OMOP 本体：字面查询漏掉 57% 的脓毒症患者

上一篇文章里，我们把 MIMIC 变成了 31 个模板。模板解决「怎么查」的问题，但还有一个更隐蔽的问题：查什么？

「查脓毒症患者」——听起来很简单。但 Sepsis 在 ICD-10 里不是 1 个码，是几十个码：A41.9（脓毒症未特指）、A40.0（链球菌脓毒症）、A41.0（金黄色葡萄球菌脓毒症）、A41.5（革兰氏阴性菌脓毒症）……每个码都代表脓毒症的一个子类型。

你写 WHERE icd_code LIKE 'A41%'，只抓到一部分；写 LIKE 'A4%'，又把不是脓毒症的码捞进来。字面查询和概念查询之间的差距，就是数据里的漏网之鱼。

我们实测过这个差距，结果有点吓人。

● ● ●

字面查询漏了多少

我们在 eICU 数据库（美国 200 多家医院的 ICU 数据，15 万患者）上做了个实验：用两种方式查脓毒症患者。

Sepsis 概念展开：LIKE 查询 vs is-a 展开

方式一（字面前缀）：icd_code LIKE 'A41%' 或 LIKE 'R65.2%'，靠编码前缀猜。

方式二（本体展开）：先查 OMOP 标准词表，找到 Sepsis 概念的全部 135 个后代（is-a 关系展开），再用这 135 个码去查。

结果（ICD-10 口径）：

多出来的 7,538 名患者，字面查询完全漏掉——因为他们用的不是 A41 或 R65.2 开头的码，而是 A40（链球菌）、A41.0（金黄色葡萄球菌）、B37.7（念珠菌脓毒症）这些「看起来不像」的编码。

贫血更夸张。Anemia 的 ICD-10 码散在 D5x-D6x 十几个族里，字面前缀根本无从写起，本体展开直接 +221.9%（1,615 → 5,198 患者）。

● ● ●

本体是什么

「本体」这个词听着吓人，其实就是一张概念关系网：

• 概念
  ：1.4 百万个医学概念（Sepsis、AKI、Anemia……每个都有唯一 ID）
• is-a 关系
  ：800 万条「属于」边（A41.9 is-a 脓毒症，脓毒症 is-a 感染性疾病）
• 映射关系
  ：各编码体系互转（ICD-10CM → SNOMED-CT，MIMIC 里的高频诊断码我们实测 12/12 全部映射命中）

OMOP（Observational Medical Outcomes Partnership）是这套东西的行业标准：全球 500 多个数据库、9.7 亿患者的标准化方案。

查询时不是直接 LIKE，而是：问题 → 概念 → 展开全部后代 → 生成 SQL。

● ● ●

为什么 +57.4% 是真实的，不是查询 bug

第一反应肯定是：是不是本体展开把不该算的也算进来了？

我们做了双重验证：

跨库验证。MIMIC 和 eICU 是两个完全独立的 ICU 数据库，各自都有 ICD 编码。我们在两个库上分别做本体展开，增益方向一致（MIMIC 上 Sepsis +36.5%，eICU 上 ICD-9 也是 +36.5%，ICD-10 下 +57.4%）。两个独立库互相印证，不是单个库的编码特例。

0% 增益的反例。AKI（急性肾损伤）本体展开增益 0%，T2DM（2 型糖尿病）也是 0%。为什么？因为这两个病的 ICD 码集中在几个编码区间，字面前缀 LIKE 'N17%' 已经覆盖全了。增益不是恒定的，它和「编码分散度」成正比——编码越散，字面查询漏得越多，本体收益越大。

● ● ●

什么时候用本体，什么时候用模板

这里要诚实说一句：不是所有查询都需要本体。

• 模板路线
  （上一篇）：31 个模板覆盖高频临床问题，查得快、结果稳。适合 80% 的常见问题。
• 本体路线
  （这篇）：处理模板覆盖不到的开放式问题，尤其是「某种疾病的所有亚型」。适合查全、查准的场景。

我们的架构里两者是叠加的：模板路由查常见问题，本体层做概念展开兜底。论文复现、队列构建、流行病学统计这类「一个都不能少」的场景，本体展开是必需品。

● ● ●

一个容易踩的坑：展开要包含种子自身

第一次做本体展开时，我们只查了 Sepsis 的后代码，漏了种子概念本身的码（A41.9 是最大的单一编码）。

Sepsis 的 13,136 名患者里，A41.9 占大头。只展开后代、不含种子，等于把最大的一块漏了。展开结果必须包含种子概念自身，这是本体查询最容易错的地方。

● ● ●

对 LLM 的意义

回到 AI 查询的语境：LLM 擅长把「自然语言」变成「编码猜测」，但它不知道 A40.0 也是脓毒症。

把本体展开放在 LLM 前面（问题 → 概念 → 135 个后代码 → SQL），LLM 就不需要记住 A40/A41/B37.7 这些编码知识——它只负责把问题翻译成概念，编码展开交给本体层。编码知识沉淀进数据资产，不靠模型记忆。 这和模板路线的思路一脉相承：把知识放进资产，而不是放进 prompt。

● ● ●

参考来源

1. 01
   OHDSI OMOP Common Data Model（标准词表与建模规范）：https://ohdsi.github.io/CommonDataModel/
2. 02
   OMOP Athena（词表下载与浏览）：https://athena.ohdsi.org/
3. 03
   SNOMED-CT 与 ICD-10 映射文档：https://www.nlm.nih.gov/healthit/snomedct/
4. 04
   eICU Collaborative Research Database（交叉验证数据源）：https://physionet.org/content/eicu-crd/2.0/