《BMC Digital Health》:Patient deduplication in Uganda’s electronic medical records system: a comparison of three classification algorithms
编辑推荐:
背景
重复的患者记录对乌干达的医疗注册系统和电子医疗记录(EMR)系统构成重大挑战,主要原因是缺乏全国统一的患者唯一标识符。这些重复记录导致患者护理碎片化、资源分配不当以及数据报告不准确,从而阻碍对疾病进展的有效监测、中断护理的连续性,并使追踪患者结局的努
背景
重复的患者记录对乌干达的医疗注册系统和电子医疗记录(EMR)系统构成重大挑战,主要原因是缺乏全国统一的患者唯一标识符。这些重复记录导致患者护理碎片化、资源分配不当以及数据报告不准确,从而阻碍对疾病进展的有效监测、中断护理的连续性,并使追踪患者结局的努力复杂化。本研究评估了三种分类算法在识别HIV感染者(PLHIV)重复记录中的表现,并考察了哪些人口统计学变量支持可靠的患者匹配。
方法
本研究采用六步去重流程,包括数据集提取、预处理、索引、比较、分类和性能评估。从UgandaEMR系统中提取2022年6月至11月期间活跃护理的PLHIV记录——该系统安装在Rwenzori地区六个区的15个公共卫生设施。数据集包括人口统计学变量,即名字、中间名、姓氏、性别、年龄、出生日期、地址和电话号码。评估了三种分类算法:基于阈值的算法、加权平均得分方法(其中变量权重根据区分重要性分配并迭代优化)以及决策树(基于规则标签训练,并由于缺乏完全标记的真实世界数据集而使用包含1,000条记录(500份原始和500份重复)的合成参考数据集进行评估)。使用灵敏度、特异度和F分数指标评估算法性能。
结果
共提取了2022年6月至11月Rwenzori地区活跃护理的44,717条PLHIV记录。在配对水平(156,700个候选对)上,加权平均得分算法识别出447个匹配和2,996个潜在匹配,而基于阈值的算法识别出118个匹配和8,560个潜在匹配。在记录水平上,加权平均得分算法标记了2,459条记录(5.8%)为重复,而基于阈值的算法标记了223条记录(0.5%)为重复。在合成参考数据集上,加权平均得分算法取得了最高性能:灵敏度(99.0%)、特异度(98.8%)和F分数(98.9%),其次为决策树和基于阈值的方法。
结论
加权平均得分算法实现了最佳性能。研究结果强调,可以利用少量人口统计学变量的组合来区分PLHIV。然而,在缺乏完全验证的金标准的情况下,这些性能指标应解释为受控条件下的算法基准,而非真实世界有效性的估计。大规模改进重复记录检测将需要在代表乌干达PLHIV人群的更大、独立标记的数据集上进行验证。
研究背景
在乌干达,电子医疗记录(EMR)系统已广泛采用,显著改善了患者护理和安全,并降低了医疗成本。然而,随之出现数据质量问题,尤其是重复患者记录。由于缺乏全国统一的患者唯一标识符(UID),患者在不同医疗机构间的记录匹配困难重重。乌干达实行抗逆转录病毒治疗(ART)服务分散化系统,HIV感染者(PLHIV)可在任何认证的医疗机构接受治疗,这导致同一PLHIV因药物补给而产生重复记录。尽管已实施指纹系统和国家身份证号码(NIN)等解决方案,但其覆盖率和与健康信息系统的整合仍存在缺口。重复记录导致护理碎片化、资源错配及数据报告不准确,阻碍疾病进展监测和患者结局追踪。为此,研究人员系统评估了三种分类算法在识别PLHIV重复记录中的性能,并确定了支持可靠匹配的关键人口统计学变量。该研究发表于《BMC Digital Health》。
关键技术与方法
研究人员采用六步去重流程:数据集提取、预处理、索引、比较、分类和评估。数据来源为乌干达Rwenzori地区六个区15个公共卫生设施的UgandaEMR系统,提取2022年6月至11月间活跃护理的44,717条PLHIV记录,变量包括名字、中间名、姓氏、性别、年龄、出生日期、地址和电话号码。关键技术包括使用双Metaphone音素编码进行阻塞索引以减少比较对(从约20亿对降至156,700个候选对);采用Jaro-Winkler和Levenshtein字符串比较器计算相似度;评估三种算法:基于阈值的算法(SimSum得分)、加权平均得分算法(基于区分重要性分配权重并迭代优化)以及决策树(基于规则生成标签,并利用合成参考数据集(1,000条记录)进行验证)。性能评估使用灵敏度、特异度和F分数指标。
研究结果
- 候选对生成与阻塞:通过阻塞索引,研究人员从初始约20亿对中生成156,700个候选对,显著减少计算负担。
- 算法分类结果:在配对水平上,加权平均得分算法识别出447个匹配(0.3%)和2,996个潜在匹配(1.9%);基于阈值的算法识别出118个匹配(0.1%)和8,560个潜在匹配(5.5%)。决策树结果仅作探索性分析,因其标签来源于被比较的规则方法。
- 记录水平重复计数:在记录水平上,加权平均算法标记了2,459条记录(5.8%;95% CI: 5.5%-6.0%)为重复,而阈值算法标记了223条(0.5%;95% CI: 0.4%-0.6%)。部分手动审查显示,150个匹配对中92%被确认为真重复,300个潜在匹配对中61.3%被确认为重复。
- 算法在基准数据集上的表现:在合成基准数据集上,加权平均算法达到最高性能:灵敏度99.0%、特异度98.8%、F分数98.9%,优于基于阈值和决策树算法。
- 观察到的重复模式:重复记录常见于名字有微小变异(如“Semaganda”与“Ssemaganda”)、名字数量不同、跨机构治疗等情况。拥有NIN记录的客户更易识别重复。
讨论与结论
讨论部分指出,加权平均算法在识别重复记录中表现最佳,但存在一些局限性:缺乏完全验证的金标准导致性能指标仅为受控条件下的基准;数据变量完整性低(如电话号码仅71%完整)影响匹配准确性;研究局限于Rwenzori地区15个设施,结果泛化性有限;算法无法识别记录完全不同的重复客户。研究人员建议加大NIN捕获力度、实施数据验证检查,并在设施层面整合加权平均算法。未来需在更大规模、独立标记的数据集上验证,并探索数据驱动权重估计。
翻译研究结论:综上所述,随着乌干达继续寻求最佳的国家患者唯一标识符(UID),本研究的发现为患者记录去重提供了可行的临时解决方案。从纸质到电子医疗记录的转变要求开发更复杂的患者匹配和去重算法。全面评估确定,加权平均得分匹配算法优于传统方法,成功识别了相当比例的重叠或潜在重复记录。本研究还显示了数据完整性对匹配算法性能的影响,并强调了UgandaEMR开发团队与合作伙伴合作改进数据录入实践的必要性。尽管短期内有效,但在缺乏全国实施且持续整合的唯一标识符的情况下,这类算法方法仍是一种权宜之计,且鉴于上述验证限制,性能主张应谨慎解读。持续对UID系统的投资对于实现患者级数据准确性的持续改善至关重要。它将提高系统级互操作性,促进EMR与DHIS2等国家平台之间的无缝数据交换。虽然本研究表明监督学习方法可以支持患者匹配,但其有效性强烈依赖于高质量标记数据的可用性。在建立更永久的识别系统之前,设计良好的概率方法为解决乌干达当前EMR去重挑战提供了实用且稳健的解决方案。