Avaliação de diferentes estratégias de blocagem no relacionamento probabilístico de registros

Abstract

A blocagem (blocking), que consiste na criação de blocos lógicos de registros dentro de arquivos a serem relacionados, é um dos processos que faz parte do relacionamento probabilístico de grandes bases de dados. Os objetivos deste trabalho são comparar a eficiência de diferentes esquemas de blocagem e estudar a eficiência da utilização de uma rotina de padronização desenvolvida pelos autores, que aplica a mesma grafia para as primeiras sílabas de nomes com o mesmo som. Procedemos ao relacionamento de uma base de dados de mortalidade com 59.065 óbitos com uma base de óbitos hospitalares com 531 registros, que apresentavam um registro correspondente na base de mortalidade. Diferentes estratégias de blocagem foram comparadas em relação ao custo para o processamento e a proporção de pares verdadeiros perdidos. A estratégia de blocagem em múltiplos passos foi mais eficiente, permitindo a identificação de todos os pares verdadeiros com a formação de um número total de pares que foi inferior ao obtido em duas rotinas diferentes de passo único. Já entre as estratégias de passo único avaliadas, a que se baseou no emprego da chave formada pela combinação do código soundex do primeiro nome e sexo apresentou o melhor resultado. A utilização da rotina de padronização que aplica a mesma grafia para as primeiras sílabas de nomes com o mesmo som não apresentou um impacto importante, quer em custos, quer na redução da perda de pares verdadeiros.

Acurácia do relacionamento probabilístico na avaliação da alta complexidade em cardiologia

“…With blocking, comparisons are limited to records from the same block, or, in other words, to those records that have the equal values for all variables contained in each blocking key, which reduces the total number of pairs formed at each step and increases the probability of the formation of true pairs. 5 Blocking reduces the number of comparisons made by computer and memory and processor usage, which results in lower processing costs and makes the process faster and less demanding with respect to the computing hardware. A very large number of pairs could make clerical review too complex to warrant doing.…”

“…A five-step blocking strategy was used based on the combination of the following fi elds: fi rst name Soundex code (modifi ed); last name Soundex code (modifi ed), sex, and year of birth. 5 Next, we performed the matching, in which pairs were formed (an SIH record with a SIM record) from the comparison of previously selected variables. To this end, we used the variables "full name" and "birth date".…”

“…The dominant role of the fi rst blocking step was also observed by other researchers. 5 Researchers have invested in automated techniques to reduce the number of pairs requiring clerical review. 9 The sensitivity and specifi city results of the method were similar to those of other studied methods that involved probabilistic databases conducted in Brazil, New Zealand, USA, and the UK.…”

Ciclosporina versus tacrolimus no transplante renal no Brasil: uma comparação de custos

“…Ao mesmo tempo, o SUS possui um conjunto de registros informatizados que permite conhecer, desde o momento do transplante, as principais despesas com essas terapêuticas: o Sistema de Informações Hospitalares (SIH) e ambulatorial (APAC/SIA) (http:// www.datasus.gov.br). Essas bases, em conjunto com o Sistema de Informações sobre Mortalidade (SIM) e outros dados relacionados de forma probabilística 7 , conformaram a Base de Dados Nacional em terapias de substituição renal (http://www.datasus.gov.br)/(http://www.bpre co.saude.gov.br/bprefd/owa/consulta.inicio) 8,9 .…”

Do que morrem os pacientes com tuberculose: causas múltiplas de morte de uma coorte de casos notificados e uma proposta de investigação de causas presumíveis

“…7 . Para comparação automática dos registros entre as bases de dados foram usadas as variáveis nome, sexo e data de nascimento; as variáveis nome da mãe e endereço foram utilizadas para comparação visual na classificação dos links duvidosos ao final de cada passo de blocagem.…”