FastOMOP：面向 OMOP CDM 数据的可靠智能体真实世界证据生成基础架构
摘要
由 Observational Health Data Sciences and Informatics (OHDSI) 合作组织维护的 Observational Medical Outcomes Partnership Common Data Model (OMOP CDM) 实现了 83 个国家近十亿患者电子病历数据的协调统一。然而，从这些数据仓库中生成真实世界证据 (RWE) 仍是一个需要临床、流行病学和技术专业知识的手动过程。LLM 和多智能体系统在临床任务中展现出潜力，但 RWE 自动化暴露了一个根本性挑战：智能体系统会引入现有方法无法管控的涌现行为、协调失败和安全风险。目前尚不存在能够确保智能体 RWE 生成在整个生命周期内具备灵活性、安全性和可审计性的基础设施。我们引入了 FastOMOP，这是一种开源多智能体架构，通过将治理、可观测性和编排这三个基础设施层与可插拔的智能体团队分离来解决这一差距。治理在过程边界处通过独立于智能体推理的确定性验证来强制执行，确保没有任何受损或产生幻觉的智能体能够绕过安全控制。用于表型分析、研究设计和统计分析的智能体团队通过受控的工具暴露继承这些保障。我们使用自然语言到 SQL 的智能体团队在三个 OMOP CDM 数据集上验证了 FastOMOP：来自 Synthea 的合成数据、MIMIC-IV 以及来自 Lancashire Teaching Hospitals (IDRIL) 的真实世界 NHS 数据集。FastOMOP 达到了 0.84-0.94 的可靠性得分，并具有完美的对抗性和越界拦截率，证明过程边界治理提供了独立于模型选择的安全保障。这些结果表明，RWE 部署中的可靠性差距是架构层面的而非模型能力问题，并确立了 FastOMOP 作为渐进式 RWE 自动化的受治理架构。
引用
@article{arxiv.2604.24572,
title = {FastOMOP: A Foundational Architecture for Reliable Agentic Real-World Evidence Generation on OMOP CDM data},
author = {Niko Moeller-Grell and Shihao Shenzhang and Zhangshu Joshua Jiang and Richard JB Dobson and Vishnu V Chandrabalan},
journal= {arXiv preprint arXiv:2604.24572},
year = {2026}
}