De posse do SIVEP-Gripe devidamente deduplicado, armazenado no objeto {sivep_dedup}, vamos prosseguir fazendo um linkage com o SIM.

No SIM de Rosas temos uma base de dados sintética somente com as variáveis: nomes, nome da mãe e data de nascimento, não existindo uma variável com identificador único como o número do CPF. Isto fará com que o linkage entre as bases tenha de ser realizado com menos informações.

Você deve ter percebido que nas bases de dados exportadas nos sistemas reais, tanto para o SIVEP-Gripe quando para o SIM, existiriam outras variáveis que poderiam nos apoiar neste pareamento de dados, como a evolução do caso e a data da evolução no SIVEP-Gripe, e a data de óbito no SIM junto a causa associada da morte, por exemplo.

Neste exemplo de linkage optamos por introduzir apenas a causa básica principal (CAUSABAS) para ilustrar algumas possibilidades de análise e estimulá-lo a experimentar em seu dia a dia. Vamos lá!

Em um primeiro passo vamos importar os registros fictícios do Sistema de Informação de Mortalidade (SIM) do Estado de Rosas, uma base de nome DO_ROSAS.csv. Não iremos realizar nenhum tipo de filtragem nesta base, ou seja, utilizaremos o arquivo com todas as suas variáveis. Você irá observar que o arquivo do SIM de Rosas possuí algumas das principais causas de morte no estado.

Vamos lá! Copie e cole o código a seguir em seu RStudio para importar a base de dados de óbitos de Rosas:

# Carregando a base de dados
do_rosas <- read_csv2("Dados/DO_ROSAS.csv")

Conforme vimos neste curso, será necessário fazer a deduplicação da base para executar o linkage, por isso faremos agora todos os passos que você aprendeu de uma única vez. Fique atento que agora teremos somente três campos em compare_pairs() e, portanto, o valor select_threshold() é de no máximo 3 e usaremos aqui o valor de 2.7, ou seja, 90% de similaridade.

Acompanhe o script a seguir e replique-o em seu RStudio:

# Criando um novo objeto de linkage `p5` a partir do objeto `sivep_dedup`
p5 <- sivep_dedup |>
  
  # Realizando a blocagem dos dados pela variável "sexo" com uso da
  # função pair_blocking(), e realizando o linkage com objeto do_rosas
  pair_blocking(do_rosas, blocking_var = "sexo") |>
  
  # Filtrando os pares para deduplicação com a função
  # filter_pairs_for_deduplication()
  filter_pairs_for_deduplication() |>
  
  # Comparando os pares das colunas selecionadas com a
  # função compare_pairs()
  compare_pairs(
    by = c("nome", "data_nasc", "nome_mae"),
    default_comparator = jaro_winkler(0.9)
  ) |>
  
  # Calculando o escore de similaridade com a função score_simsum()
  score_simsum() |>
  
  # Definindo um ponto de corte de 2.7 com a função select_threshold()
  select_threshold(2.7) |>
  
  # Adicionando a variável de identificação a partir da coluna x
  add_from_x(nu_not = "nu_notific") |>
  
  # Adicionando a variável de identificação a partir da coluna y
  add_from_y(nu_do = "nu_do")

Pronto! Com o objeto {p5} que criamos com a base do SIM deduplicada, identificaremos agora quantos linkages entres os dois bancos foram encontrados. Para isso filtramos as variáveis utilizando a função select() igual a TRUE .

Acompanhe o script a seguir e replique-o em seu RStudio:

# Criando objeto com identificação do linkage entre os dois bancos
ident <- p5 |>
  
  # Transformando em um objeto de tabela no formato tibble
  as_tibble() |>
  
  # Filtrando as linhas de acordo com a variável select
  filter(select)

# Visualizando o número de linhas no objeto ident
nrow(ident)

#> [1] 2417

Observe que ao utilizar o comando nrow(ident) obtivemos um resulto indicando que temos 2.417 registros de óbitos no SIVEP-Gripe de Rosas. Agora vamos fazer uma etapa semelhante à utilizada anteriormente para saber quantos óbitos estão registradas no SIM de Rosas.

Acompanhe o script a seguir e replique-o em seu RStudio:

loc_do <- do_rosas |>
  
  # Filtrando os números da Declaração de Óbito (do) presentes no objeto ident
  # com uso da função filter()
  filter(nu_do %in% ident$nu_do)

# Visualizando o número de linhas no objeto loc_do
nrow(loc_do)

#> [1] 2410

Você deve ter percebido que com o dado que manipulamos foi possível descobrir à priori que o SIM contém 2.410 óbitos. Ou seja, encontramos 7 óbitos a mais comparando o SIVEP-Gripe ao SIM. Dessa forma, podemos inferir que estes registros adicionais poderão ser, provavelmente, óbitos que não foram relatados no SIM mas estão no SIVEP-Gripe.

Vamos agora, dar mais um passo e inspecionar a Classificação Internacional de Doenças (CID-10) contida na variável CAUSABAS desses registros identificados! Acompanhe o script a seguir e replique-o em seu RStudio:

# Calculando a tabela de frequência de CIDs com a função table()
table(loc_do$CAUSABAS)

#> 
#> B342 B972 C159 C679  G20  I10 I251 I619 J129 J189 N390  R99 U071 
#> 2390    2    1    1    1    1    1    1    1    4    2    2    3

Podemos ver no output acima que mais de 99% dos registros linkados entre o SIVEP-Gripe e o SIM têm como causa básica o CID-10 = B342 (covid-19) e apenas 20 registros possuíam outros CID-10s.

Aqui estamos levando em conta as datas de internação no SIVEP-Gripe e a data do óbito registrada no SIM, o que seria extremamente importante visto que alguns óbitos de pessoas que estiveram internadas podem ter ocorrido por outras causas não relacionadas à internação registrada no SIVEP-Gripe.

Então vamos praticar! Listaremos a seguir os registros que não foram linkados mas que possuem o CID10 = B342 registrados no SIM como causa básica. Acompanhe o script a seguir e replique-o em seu RStudio:

# Criando uma nova tabela com o nome nao_loc
nao_loc <- do_rosas |>
  
  # Filtrando por registros que não foram *linkados e com CID B342 com o uso da 
  # função filter()
  filter(!(nu_do %in% ident$nu_do) & CAUSABAS == 'B342')

# Visualizando a tabela criada com o uso da função kable()
kable(nao_loc)

Tabela 11: Registros

Pronto. Agora precisamos utilizar o nome completo dos registros que ainda não foram localizados para buscá-los no SIVEP-Gripe.

Acompanhe o script a seguir e replique-o em seu RStudio:

sivep_dedup |> 
  
  # Filtrando os nomes presentes na tabela nao_loc com o uso da função filter()
  filter(nome %in% nao_loc$nome) |> 
  
  # Visualizando a tabela criada com o uso da função kable()
  kable()

Note acima que a pessoa de nome igual a “Gustavo Barros Barbosa” aparece três vezes em uma lista sendo que em duas vezes trata-se de duplicidade. Podemos inferir, neste caso, avaliando as variáveis nome da mãe e CPF, que a terceira menção trata-se de outra pessoa, ou seja, é apenas um homônimo.

É interessante observar que essa duplicidade não foi detectada na deduplicação do SIVEP-Gripe, possivelmente porque havia um NA em um dos registros. Os NA poderiam ser detectados e tratados antes da deduplicação, por exemplo, e caso sejam muitos você pode optar por não usar essa informação como chave de cruzamento entre bancos melhorando a sua acurácia de linkage. Outra opção é ser mais permissivo com os pontos de coorte do banco de dados e aplicar uma melhor similaridade na deduplicação (simsum).

Um linkage nunca é perfeito pode-se inclusive calcular a sensibilidade e especificidade de um pipeline de linkage que vai ser empregado desde que se tenha um padrão para comparação que pode ser uma revisão manual nos dados proveniente do linkage ou ainda um linkage manual de uma amostra. Para maiores detalhes consulte:

• Coutinho RGM et. al, 2008
• Coutinho ESF & Coeli CM , 2006