はじめに
ETL コードを記述する前に、ソース データを理解し、OMOP CDM へのマッピングを設計する必要があります。これには 2 つの OHDSI ツールが役立ちます。
- WhiteRabbit: ソース データベース/CSV をスキャンし、テーブル、フィールド、値に関する詳細レポートを作成します。
- Rabbit-in-a-Hat: テーブル→テーブル、フィールド→フィールドのマッピングを設計する GUI ツール
1. WhiteRabbit — ソース データのスキャン
1.1 インストール
# Download từ GitHub releases
# https://github.com/OHDSI/WhiteRabbit/releases
# Yêu cầu: Java 17+
java -version
# Chạy WhiteRabbit
java -jar WhiteRabbit.jar
1.2 WhiteRabbit インターフェース
┌─────────────────────────────────────────────────────┐
│ WhiteRabbit │
│ │
│ Source Data Location │
│ ┌─────────────────────────────────────────────┐ │
│ │ Type: [PostgreSQL ▼] │ │
│ │ Server: localhost │ │
│ │ Port: 5432 │ │
│ │ Database: hospital_db │ │
│ │ User: admin │ │
│ │ Password: **** │ │
│ └─────────────────────────────────────────────┘ │
│ │
│ Scan Options │
│ ☑ Scan field values (top 1000 per field) │
│ ☑ Calculate value frequencies │
│ ☑ Min/Max values │
│ □ Scan all tables (or select specific) │
│ │
│ [Connect] [Scan Tables] [Generate Report] │
└─────────────────────────────────────────────────────┘
1.3 データソースのサポート
Database:
- PostgreSQL, MySQL, SQL Server, Oracle
- Amazon Redshift, Microsoft APS
- Microsoft Access
File:
- CSV (comma-separated)
- TSV (tab-separated)
- SAS Transport files (.xpt)
1.4 スキャンの実行
Bước 1: Chọn loại source data (Database hoặc Delimited text files)
Bước 2: Nhập connection details
Bước 3: Click "Connect" → hiển thị danh sách tables
Bước 4: Chọn tables cần scan (hoặc Select All)
Bước 5: Cấu hình scan options:
- Rows per table: 100,000 (default, đủ cho profiling)
- Min cell count: 5 (ẩn values có < 5 records — bảo vệ PII)
- Max distinct values: 1,000
Bước 6: Click "Scan Tables"
Bước 7: Chọn thư mục output → Generate "ScanReport.xlsx"
1.5 スキャンレポートの分析
ScanReport.xlsx chứa các sheets:
Sheet "Overview":
┌──────────────────┬──────────┬───────────┐
│ Table │ Rows │ Fields │
├──────────────────┼──────────┼───────────┤
│ patients │ 50,000 │ 12 │
│ encounters │ 350,000 │ 18 │
│ diagnoses │ 1,200,000│ 8 │
│ medications │ 800,000 │ 15 │
│ lab_results │ 2,500,000│ 10 │
└──────────────────┴──────────┴───────────┘
Sheet "patients":
┌──────────────┬──────────┬──────────────┬─────────────────────┐
│ Field │ Type │ N rows │ Top Values │
├──────────────┼──────────┼──────────────┼─────────────────────┤
│ patient_id │ VARCHAR │ 50,000 │ BN001, BN002, ... │
│ gender │ VARCHAR │ 50,000 │ M(52%), F(48%) │
│ birth_date │ DATE │ 49,800 │ Min:1920, Max:2024 │
│ ethnicity │ VARCHAR │ 45,000 │ Kinh(85%), Tày(5%) │
│ phone │ VARCHAR │ 48,000 │ 09xx..., 03xx... │
└──────────────┴──────────┴──────────────┴─────────────────────┘
Sheet "diagnoses":
┌──────────────┬──────────┬──────────────┬─────────────────────┐
│ Field │ Type │ N rows │ Top Values │
├──────────────┼──────────┼──────────────┼─────────────────────┤
│ diagnosis_id │ INT │ 1,200,000 │ │
│ patient_id │ VARCHAR │ 1,200,000 │ │
│ encounter_id │ INT │ 1,200,000 │ │
│ icd_code │ VARCHAR │ 1,200,000 │ I10(15%), J06(8%) │
│ diagnosis_dt │ DATE │ 1,198,000 │ Min:2018, Max:2024 │
│ diag_type │ VARCHAR │ 1,200,000 │ MAIN(60%), SUB(40%) │
└──────────────┴──────────┴──────────────┴─────────────────────┘
スキャン レポートからの重要な発見:
✅ Phát hiện PII (phone, address) → cần loại bỏ/hash trong ETL
✅ Null rates: birth_date 200 nulls (0.4%) → acceptable
✅ Value distributions: gender chỉ có M/F → mapping đơn giản
✅ Date format: YYYY-MM-DD → chuẩn, không cần transform
✅ icd_code: ICD-10 codes → mapping via Athena
⚠️ ethnicity: 5000 nulls (10%) → cần xử lý default value
⚠️ diagnosis_dt: 2000 nulls → condition_start_date NOT NULL trong CDM!
2. 帽子をかぶったウサギ — ETL マッピング設計
2.1 帽子をかぶったウサギを開く
# Rabbit-in-a-Hat đi kèm trong package WhiteRabbit
java -jar WhiteRabbit.jar
# Hoặc chạy riêng
java -jar RabbitInAHat.jar
2.2 ワークフロー
Bước 1: File → Open Scan Report → Chọn ScanReport.xlsx
→ Hiển thị source tables bên trái
Bước 2: Tải OMOP CDM schema
→ Hiển thị CDM tables bên phải
Bước 3: Kéo thả mapping table → table
┌────────────┐ ┌─────────────────────┐
│ patients │ ───────→ │ PERSON │
│ encounters │ ───────→ │ VISIT_OCCURRENCE │
│ diagnoses │ ───────→ │ CONDITION_OCCURRENCE │
│ medications│ ───────→ │ DRUG_EXPOSURE │
│ lab_results│ ───────→ │ MEASUREMENT │
└────────────┘ └─────────────────────┘
Bước 4: Double-click mapping arrow → mở field-level mapping
┌─ patients ────────┐ ┌─ PERSON ─────────────────┐
│ patient_id ────┼───→│ person_source_value │
│ gender ───┼───→│ gender_source_value │
│ │ │ gender_concept_id (logic) │
│ birth_date ───┼───→│ birth_datetime │
│ │ │ year_of_birth (extract) │
│ │ │ month_of_birth (extract) │
│ ethnicity ───┼───→│ ethnicity_source_value │
└───────────────────┘ └──────────────────────────┘
Bước 5: Thêm logic/comments cho mỗi field mapping
gender → gender_concept_id:
"CASE WHEN gender = 'M' THEN 8507
WHEN gender = 'F' THEN 8532
ELSE 0 END"
Bước 6: Export ETL specification document (Word/HTML)
2.3 マッピングインターフェイス
┌─────────────────────────────────────────────────────────────┐
│ Rabbit-in-a-Hat │
│ │
│ Source Tables Mapping CDM Tables │
│ ┌────────────┐ ┌──────────────┐ │
│ │ patients │ ═══════════════════════→ │ PERSON │ │
│ │ (50,000) │ │ │ │
│ ├────────────┤ ├──────────────┤ │
│ │ encounters │ ═══════════════════════→ │ VISIT_ │ │
│ │ (350,000) │ │ OCCURRENCE │ │
│ ├────────────┤ ├──────────────┤ │
│ │ diagnoses │ ═══════════════════════→ │ CONDITION_ │ │
│ │ (1,200,000)│ │ OCCURRENCE │ │
│ ├────────────┤ ├──────────────┤ │
│ │ medications│ ═══════════════════════→ │ DRUG_ │ │
│ │ (800,000) │ │ EXPOSURE │ │
│ ├────────────┤ ├──────────────┤ │
│ │ lab_results│ ═══════════════════════→ │ MEASUREMENT │ │
│ │ (2,500,000)│ │ │ │
│ └────────────┘ └──────────────┘ │
│ │
│ [Add Mapping] [Details] [Export] [Save] │
└─────────────────────────────────────────────────────────────┘
3. ETL仕様書
3.1 マッピング仕様の例
Table: patients → PERSON
┌───────────────────┬───────────────────────┬─────────────────────────────┐
│ Source Field │ CDM Field │ Logic │
├───────────────────┼───────────────────────┼─────────────────────────────┤
│ patient_id │ person_source_value │ Direct copy │
│ [generated] │ person_id │ Auto-increment sequence │
│ gender │ gender_source_value │ Direct copy │
│ gender │ gender_concept_id │ M→8507, F→8532, else→0 │
│ birth_date │ birth_datetime │ Direct copy │
│ birth_date │ year_of_birth │ EXTRACT(YEAR FROM birth_dt) │
│ birth_date │ month_of_birth │ EXTRACT(MONTH FROM birth_dt)│
│ birth_date │ day_of_birth │ EXTRACT(DAY FROM birth_dt) │
│ ethnicity │ ethnicity_source_value│ Direct copy │
│ ethnicity │ ethnicity_concept_id │ Kinh→38003564, else→0 │
│ [constant] │ race_concept_id │ 8515 (Asian) │
└───────────────────┴───────────────────────┴─────────────────────────────┘
Table: diagnoses → CONDITION_OCCURRENCE
┌───────────────────┬──────────────────────────┬──────────────────────────┐
│ Source Field │ CDM Field │ Logic │
├───────────────────┼──────────────────────────┼──────────────────────────┤
│ [generated] │ condition_occurrence_id │ Auto-increment │
│ patient_id │ person_id │ Lookup patients mapping │
│ icd_code │ condition_source_value │ Direct copy │
│ icd_code │ condition_source_concept_│ Lookup SOURCE_TO_CONCEPT │
│ │ id │ _MAP or CONCEPT table │
│ icd_code │ condition_concept_id │ Via "Maps to" relation │
│ diagnosis_dt │ condition_start_date │ Direct copy │
│ [null] │ condition_end_date │ NULL (không có end date) │
│ [constant] │ condition_type_concept_id│ 32817 (EHR) │
│ encounter_id │ visit_occurrence_id │ Lookup encounters mapping│
│ diag_type │ condition_status_concept_│ MAIN→32902, SUB→32908 │
│ │ id │ │
└───────────────────┴──────────────────────────┴──────────────────────────┘
4. ベストプラクティス
4.1 OHDSI 標準 ETL プロセス
1. Scan source data (WhiteRabbit) ← 1-2 ngày
2. Review scan report với domain experts ← 1-2 ngày
3. Design ETL mapping (Rabbit-in-a-Hat) ← 1-2 tuần
4. Map source codes → Standard Concepts (Usagi) ← 1-2 tuần
5. Implement ETL scripts ← 2-4 tuần
6. Load data & run ACHILLES + DQD ← 1-2 ngày
7. Review quality issues, fix ETL ← 1-2 tuần
8. Repeat steps 5-7 until quality acceptable ← iterations
4.2 重要な注意事項
WhiteRabbit:
- Min cell count = 5: ẩn values có ít records → bảo vệ PII
- KHÔNG scan columns chứa free-text notes (HIPAA risk)
- Scan nên chạy trên bản copy, không trên production database
Rabbit-in-a-Hat:
- Lưu file .json.gz thường xuyên (format riêng của RiaH)
- 1 source table có thể map sang nhiều CDM tables
Ví dụ: encounters → VISIT_OCCURRENCE + OBSERVATION_PERIOD
- Document logic phức tạp trong Comments
- Organize ETL team review sessions (RiaH projected on screen)
概要
| ツール | 目的 | 出力 |
|---|---|---|
| ホワイトラビット | ソース データのスキャン、プロファイリング | スキャンレポート.xlsx |
| 帽子をかぶったウサギETL マッピング設計 GUI | ETL仕様書 |
| ステップ | 活動内容 |
|---|---|
| 1 | WhiteRabbit スキャン → 構造 + ソース データの品質を理解 |
| 2 | Rabbit-in-a-Hat → テーブルデザインとフィールドマッピング |
| 3 | ETL 仕様のエクスポート → 実装チーム向けのドキュメント |
次の記事: Usagi — ソース コードを OMOP 標準概念にマッピングする