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

Resumo Técnico: TRAUMA – Um Método de Vinculação de Registros Baseado em Aprendizado de Máquina para Bases de Dados de Saúde

Problema
A integração dos sistemas de informação do Sistema Único de Saúde (SUS) no Brasil é dificultada pela fragmentação de dados em múltiplas bases, incluindo o Sistema de Informações sobre Mortalidade (SIM), o Sistema de Informações Hospitalares (SIH-SUS) e o Sistema de Informação de Agravos de Notificação (Sinan). Os métodos tradicionais de vinculação de registros, como a ferramenta probabilística amplamente utilizada CIDACS-RL, baseiam-se em estruturas estatísticas como Fellegi–Sunter. Embora eficazes, esses métodos frequentemente exigem uma extensa revisão manual de pares de registros "incertos" para alcançar alta precisão, criando um gargalo em bases de dados administrativas de saúde em larga escala. Além disso, a literatura existente carece de comparações diretas entre ferramentas probabilísticas tradicionais e abordagens de aprendizado de máquina supervisionado utilizando conjuntos de dados brasileiros validados.

Metodologia
Este estudo apresenta uma validação metodológica do framework TRAUMA, um método de vinculação de registros que integra técnicas probabilísticas com aprendizado de máquina supervisionado para automatizar a classificação de pares de registros incertos.

• Fontes de Dados: O estudo utilizou dados secundários do Espírito Santo, Brasil, cobrindo o período de julho de 2018 a junho de 2025. Os conjuntos de dados incluíram SIM (mortalidade), SIH-SUS (internações hospitalares), Sinan e e-SUS VS (doenças de notificação). O processamento inicial envolveu 250.989 registros de mortalidade, 11.534 internações hospitalares e 116.369 notificações.
• Geração de Pares Candidatos: Uma estratégia de bloqueio de múltiplas passagens (multi-pass blocking) foi empregada para reduzir o espaço de busca, mantendo a sensibilidade. Quatro passagens de bloqueio utilizaram combinações de códigos Soundex para nomes próprios e nomes de mãe, sexo e ano de nascimento. Isso gerou 4.035.046 pares candidatos.
• Engenharia de Atributos (Feature Engineering): Dos pares candidatos iniciais, 106.363 pares rotulados foram derivados para o desenvolvimento do modelo. Os atributos incluíram 22 variáveis derivadas e 31 atributos de comparação baseados em métricas de similaridade (Jaro–Winkler, Levenshtein) para nomes, nomes de mãe e datas de nascimento. Atributos baseados em frequência foram calculados usando $-\log(s_1 \times s_2)$.
• Desenvolvimento do Modelo: O conjunto de dados foi dividido em conjuntos de treinamento (70%) e teste (30%). Seis algoritmos de aprendizado de máquina foram avaliados: Regressão Logística, Random Forest, XGBoost, LightGBM, CatBoost e Extra Trees. O modelo com melhor desempenho foi selecionado com base em sensibilidade, especificidade, precisão, F1-score e ROC-AUC. A análise SHAP (SHapley Additive exPlanations) foi utilizada para interpretar a importância dos atributos.
• Fluxo de Classificação: Pares com escores de similaridade $\ge$ 90% foram classificados automaticamente como correspondências (matches); aqueles $<$ 65% foram classificados como não correspondências. Pares entre 65% e 90% foram classificados pelo modelo de aprendizado de máquina supervisionado.
• Validação e Comparação: O modelo final foi validado contra um conjunto de dados de padrão-ouro independente de 11.662 pares de registros. Seu desempenho foi comparado diretamente com o CIDACS-RL, a ferramenta probabilística padrão no Brasil.

Principais Resultados

• Desempenho do Modelo: O algoritmo LightGBM alcançou o desempenho mais elevado. No conjunto de teste, atingiu um ROC-AUC de 0,99996, sensibilidade de 0,99731, precisão de 0,99464, F1-score de 0,99597 e especificidade de 0,99895. O desempenho permaneceu estável no conjunto de validação independente (ROC-AUC = 0,99988; F1-score = 0,99252).
• Importância dos Atributos: A análise SHAP identificou as variáveis de data de nascimento e as medidas de similaridade textual (Jaro–Winkler e Levenshtein) como os preditores mais influentes. A frequência dos nomes também contribuiu, com nomes menos comuns aumentando a probabilidade de uma correspondência.
• Comparação com CIDACS-RL: Embora ambos os métodos tenham demonstrado alta precisão, o modelo TRAOMA superou o CIDACS-RL em sensibilidade, F1-score e especificidade.
  • TRAUMA: Sensibilidade 0,98819, Especificidade 0,99757, F1-score 0,99224.
  • CIDACS-RL: Sensibilidade 0,96529 (no conjunto de intersecção), Especificidade 0,98256, F1-score 0,98054.
  • Recuperação de Vínculos Reais: O modelo TRAUMA demonstrou uma capacidade superior de recuperar correspondências reais que foram perdidas pelo CIDACS-RL. Por outro sentido, o CIDACS-RL gerou um número significativo de pares candidatos (6.625) não presentes no padrão-ouro, exigindo revisão manual adicional para verificar seu status.

Significância e Alegações
O artigo afirma que o framework TRAUMA oferece uma alternativa robusta à vinculação probabilística tradicional ao automatizar a classificação de pares incertos, reduzindo assim a dependência de revisão manual sem sacrificar a precisidade. O estudo conclui que o aprendizado de máquina supervisionado pode melhorar a qualidade da vinculação e reduzir perdas estruturais de vinculação em bases de dados de saúde administrativas.

Os autores enfatizam que, embora as métricas de desempenho agregadas para ambas as abordagens tenham sido altas, a abordagem de aprendizado de máquina recuperou um maior número de vínculos reais. Eles observam que os métodos probabilísticos tradicionais podem sofrer de "perdas estruturais", onde correspondências potenciais são excluídas durante a etapa inicial de bloqueio devido a suposições rígidas de variáveis (ex: município de residência estável). Em contraste, o modelo supervisionado demonstrou maior flexibilidade na identificação de correspondências reais.

O estudo reconhece limitações, incluindo o potencial viés introduzido pelo processo de revisão manual usado para criar o padrão-ouro e o uso do algoritmo Soundex baseado em inglês para nomes em português. No entanto, os autores argumentam que a estratégia de bloqueio de múltiplas passagens e o uso de múltiplas medidas de similaridade mitigaram esses problemas. Os achados sugerem que o aprendizado de máquina supervisionado é uma estratégia viável para escalar a vinculação de registros em sistemas nacionais de informação de saúde, embora uma validação adicional em diversos conjuntos de dados seja recomendada.