TRAUMA: A Machine Learning–Based Record Linkage Method for Health Databases

Resumen Técnico: TRAUMA – Un método de vinculación de registros basado en aprendizaje automático para bases de datos de salud

Planteamiento del problema
La integración de los sistemas de información del Sistema Único de Salud (SUS) de Brasil se ve obstaculizada por la fragmentación de los datos en múltiples bases de datos, incluyendo el Sistema de Información sobre Mortalidad (SIM), el Sistema de Información Hospitalaria (SIH-SUS) y el Sistema de Información de Notificación de Enfermedades (Sinan). Los métodos tradicionales de vinculación de registros, como la herramienta probabilística ampliamente utilizada CIDACS-RL, dependen de marcos estadísticos como Fellegi–Sunter. Aunque son efectivos, estos métodos a menudo requieren una extensa revisión manual de pares de registros "inciertos" para lograr una alta precisión, lo que crea un cuello de botella en las bases de datos administrativas de salud a gran escala. Además, la literatura existente carece de comparaciones directas entre las herramientas probabilísticas tradicionales y los enfoques de aprendizaje automático supervisado utilizando conjuntos de datos brasileños validados.

Metodología
Este estudio presenta una validación metodológica del marco TRAUMA, un método de vinculación de registros que integra técnicas probabilísticas con aprendizaje automático supervisado para automatizar la clasificación de pares de registros inciertos.

• Fuentes de datos: El estudio utilizó datos secundarios de Espírito Santo, Brasil, que cubren el período de julio de 2018 a junio de 2025. Los conjuntos de datos incluyeron SIM (mortalidad), SIH-SUS (admisiones hospitalarias), Sinan y e-SUS VS (enfermedades de notificación obligatoria). El procesamiento inicial involucró 250,989 registros de mortalidad, 11,534 admisiones hospitalarias y 116,369 notificaciones.
• Generación de pares candidatos: Se empleó una estrategia de bloqueo de múltiples pasadas para reducir el espacio de búsqueda manteniendo la sensibilidad. Cuatro pasadas de bloqueo utilizaron combinaciones de códigos Soundex para el primer nombre y el nombre de la madre, sexo y año de nacimiento. Esto generó 4,035,046 pares candidatos.
• Ingeniería de características: A partir de los pares candidatos iniciales, se derivaron 106,363 pares etiquetados para el desarrollo del modelo. Las características incluyeron 22 variables derivadas y 31 características de comparación basadas en métricas de similitud (Jaro–Winkler, Levenshtein) para nombres, nombres de la madre y fechas de nacimiento. Las características basadas en frecuencia se calcularon utilizando $-\log(s_1 \times s_2)$.
• Desarrollo del modelo: El conjunto de datos se dividió en conjuntos de entrenamiento (70%) y de prueba (30%). Se evaluaron seis algoritmos de aprendizaje automático: Regresión Logística, Random Forest, XGBoost, LightGBM, CatBoost y Extra Trees. El modelo con mejor desempeño fue seleccionado basándose en sensibilidad, especificidad, precisión, F1-score y ROC-AUC. Se utilizó el análisis SHAP (SHapley Additive exPlanations) para interpretar la importancia de las características.
• Flujo de trabajo de clasificación: Los pares con puntuaciones de similitud $\ge$90% se clasificaron automáticamente como coincidencias; aquellos $<$65% se consideraron no coincidencias. Los pares entre 65% y 90% fueron clasificados por el modelo de aprendizaje automático supervisado.
• Validación y comparación: El modelo final se validó contra un conjunto de datos de estándar de oro independiente de 11,662 pares de registros. Su desempeño se comparó directamente con CIDACS-RL, la herramienta probabilística estándar en Brasil.

Resultados clave

• Desempeño del modelo: El algoritmo LightGBM alcanzó el mayor desempeño. En el conjunto de datos de prueba, obtuvo un ROC-AUC de 0.99996, sensibilidad de 0.99731, precisión de 0.99464, F1-score de 0.99597 y especificidad de 0.99895. El desempeño se mantuvo estable en el conjunto de validación independiente (ROC-AUC = 0.99988; F1-score = 0.99252).
• Importancia de las características: El análisis SHAP identificó las variables de fecha de nacimiento y las medidas de similitud textual (Jaro–Winkler y Levenshtein) como los predictores más influyentes. La frecuencia de los nombres también contribuyó, donde los nombres menos comunes aumentaban la probabilidad de una coincidencia.
• Comparación con CIDACS-RL: Aunque ambos métodos demostraron una alta precisión, el modelo TRAMA superó a CIDACS-RL en sensibilidad, F1-score y especificidad.
  • TRAUMA: Sensibilidad 0.98819, Especificidad 0.99757, F1-score 0.99224.
  • CIDACS-RL: Sensibilidad 0.96529 (en el conjunto de intersección), Especificidad 0.98256, F1-score 0.98054.
  • Recuperación de vínculos reales: El modelo TRAUMA demostró una capacidad superior para recuperar coincidencias reales que fueron omitidas por CIDACS-RL. Por el contrario, CIDACS-RL generó un número significativo de pares candidatos (6,625) no presentes en el estándar de oro, lo que requirió una revisión manual adicional para verificar su estado.

Significancia y Reivindicaciones
El artículo afirma que el marco TRAUMA ofrece una alternativa robusta a la vinculación probabilística tradicional al automatizar la clasificación de pares inciertos, reduciendo así la dependencia de la revisión manual sin sacrificar la precisión. El estudio concluye que el aprendizaje automático supervisado puede mejorar la calidad de la vinculación y reducir las pérdidas estructurales de vinculación en las bases de datos administrativas de salud.

Los autores enfatizan que, si bien las métricas de desempeño agregadas para ambos enfoques fueron altas, el enfoque de aprendizaje automático recuperó un mayor número de vínculos reales. Señalan que los métodos probabilísticos tradicionales pueden sufrir de "pérdidas estructurales" donde las coincidencias potenciales son excluidas durante la etapa inicial de bloqueo debido a supuestos de variables rígidos (por ejemplo, municipio de residencia estable). En contraste, el modelo supervisado demostró una mayor flexibilidad para identificar correspondencias reales.

El estudio reconoce limitaciones, incluyendo el posible sesgo introducido por el proceso de revisión manual utilizado para crear el estándar de oro y el uso del algoritmo Soundex basado en inglés para nombres en portugués. Sin embargo, los autores argumentan que la estrategia de bloqueo de múltiples pasadas y el uso de múltiples medidas de similitud mitigaron estos problemas. Los hallazgos sugieren que el aprendizaje automático supervisado es una estrategia viable para escalar la vinculación de registros en los sistemas nacionales de información de salud, aunque se recomienda una validación adicional en diversos conjuntos de datos.