Idan Suliman™ DATA ANALYSIS · EXPERT OPINION

· מאת

קישור רשומות בין מערכות: איך מודדים את איכות הקישור ואת השפעתו על התוצאות?

עיבוד למדריך של הרון ועמיתיה (2017): סוגי טעויות קישור, שלוש דרכים למדוד איכות קישור, איך הטעויות מעוותות תוצאות ומה לדרוש ממי שביצע את הקישור.

ארגונים, רשויות ובתי חולים אוספים נתונים לצרכים תפעוליים, לא לצורכי מחקר. כדי להפיק מהם ידע יש לחבר רשומות של אותו אדם ממערכות שונות, למשל רשומות אשפוז למרשם תמותה או רשומות של אם לרשומות התינוק שלה. החיבור הזה (record linkage) הוא שלב שקט שקודם לכל ניתוח, ולעיתים קרובות גם השלב שאיש אינו בודק. המאמר ״מדריך להערכת איכות קישור לצורך ניתוח נתונים מקושרים״ של קייטי הרון ועמיתיה מ-London School of Hygiene and Tropical Medicine ומ-University College London, שפורסם ב-2017 בכתב העת International Journal of Epidemiology ברישיון פתוח, מציג שלוש דרכים מעשיות להעריך את איכות הקישור ואת השפעתה על התוצאות, ומדגים אותן על נתוני אשפוז לאומיים מאנגליה. אנו מביאים כאן עיבוד מקוצר שלו, משום שהשאלה ״עד כמה אפשר לסמוך על חיבור הרשומות״ עולה באותה חריפות בניתוח נתונים לצורכי הליך משפטי או ביקורת בארגון.

מדוע קישור רשומות נוטה לטעויות?

ברוב המאגרים המנהליים אין מזהה אישי ייחודי שמופיע בכל המערכות. הקישור נשען על פרטים כמו שם, תאריך לידה, מין או מיקוד, שעלולים להיות שגויים, חסרים או משתנים לאורך זמן. שתי משפחות של שיטות מקובלות:

  • קישור דטרמיניסטי: שתי רשומות מחוברות רק אם קבוצת שדות מוגדרת מראש מסכימה במדויק.
  • קישור הסתברותי: לכל זוג רשומות מחושב משקל התאמה לפי מידת ההסכמה בשדות השונים, וזוגות שמשקלם עובר סף שנקבע מראש נחשבים לאותו אדם.

קושי נוסף הוא ארגוני. מטעמי אבטחת מידע, גוף אחד מבצע את הקישור ומסיר את הפרטים המזהים, וגוף אחר מקבל את הנתונים ומנתח אותם. החוקר, המומחה או האנליסט רואה אפוא רק את התוצר, ואינו יכול לבדוק בעצמו אם החיבור נכון. גם מדדים כלליים כמו שיעור קישור אינם אומרים דבר על ההטיה באומדן הספציפי שמעניין את המשתמש, וכיוון ההטיה קשה לחיזוי.

אילו סוגי טעויות קישור קיימים ומה הם עושים לתוצאות?

המאמר מבחין בין שני סוגי טעויות:

  • קישור שגוי (false match): רשומות של שני אנשים שונים חוברו יחד. טעות כזו מוסיפה רעש לנתונים, ובדרך כלל, אם כי לא תמיד, מחלישה קשרים אמיתיים ומטה אותם לכיוון האפס.
  • החמצה (missed match): רשומות של אותו אדם לא חוברו. התוצאה המיידית היא מדגם קטן יותר ועוצמה סטטיסטית נמוכה יותר. כאשר הקישור ״אינפורמטיבי״, כלומר הסיכוי להחמצה תלוי במאפייני האדם, נוצר גם תת-איתור של חשיפות או של תוצאות.

הנקודה המרכזית היא שהטעויות אינן אקראיות. מחקרים שהמאמר מצטט מראים שרשומות של מיעוטים אתניים, של אוכלוסיות מוחלשות ושל אנשים במצב בריאותי ירוד, וכן רשומות עם נתונים חסרים, מוחמצות בתדירות גבוהה יותר. לכך שתי השלכות: התוקף החיצוני נפגע, משום שהמדגם המקושר אינו מייצג את האוכלוסייה, והשוואות בין קבוצות מתעוותות. חמור מכך, כאשר ההכללה בניתוח תלויה גם בחשיפה וגם בתוצאה, הוצאת הרשומות הלא מקושרות יוצרת הטיית בחירה (collider bias) ועלולה להוליד קשרים מדומים שאינם קיימים במציאות.

איך מודדים איכות קישור?

המדדים הבסיסיים במאמר הם שיעור הקישור (חלק הרשומות שחוברו), רגישות (חלק הזוגות האמיתיים שאותרו), ערך ניבוי חיובי (חלק הזוגות שאותרו שהם אכן אמיתיים) ושיעור הקישור השגוי (מספר הקישורים השגויים חלקי מספר הרשומות שקושרו). המחברים ממליצים שלא להסתמך על ספציפיות ועל מדד F, משום שמספר אי-ההתאמות האפשריות גדול לאין ערוך ממספר ההתאמות, ומשום שקשה להשוותם בין מאגרים בגדלים שונים.

מעבר למדדים, המאמר מציע שלוש גישות הערכה:

  • השוואה לתקן זהב: מפעילים את אלגוריתם הקישור על תת-קבוצה שבה מצב ההתאמה האמיתי ידוע, ומחשבים ישירות את שיעור הקישור השגוי ואת ההחמצות. זו הדרך הישירה ביותר, אך היא דורשת נתוני תקן זהב מייצגים ולרוב גם את שיתוף הפעולה של הגוף המקשר.
  • השוואת רשומות מקושרות ללא מקושרות: בודקים אילו תת-קבוצות מיוצגות ביתר או בחסר בין הרשומות שלא קושרו, באמצעות הפרשים מתוקננים (0.2, 0.5 ו-0.8 נחשבים להפרש קטן, בינוני וגדול). הגישה מתאימה כאשר מצפים שרוב הרשומות יקושרו, ולא כאשר הבדלים שיטתיים צפויים מראש, למשל בקישור למרשם תמותה.
  • ניתוחי רגישות: משנים את כללי הקישור, למשל מעלים את סף ההחלטה או משתמשים בקישור דטרמיניסטי בלבד, ובודקים אם תוצאות הניתוח משתנות. לשם כך די במשקלי ההתאמה או בתיעוד שלבי ההחלטה, שאינם מידע מזהה ואפשר למסור אותם לחוקר.

מה מלמדת הדוגמה של רשומות אימהות ותינוקות באנגליה?

המחברים מדגימים את שלוש הגישות על קישור רשומות לידה של אימהות לרשומות של תינוקותיהן במאגר האשפוזים הלאומי של אנגליה (Hospital Episode Statistics). שלב דטרמיניסטי שדרש הסכמה מלאה בבית החולים, גיל האם, שבוע ההיריון, מין התינוק, סדר הלידה וקוד רופא המשפחה קישר רק 42 אחוזים מרשומות התינוקות. הוספת שלב הסתברותי עם משתנים נוספים, כמו תאריכי קבלה ואופן הלידה, העלתה את שיעור הקישור ל-98 אחוזים.

לבניית תקן זהב נאספו 83,195 לידות מ-15 יחידות מיילדות בין אפריל 2012 למרץ 2013, ורשומותיהן קושרו למאגר הלאומי על ידי הגוף הממשלתי האחראי באמצעות מספר הזיהוי הרפואי הלאומי, תאריך לידה, מין ומיקוד. לאחר הוצאת מקרים לא ודאיים נותרו 72,817 רשומות. מולן נבדק האלגוריתם המקורי: 99.6 אחוזים מהרשומות קושרו, הרגישות הייתה 98.7 אחוזים, ערך הניבוי החיובי 99.1 אחוזים ושיעור הקישור השגוי 0.9 אחוזים (636 מתוך 72,520).

השוואת הרשומות שבהן נפלה טעות קישור להתאמות האמיתיות העלתה שהחמצות וקישורים שגויים שכיחים יותר בלידות מרובות עוברים, בפגים ובתינוקות במשקל לידה נמוך, באימהות בלידה ראשונה, באימהות שאינן לבנות, ובעיקר ברשומות עם נתונים חסרים. כמה מההפרשים המתוקננים הגיעו לרמה בינונית: שבוע ההיריון ומשקל הלידה (0.7 בשני סוגי הטעות), לידה מרובת עוברים (0.6 בקישורים השגויים), ובהחמצות גם לידה ראשונה, מצב רפואי של היילוד ומשך האשפוז שלו (0.6-0.7).

ניתוחי הרגישות הראו תמונת ראי צפויה: העלאת סף ההחלטה ממשקל 20 ל-45 הורידה את שיעור הקישור השגוי ל-0.3 אחוזים אך העלתה את ההחמצות ל-10.7 אחוזים, וקישור דטרמיניסטי בלבד הביא לקישור שגוי של 0.1 אחוזים בלבד במחיר החמצה של 51.5 אחוזים. ההשפעה על התוצאות הייתה תלויה בשאלה הנחקרת:

  • שיעור הפגים (7.65 אחוזים בתקן הזהב) ושיעור לידות המת (0.47 אחוזים) כמעט לא השתנו בין שיטות הקישור.
  • הקשר בין גורמי סיכון בלידה להישרדות התינוק היה מובהק בתקן הזהב (יחס סיכויים 0.40), אך בקישור הדטרמיניסטי בלבד הוא הפך ללא מובהק (0.52, רווח בר-סמך 0.22-1.25). כאן הבעיה היא אובדן עוצמה.
  • בין אימהות שחורות ללבנות לא היה קשר אמיתי לגורמי סיכון בלידה (יחס סיכויים 0.98), אך בקישור הדטרמיניסטי הופיע קשר ״מגן״ מדומה ומובהק (0.80, רווח בר-סמך 0.66-0.96). זו הטיית בחירה: ההחמצות לא היו אקראיות.

מה לדרוש ממי שביצע את הקישור, ומה לדווח?

משתמש בנתונים מקושרים אינו יכול לוותר על הערכת איכות הקישור, גם כשלא ביצע אותו. המחברים ממליצים:

  • לעבוד בשיתוף פעולה עם הגוף המקשר ולבקש תיאור של שיטת הקישור, המשתנים ששימשו לה ואיכות הנתונים בכל מקור.
  • לבקש את משקלי ההתאמה או את תיעוד שלבי ההחלטה, כדי לאפשר ניתוחי רגישות ללא גישה לנתונים מזהים.
  • לבקש מאפיינים, ברמת הרשומה או ברמה מצרפית, של הרשומות שלא קושרו.
  • לדווח על תוצאות ההערכה ועל השינוי בתוצאות בין תרחישי קישור, בהתאם להנחיות GUILD לשיתוף מידע בין ספקי נתונים, מקשרים וחוקרים.

המאמר מוסיף שתי בדיקות שאינן דורשות תקן זהב: הרצת האלגוריתם על זוגות שידוע שאינם מתאימים, למשל רשומות של גברים מול רשומות מיילדות, ובדיקות עקביות לאחר הקישור, כמו אשפוז שנרשם אחרי מועד הפטירה. המחברים מזהירים גם שתקן הזהב עצמו עלול להיות לא מייצג: בתי החולים שסיפקו אותו הציגו איכות נתונים טובה מהממוצע.

מה עושים כשמזהים הטיה?

כאשר ההערכה מגלה הטיה, המאמר מציע כמה דרכי פעולה: במערכי מקרה-ביקורת אפשר לזהות את המקרים בסף קישור גבוה ואת הביקורות בסף נמוך, בהנחה שאין הטיות אחרות, ולהוציא מהניתוח את הרשומות שקישורן אינו ודאי; אפשר להשתמש בהשלמה מרובה (multiple imputation), ובפרט בהשלמה המסתמכת על משקלי ההתאמה כמידע מוקדם, כדי לנצל גם רשומות שקישורן אינו ודאי; ואפשר להפעיל ניתוח הטיה כמותי שמתקן את האומדנים לפי שיעורי הטעות הידועים. בכל מקרה, ההערכה צריכה להתבצע לפני שמחליטים על עיצוב הניתוח, לא אחריו.

מנקודת המבט שלנו, כאשר חוות דעת מומחה או תביעה ייצוגית נשענות על חיבור של מאגרים שונים, איכות הקישור היא הנחת יסוד סמויה של כל מספר שמוצג אחר כך. תיעוד שיטת הקישור, שיעורי הטעות והשינוי בתוצאות בין תרחישים הוא מה שמאפשר לצד השני, ולבית המשפט, להבחין בין ממצא לבין תוצר לוואי של האלגוריתם.

מה קובע חוק תובענות ייצוגיות כשלא ניתן לזהות את חברי הקבוצה?

סעיף 20(ג)(1) לחוק תובענות ייצוגיות קובע שאם בית המשפט מצא שפיצוי כספי לחברי הקבוצה ״אינו מעשי בנסיבות הענין, בין משום שלא ניתן לזהותם ולבצע את התשלום בעלות סבירה ובין מסיבה אחרת״, הוא רשאי להורות על סעד אחר לטובת הקבוצה או לטובת הציבור. סעיף 20(א)(3) מסדיר מה נעשה ביתרה של פיצוי בסכום כולל, בין השאר כשחבר קבוצה ״לא אותר״. זיהוי חברי הקבוצה נשען לא פעם על קישור בין מאגרים, למשל בין רשומות עסקאות לפרטי לקוחות, ולכן שיעורי ההחמצה והקישור השגוי משפיעים לא רק על אומדן הנזק אלא גם על השאלה כמה מחברי הקבוצה אפשר לזהות ולפצות ישירות.

מקורות

  • Harron, K. L., Doidge, J. C., Knight, H. E., Gilbert, R. E., Goldstein, H., Cromwell, D. A. & van der Meulen, J. H. (2017). A guide to evaluating linkage quality for the analysis of linked data. International Journal of Epidemiology 46(5), 1699-1710. doi:10.1093/ije/dyx177. רישיון CC-BY 4.0.
  • Gilbert, R., Lafferty, R., Hagger-Johnson, G. et al. (2017). GUILD: Guidance for Information about Linking Datasets. Journal of Public Health (Oxford) 40(1), 191-198.
  • Harron, K., Wade, A., Gilbert, R., Muller-Pebody, B. & Goldstein, H. (2014). Evaluating bias due to data linkage error in electronic healthcare records. BMC Medical Research Methodology 14, 36.
  • חוק תובענות ייצוגיות, התשס״ו-2006, סעיפים 20(א)(3) ו-20(ג)(1).

פנו אלינו