コード

library(PatientLevelPrediction)

# 1. plpData 取得
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. Lasso 学習
modelSettings <- setLassoLogisticRegression()
results <- runPlp(
  plpData = plpData,
  population = population,
  modelSettings = modelSettings,
  splitSettings = createDefaultSplitSetting(splitSeed = 42)
)

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

5.2 External validation

External validation = CDM A で訓練したモデルを CDM B（同スキーマ、別データ）で予測。臨床 ML の金の基準 — モデルの汎化を証明します。

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

6. Characterization（高度なコホート比較）

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/"
)

出力：time-to-event、dechallenge-rechallenge（薬剤-イベント因果性）、コホート A vs B の集約共変量。

7. SelfControlledCaseSeries (SCCS)

比較群がないときに使う手法 — 患者自身を comparator として、曝露期間 vs 非曝露期間を比較。利用者が少ない薬の薬剤監視に最適。

library(SelfControlledCaseSeries)

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

sccsModel <- fitSccsModel(...)

8. Strategus — 複数手法のオーケストレーション

Strategus は JSON config + R ワークフローで、1 つの研究について全パイプライン（DQ → CohortDiagnostics → PLE → PLP → Char）を実行します。

library(Strategus)

# 1. モジュール定義
analysisSpecifications <- createEmptyAnalysisSpecificiations() %>%
  addCharacterizationModuleSpecifications(...) %>%
  addCohortMethodModuleSpecifications(...) %>%
  addPatientLevelPredictionModuleSpecifications(...)

# 2. ローカル CDM で実行
execute(
  analysisSpecifications = analysisSpecifications,
  executionSettings = createCdmExecutionSettings(
    workDatabaseSchema = "results",
    cdmDatabaseSchema = "cdm",
    workFolder = "tmp/work",
    resultsFolder = "tmp/results"
  )
)

出力スキーマは共通 → メタアナリシスのため中央サーバーにアップロード。

9. ネットワーク研究のパターン

ベトナムは Site として参加可能 — 高度なコーディングスキルは不要、CDM + R パッケージ実行のみ。

10. EvidenceSynthesis（メタアナリシス）

N サイトから結果が揃ったら：

library(EvidenceSynthesis)

# 入力：サイトごとの 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 メタアナリシス
meta <- computeBayesianMetaAnalysis(results)
plotMetaAnalysisForest(meta, results)

11. HADES のよくある落とし穴

❌ Negative controls を忘れる → systematic bias が補正されない
❌ External validation 無しで PLP を訓練 → overfit が検出されない
❌ PS モデルにキー交絡因子が漏れる → bias
❌ Target と comparator のコホート重複 → 強い bias
❌ マッチ後の共変量バランスをチェックしない → 解析が無意味
❌ 特徴量抽出から test set にリーク → AUC が見かけ上高く出る

12. HADES 関連資料

Book of OHDSI 第 12〜15 章（PLE、PLP、SCCS、ネットワーク研究）
HADES website：ohdsi.github.io/Hades/
OHDSI Forum：forums.ohdsi.org
Strategus チュートリアル動画
Atlas Demo の Case study

13. HADES 学習ロードマップ

OMOP SQL と ATLAS を学ぶ（1 ヶ月）
R + tidyverse 基礎（2 週間）
CohortDiagnostics — 1 つのコホートで診断を実行（1 週間）
Eunomia で CohortMethod チュートリアル（2 週間）
PatientLevelPrediction チュートリアル（2 週間）
1 つのネットワーク研究に contributor として参加（1〜2 ヶ月）
小規模研究を 1 つリード（3〜6 ヶ月）

14. ベトナム向け Use case

問い	Method
ベトナム人の高血圧治療として最良の戦略は？	CohortMethod (PLE)
どの糖尿病患者が再入院するか予測	PatientLevelPrediction (PLP)
がんの疫学を欧米と比較	Characterization
新薬承認後の副作用追跡	SelfControlledCaseSeries
DARWIN EU study に参加	Strategus + 集約結果共有

まとめ

HADES は CDM を本格的な RWE 研究室へと変えます。HADES を学ぶことは、本物の OHDSI Practitioner になるための投資です。ベトナムには EHDEN/DARWIN/N3C のネットワーク研究で大きなチャンスがあります。

次の記事：Production OMOP — Postgres tuning、パーティション、セキュリティ。