[发明专利]一种基于核心信息的Jaro-Winkler算法的多源数据匹配方法

说明书

本发明公开了一种基于核心信息的Jaro‑Winkler算法的多源数据匹配方法，包括一下步骤：预处理，将待匹配的EMR（电子病历系统）数据和慢性病监测系统中的数据进行预处理；第一次匹配，预处理完成的数据中随机选取3000条慢性病监测数据，与所有EMR（电子病历系统）数据进行人工匹配，获得的匹配结果作为金标准；然后对两组数据进行遍历，通过4个核心字段分别计算获得4个Jaro距离值，文本相似性中向量之间的夹角余弦值来判断向量之间的相似性大小。有益效果：能有效提高查漏报与去除重卡等工作的效率，将防保科日常业务与科研进行了紧密结合。应用于日常数据查漏与填报工作中，节约了人力关系的成本，并且方便快捷，适宜推广。

技术领域

本发明涉及医疗数据匹配领域，具体来说，涉及一种基于核心信息的 Jaro-Winkler算法的多源数据匹配方法。

背景技术

随着科学技术的发展，越来越多的最新科技成果如人工智能辅助诊断、模 式识别、达芬奇手术机器人技术被应用于临床工作中，但是相比临床一线，位 于二线的医院管理工作相对发展滞后，很多的医院的管理工作中仍然沿用了上 个世纪“人力+纸笔”的工作模式。尽管近几年来医院信息化水平突飞猛进， 但是不同地区，不同医院之间发展的不协调不充分问题仍然很突出。

近年来国内外研究与评价工作将监测数据与其他来源的慢性病数据进行 了匹配并综合分析，得到了不错的效果。但在匹配过程中发现，作为核心匹配 信息的身份证号(或住院号)在其他来源的数据(包括部分历史调查数据等) 中缺失或错误的比例偏高，或者部分数据因为安全或隐私保护考虑不提供身份 证号等敏感信息(医疗资料、社保数据等)，导致匹配不足从而影响研究的准 确性。为此这些研究中只能采用人工的方式对基本信息进行组合匹配，耗时耗 力，而且人员的数据处理经验及敏感程度极大的制约了工作的效率与结果的准 确率。此外，在慢病监测日常工作中，重卡查询，死亡补发匹配等多个业务场 景也需要进行大量的人工匹配操作。

因此研究一种科学高效的数据匹配技术并开发适宜工具能够更深入开发 监测数据并整合利用多来源慢性病数据，推动慢性病监测与控制工作迈向新阶 段。

针对相关技术中的问题，目前尚未提出有效的解决方案。

发明内容

针对相关技术中的问题，本发明提出一种基于核心信息的Jaro-Winkler 算法的多源数据匹配方法，以克服现有相关技术所存在的上述技术问题。

本发明的技术方案是这样实现的：

一种基于核心信息的Jaro-Winkler算法的多源数据匹配方法，包括以 下步骤：

预处理，将待匹配的EMR(电子病历系统)数据和慢性病监测系统中 的数据进行预处理；

第一次匹配，预处理完成的数据中随机选取3000条慢性病监测数据， 与所有EMR(电子病历系统)数据进行人工匹配，获得的匹配结果作为金 标准；

然后对两组数据进行遍历，通过4个核心字段分别计算获得4个Jaro 距离值，文本相似性中向量之间的夹角余弦值来判断向量之间的相似性大 小；

根据单字段或者不同字段组合计算综合指数D值，将人工匹配的结果 作为金标准绘制D值的ROC曲线，通过比较曲线下面积选择最佳字段组 合方式，并获得各种组合下的D值的最佳切点；

剩余慢性病监测数据作为回代检验数据，与所有EMR(电子病历系统) 数据进行遍历比较，通过4个核心字段分别计算获得4个Jaro距离值以及 综合指数D值，根据D值切点进行回代检验，判断检验效果；

第二次匹配，通过随机函数将原3000条慢性病监测数据中的核心字段 里的信息进行增、删、改操作，建立误差样本库；

将误差样本库再次与所有EMR(电子病历系统)数据进行遍历比较， 分别计算获得4个Jaro距离值以及综合指数D′值；