FastOMOP：在 OMOP CDM 数据上进行可靠智能体真实世界证据生成的基础架构

由 Observational Health Data Sciences and Informatics（OHDSI）协作网络维护的 Observational Medical Outcomes Partnership 通用数据模型（OMOP CDM），已使 83 个国家近十亿患者的电子健康档案数据实现协调统一。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、流行病学与技术专长的人工过程。大语言模型（LLM）与多智能体系统在临床任务上已展现出前景，但 RWE 自动化暴露出一个根本挑战：智能体系统会引入涌现行为、协调失灵与安全风险，而现有方法无法对其加以治理。目前尚不存在能确保智能体 RWE 生成在整个生命周期内灵活、安全且可审计的基础设施。我们提出 FastOMOP，一个开源多智能体架构，它通过将治理、可观测性与编排这三个基础设施层同可插拔的智能体团队相分离来填补这一空白。治理在流程边界通过独立于智能体推理的确定性验证加以强制执行，确保任何被攻陷或产生幻觉的智能体都无法绕过安全控制。负责表型定义、研究设计与统计分析的智能体团队通过受控的工具暴露继承这些保证。我们使用自然语言转 SQL 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 的真实 NHS 数据集（IDRIL）。FastOMOP 取得了 0.84-0.94 的可靠性得分，并对对抗性与范围外请求实现了完美拦截，表明流程边界治理能够提供独立于模型选择的安全保证。这些结果表明，RWE 部署中的可靠性差距是架构问题而非模型能力问题，并确立 FastOMOP 为渐进式 RWE 自动化的受治理架构。