Week 11 — Health Care Data Standards

AMMS 302 | Week 11

มาตรฐานข้อมูลสุขภาพสากล

Health Care Data Standards

HL7 FHIR R4 · OMOP Common Data Model · ICD-10 · สปสช. Data Dictionary

🎯 เป้าหมาย (CLO1/CLO4)

อธิบายบทบาท FHIR (exchange) vs OMOP (research model) vs ICD-10 (terminology)
อ่าน FHIR Bundle JSON + flatten เป็นตารางได้
Map ICD-10 → chapter และสร้าง mini-OMOP จาก dataset เราได้

Lab: 🧪 week11-data-standards.ipynb · ใช้ patient_fhir_demo.json

สารบัญ

01 · ปัญหา Babel — ทำไมต้องมี standard?

❌ โรงพยาบาลคุยกันไม่รู้เรื่อง

Hosp A: "DM" | Hosp B: "เบาหวาน" | Hosp C: "E11.9"

Field: DOB vs วันเกิด vs birthDate

Lab HbA1c: % vs mmol/mol!

→ ETL ทุกคู่ = O(n²) งานซ้ำซ้อน และแปลผิดได้

✅ Standard = ภาษากลาง

HIS A→ FHIR / OMOP / ICD-10→ HIS B · Research DB

write once → interop everywhere

Exchange format: HL7 FHIR (REST/JSON/XML)
Research data model: OMOP CDM
Terminology: ICD-10, SNOMED CT, LOINC, RxNorm

02 · Standards Landscape Map

Layer	Standard	หน้าที่	ตัวอย่าง
Terminology	ICD-10 · SNOMED CT · LOINC · RxNorm	ให้รหัส concept	E11.9 = T2DM
Message/Exchange	HL7 v2 · CDA · FHIR	ส่งข้อมูลระหว่างระบบ	FHIR REST + JSON
Research model	OMOP CDM v5.4	schema กลางเพื่อ analytics	person/condition_occurrence
Claims (ไทย)	สปสช. 43 แฟ้ม	เบิกจ่ายสิทธิประโยชน์	CHA, DCH, ORFS…

💡 ระดับไหนต่างกัน? FHIR = วิธีส่ง, ICD = ความหมาย, OMOP = รูปทรงตาราง — ใช้ประกอบกันได้ (wk12–13)

03 · ICD-10 — รหัสโรคสากล (WHO)

E11.9

Chapter(Endocrine) · Category(DM) · Subtype(no complication)

A–Z chapter letters (22 chapters)
Thailand: ICD-10-TM (adapted) ใน claims สปสช.
ICD-11 ออกแล้ว — แต่ claims ยังใช้ 10

Chapter ที่ใช้บ่อย

E11	Type 2 diabetes mellitus
I10	Essential hypertension
I48	Atrial fibrillation
J45	Asthma
Z00	General health exam

💡 lab §3: map first-letter → chapter group ด้วย dict ธรรมดา

📚 Official browse: icd.who.int/browse10 (WHO)

04 · HL7 FHIR — Resources & Bundle

Fast Healthcare Interoperability Resources (R4) — modular resources + REST API

🧱 Resource = LEGO block

Patient Encounter Observation Condition MedicationRequest

GET /Patient?gender=female&birthdate=ge1970
→ JSON Bundle of matching Patients

📦 Bundle structure

Bundle
├─ resourceType: "Bundle"
├─ id, type: "collection"
└─ entry[]
   ├─ fullUrl: urn:uuid:…
   └─ resource: {resourceType:
        "Patient", id, name[],
        gender, birthDate}

PySynthea (wk12) ส่งออกเป็น FHIR R4 bundles — อ่านด้วย skill เดียวกัน

📚 Spec: hl7.org/fhir (R4) · Patient · Bundle · JSON rules

05 · Walkthrough: patient_fhir_demo.json

{ "resourceType": "Bundle",
  "id": "bundle-amms302-demo",
  "entry": [
    { "fullUrl": "urn:uuid:10313763",
      "resource": {
        "resourceType": "Patient",
        "id": "10313763",
        "name": [{"family":"รักดี",
                  "given":["สมชาย"]}],
        "gender": "male",
        "birthDate": "1975-05-12"}}]}

# flatten ทั้ง bundle
pd.json_normalize(bundle,
  record_path=['entry'])
# columns:
# resource.resourceType
# resource.id
# resource.name[].family …
# resource.gender, birthDate

# dot-path ตาม spec
df['resource.birthDate']

🎯 Lab §1–2: นับ resourceType + สกัด age จาก birthDate

📚 json_normalize docs — ทบทวน wk01 สไลด์ 16

06 · OMOP CDM — โมเดลวิจัยของ OHDSI

⭐ Core tables (v5.4)

person (person_id PK)

↑ FK person_id จากทุกตาราง ↓

visit_occurrence condition_occurrence drug_exposure measurement/observation

concept_id อ้าง vocabulary tables (SNOMED/RxNorm mapped)
เขียน query ครั้งเดียว รันข้าม network ได้ (250+ DBs worldwide)

Tools ecosystem

ATLAS: GUI design cohort/characterization — atlas-demo.ohdsi.org
ACHILLES: data quality summary
HADES/R packages: stats & ML

📖 The Book of OHDSI (free online) — อ่าน ch.4–5 ก่อน wk13

📚 CDM v5.4 spec · person table · ohdsi.org

07 · FHIR ↔ OMOP — แนวคิด mapping

FHIR Resource	field	→	OMOP table.field
Patient.id	—	→	person.person_id
Patient.gender	male/female	→	person.gender_concept_id (8507/8532)
Patient.birthDate	YYYY-MM-DD	→	person.year_of_birth/month/day
Condition.code	ICD-10/SNOMED coding	→	condition_occurrence.condition_concept_id
Encounter.period	start/end	→	visit_occurrence.visit_start/end_date

ETL tools สำเร็จรูปมีอยู่แล้ว (e.g., FHIR-to-OMOP pipelines ใน OHDSI community) — เราฝึกหลักการผ่าน mini-OMOP ใน lab §4

08 · สปสช. Data Dictionary — บริบทไทย

43 แฟ้ม claims (UC service)

CHA = รับรองสิทธิ (HN, CID hash, สิทธิ)
DCH/ODX/ORF = opd dx/drug/referral
ICD-10-TM + DRG grouping สำหรับเบิกจ่าย
PID field ต้อง de-id ก่อนใช้วิจัย (wk10!)

Project สัปดาห์ 15–16

วาด ER diagram จาก dictionary ของ 2–3 แฟ้มที่เลือก → เสนอ dashboard/insight — ใช้ skill: ERD(wk07) + SQL(wk5–7) + standards(wk11)

📚 dictionary download ผ่าน nhso.go.th (สปสช. — National Health Security Office)

09 · Lab สัปดาห์ที่ 11 🧪

week11-data-standards.ipynb

§1 Load bundle → นับ resourceTypes
§2 json_normalize + dot-path สกัด Patient fields → age
§3 ICD-10 chapter dict + classify hba1c → E11.9/Z00.0
§4 สร้าง omop_mini.db (person + condition_occurrence + FK)

📝 Homework 11

เพิ่ม visit_occurrence table ≥5 แถว + JOIN query
อ่าน FHIR Patient page → list 5 missing fields ใน dataset เรา
ส่ง .ipynb + omop_mini.db

เกณฑ์: normalize ถูก path 40% · mini-OMOP FK ครบ 40% · HW อ้าง spec ถูก 20%

10 · แหล่งอ้างอิงทางการ

📬 ติดต่อ

ดร.วิชิต สมบัติ — wichit.s@ubu.ac.th

คาบหน้า: BigQuery/DuckDB + PySynthea generation

Next: Week 12 — Big Data Part 1 · notebook