Análise da Efetividade de Comparadores de Strings para Discriminar Pares Verdadeiros de Pares Falsos no Relacionamento de Registros

• Sergio Miranda Freire UERJ
• Rita de Cássia Braga Gonçalves Agência Nacional de Saúde Suplementar
• André Cipriani Bandarra Agência Nacional de Saúde Suplementar
• Miguel Gustavo Taranto Villela Agência Nacional de Saúde Suplementar
• Alexandre Meire Agência Nacional de Saúde Suplementar
• Maria Deolinda Borges Cabral UFRJ
• Rosimary Terezinha de Almeida UFRJ

Resumo

Este artigo visa a analisar a efetividade de oito comparadores de strings utilizados em processos de vinculação de registros. Um conjunto de pares verdadeiros de nomes foi identificado nas bases de dados brasileiras da Comunicação de Internação Hospitalar e do Sistema de Informação do Beneficiário. A partir deles, uma base de pares falsos foi gerada e então os diversos comparadores de strings foram utilizados em cada par de nomes. Para cada comparador, foi construída uma curva ROC, e a sua área e o tempo médio para realizar a comparação foram calculados. Os algoritmos tiveram desempenho global similar, mas resultados mais conclusivos irão exigir uma amostra maior e mais representativa dos nomes brasileiros.

Referências

Apache Commons Project (2008), “Implementations of common encoders and decoders”. [link]. Último acesso em 10/03/2009.

Bell, G.B. and Sethi, A. (2001), “Matching Records in a National Medical Patient Index”, Communications of the ACM, 44(9):83–88.

Camargo, K.R., Coeli, C.M. (2000), “Reclink: aplicativo para o relacionamento de bases de dados, implementando o método probabilistic record linkage”, Cad. Saúde Pública, 16(2):439-447.

Camargo, K.R., Coeli, C.M. (2007), “Reclink III: Relacionamento Probabilístico de Registros, Versão 3.1.6.3160. Manual, Rio de Janeiro.

CCS-SIS (1998), “Tfonetizar. Consórcio de Componentes de Software para Sistemas de Informação em Saúde”. [link]. Último acesso em 10/03/2009.

Cohen, W.W., Ravikumar, P. and Fienberg, S.E. (2003), “A Comparison of String Distance Metrics for Name-Matching Tasks”. [link]. Último acesso em 11/01/2009.

Elfeky, M.G., Verykios, V.S. and Elmagarmid, A.K. (2002), “TAILOR: A Record Linkage Toolbox”. In Proc. of the 18th Int. Conf. on Data Engineering. IEEE, 2002.

Fellegi, L.and Sunter, A (1969), “A Theory for Record Linkage”. Journal of the American Statistical Society, 64:1183–1210.

Jaro, M. A. (1978), "UNIMATCH: A Record Linkage System, User's Manual," Washington, DC: U.S. Bureau of the Census.

Jaro, M. A. 1995. Probabilistic linkage of large public health data files (disc: P687-689). Statistics in Medicine 14:491–498.

Kelman, C.W., Bass, A.J. and Holman, C.D. (2002), “Research use of linked health data - a best practice protocol”. Aust N Z J Public Health, 26:251–255.

McCallum, A., Nigam, K. and Ungar, L. (2000), “Learning to Match and Cluster Large High-Dimensional Data Sets for Data Integation”. In Proc. of the Sixth Int. Conf. on KDD, p. 169–170.

Monge, A. and Elkan, C. (1996). The field-matching problem: algorithm and applications. In Proceedings of the Second International Conference on Knowledge Discovery and Data Mining.

NLP Group (2009), “SimMetrics, an open source extensible library of Similarity or Distance Metrics”. [link]. Último acesso em 10/03/2009.

Stephen, G. A. (1994), String Searching Algorithms. World Scientific Publishing Co. Pte. Ltd.

Winkler, W. E. (1994), “Advanced Methods for Record Linkage”, US Census Bureau Report RR94/05. [link]. Último acesso em 10/03/2009.

Winkler, W.E., McLaughlin, G., Jaro, M. And Lynch, M. (1994), “strcmp95.c Version 2”. [link]. Último acesso em 10/01/2009.

Yancey. W. (2005), “Evaluating String Comparator Performance for Record Linkage”, Report RRS2005/05, US Bureau of the Census.: [link]. Último acesso em 10/01/2009.