Determinação de um ponto de corte para a identificação de pares verdadeiros pelo método probabilístico de linkage de base de dados

Abstract

Cad. Saúde Colet., 2014, Rio de Janeiro, 22 (4): 428-36Resumo O objetivo deste estudo foi propor pontos de corte nos escores calculados no processo de linkage probabilístico, para as diversas topografias de câncer. Neste estudo foi utilizada a base de dados do RCBP-SP, composta por 343.306 casos incidentes de câncer do município de São Paulo, registrados no período de 1997 a 2005, com idades que variaram de menos um a 106 anos, de ambos os sexos. Para o linkage probabilístico, realizado no programa Reclink III, foram utilizadas a base de dados do PRO-AIM e APAC-SIA/SUS. Foram calculados os valores da área sob a curva, sensibilidade e especificidade para determinar o ponto de corte do escore de maior precisão na identificação dos pares verdadeiros. Na análise das topografias, verificou-se que o ponto de corte no escore 18 apresentou boa acurácia, com valores de sensibilidade que variaram de 73,7 a 96,7% e de especificidade de 98,5 a 99,4%. Conclui-se que, acima do escore 18 encontravam-se quase a totalidade dos pares verdadeiros, enquanto que abaixo deste, menos de 1% dos registros vinculados eram verdadeiros.Palavras-chave: sistemas de informação; registro médico coordenado; neoplasias. AbstractThe aim of this study was to propose cut-off points for scores calculated in the probabilistic record linkage process for several cancer topographies. In this study we used the PBCR-SP database composed of 343,306 incident cancer cases from the municipality of São Paulo, registered from 1997 through 2005, aged from less than one to 106 years, of both sexes. PRO-AIM and APAC-SIA/SUS databases were used to probabilistic record linkage using Reclink III software. Area under the curve, sensitivity and specificity values were calculated to determine the cut-off point with the highest accuracy in identifying true matches. In the topography analyses, it was found that the cut-off at score 18 showed good accuracy, with sensitivity ranging from 73.7 to 96.7% and specificity ranging from 98.5 to 99.4%. We concluded that above score 18 nearly all true pairs were found. Whereas, below this cut-off, less than 1% of linked records were true matches.

Avaliação de método para classificação automatizada de pares em relacionamentos probabilísticos de bancos de dados

“…Este estudo demonstrou que é possível automatizar o relacionamento dos bancos de dados em saúde mantendo a acurácia do método, com base na inspeção manual de uma amostra retirada do próprio banco e posterior seleção de um escore de alto poder discriminatório na identificação de pares verdadeiros desta amostra. Alguns trabalhos usaram escores para os limiares superior e inferior 4,5,6 , indicando para a inspeção os pares com escores intermediários, porém isto pode não ser aplicável quando existe um grande números de pares a ser revisados. Desse modo, recomendamos amostragem aleatória com no mínimo 200 registros, inspeção manual, cálculo da sensibilidade (recall), do valor preditivo positivo (precision), da medida F, construção da curva precision-recall dos escores dessa amostra e posterior aplicação desse ponto de corte para a classificação automática dos pares do banco total.…”

“…Em um estudo sobre relacionamento de dados referentes ao setor de alta complexidade em cardiologia foram despendidas duas horas para conferir todos os pares formados, gerando a recomendação de que nos casos em que exista grande número de pares após o relacionamento seja realizada inspeção seletiva nas faixas de escore de maior interesse 3 . Outros estudos utilizaram escores para os limiares superior e inferior 4,5,6 , indicando para a inspeção os pares com escores intermediários. Camargo Jr. & Coeli 7 sugeriram a definição do ponto de corte para o limiar inferior de forma arbitrária, determinando que registros com escore negativo deveriam ser considerados falsos pares e com escores positivos deveriam ser revistos.…”

Inclusão de etapa de pós-processamento determinístico para o aumento de performance do relacionamento (linkage) probabilístico

“…É notória a proporção de registros com nomes abreviados no SINAN, 1 a cada 14, bem como a diferença em relação ao SIM, 1 a cada 302, que foi encontrada no estudo (Figura 1). Embora as abreviações de nomes fossem descritas em outros estudos como erro de preenchimento que dificulta o processo de relacionamento de dados 27,30,31 , a frequência de nomes com abreviação não foi informada.…”

Melhora na qualidade e completitude da base de dados do Registro de Câncer de Base Populacional do município de São Paulo: uso das técnicas de linkage

“…However, it was not used in isolation to identify a related record. To be a real pair, at least two other conditions of the variables of relationship and confirmation were required 14 . One of the main study limitations were the filling out errors in the database of APAC-SIA/SUS.…”

“…The third database was APAC-SIA/SUS, which originally contained 31,743,533 records. However, the process of identification of patients who showed up more than once was conducted considering that, for the probabilistic linkage, this database should present a single record per each patient, containing data about the last time a procedure or medication was requested 14 . The probability technique was applied to improve the completeness of variables and to identify the deaths between the databases of PRO-AIM and RCBP-SP, and, for the evaluation, the living status between APAC-SIA/SUS and RCBP-SP.…”