TRAUMA机器学习记录链接方法与CIDACS-RL在巴西健康信息系统中的性能对比研究

《Scientific Reports》：Machine learning-based record linkage for brazilian health databases validated in Espírito Santo

　　

摘要

TRAUMA项目开发了一种基于机器学习的记录链接方法，以支持巴西统一卫生系统（SUS）信息系统的整合。然而，针对大型健康数据集，将传统链接方法与监督机器学习模型进行比较的证据仍然有限。本研究评估了TRAUMA链接方法，并将其与巴西广泛使用的概率链接工具CIDACS-RL进行比较。这项方法学验证研究使用了2018年7月至2025年6月期间巴西埃斯皮里图圣州的死亡信息系统（SIM）、医院信息系统（SIH-SUS）、法定传染病信息系统（Sinan）和e-SUS卫生监测（e-SUS VS）的记录。通过多轮分块策略生成候选记录对。所提出的方法纳入了监督机器学习，以自动化分类那些原本需要人工审核的不确定记录对。共有106,363对已标记的记录对用于模型开发和测试。使用敏感性、特异性、精确度、F1分数和ROC-AUC评估了六种机器学习算法。表现最佳的算法被纳入TRAUMA框架，并使用一个包含11,662个记录对的已验证金标准数据集与CIDACS-RL进行比较。LightGBM算法取得了最佳性能。在测试数据集中，该模型获得了ROC-AUC为0.99996、敏感性为0.99731、精确度为0.99464、F1分数为0.99597，特异性为0.99895。在独立验证中，性能保持稳定（ROC-AUC = 0.99988；F1分数 = 0.99252）。SHAP分析确定出生日期变量以及Jaro-Winkler和Levenshtein相似度度量是关键预测因子。与CIDACS-RL相比，TRAUMA表现出更高的敏感性、F1分数和特异性估计值，精确度相似，并恢复了更多参考链接。两种方法在管理性健康数据库中的记录链接方面均表现出高性能。TRAUMA在保持高精确度的同时，恢复了更多包含在参考数据集中的链接，表现出更高的敏感性、F1分数和特异性估计值。这些发现支持两种方法作为稳健的记录链接解决方案，观察到的差异被解释为描述性，而非统计学优越性的证据。