Revista Científica do IMAPES - Abril de 2004 Pág.

41

Técnicas de record linkage

e inteligência artificial
para a construção de um
data warehouse aplicado
à área de Saúde
Andréia Damásio de Leles*

RESUMO

Este artigo tem como objetivos discutir os desafios para a constru-

ção de um data warehouse (DW) com chave unívoca baseada em dados
não numéricos e evidenciar que essa tecnologia de informação pode ser
aplicada não somente com propósito comercial ou inteligência para negó-
cios. O DW seria o alicerce para o desenvolvimento de uma grande base
de dados de registros eletrônicos em saúde (RES), auxiliando médicos e
profissionais da área em suas tarefas rotineiras e, principalmente, para
suporte à decisão e às pesquisas científicas. No entanto, a construção de
um DW com essas características não é um trabalho trivial devido à inexis-
tência de uma chave unívoca para realizar a ligação de registros de dife-
rentes bases de dados. O foco é apresentar a complexidade das etapas de
limpeza e transformação de dados, fases que devem ser realizadas para a
criação da chave unívoca fidedigna, a qual identifica um indivíduo de forma
única. Assim, serão discutidas algumas técnicas já implementadas ou em
pesquisa, utilizadas nas etapas de limpeza e transformação dos dados
para construção de um DW específico à área de saúde. As técnicas discu-
tidas serão a de record linkage, machine learning (técnicas de inteligência
artificial) e data mining.

1. Introdução
A tecnologia da informação
está sendo amplamente utilizada
em saúde. Destacam-se nesta área
de atuação as seguintes aplicabili-
dades: os sistemas de informação
hospitalar (SIH), os sistemas de
apoio à decisão, os sistemas espe-
cialistas, a telemedicina, as redes
de comunicação digital para a saú-
de, as aplicações destinadas à saú-
de comunitária, o processamento
de sinais e imagens biológicas, o
controle e avaliação de qualidade
dos serviços de saúde, as aplicações
voltadas para a área educacional.
Além disso, com a grande utiliza-
ção dos recursos da Internet, jun-
tamente com os grandes avanços
na área de tecnologia de informa-
ção, as áreas de saúde e computa-
ção estão unindo esforços para ge-
rar uma grande base de dados de
RES (Cook; Olson; Dean, 2001).
Idealmente, um RES é o re-
gistro conciso e fidedigno da vida
de um indivíduo, não somente dos
eventos relacionados à doença, mas
também de informações de saúde,
tais como hábitos alimentares, prá-
tica desportiva e atividades de la-
zer. Todos os eventos relacionados
à saúde do indivíduo devem estar
registrados neste prontuário, do
nascimento à morte, agregados em
torno de um identificador único
ou chave unívoca. A informação
deve estar representada de tal modo
que a troca de informações entre
instituições e a recuperação de da-
dos sejam feitas de forma transpa-
rente para aqueles que estiverem
acessando a informação. Acima de
tudo, o RES deve atender aos re-
Pág. 42 Revista Científica do IMAPES - Abril de 2004
quisitos essenciais de integridade,
autenticidade, disponibilidade e
privacidade da informação.
Em computação, o RES
pode ser considerado uma grande
base de dados, que poderá otimi-
zar o trabalho de rotina dos pro-
fissionais da área de saúde como
também apoiar a decisão clínica e
auxiliar pesquisas.
Na área de saúde, médicos
e profissionais em suas atividades
rotineiras, como avaliação médi-
ca, definição de diagnóstico e
prescrição de tratamento clínico,
devem fundamentar-se em dados
históricos de um determinado
paciente que podem ser encontra-
dos no RES.
Também na área da pesqui-
sa clínica é indiscutível o avanço
que proporcionaria o RES, tornan-
do muito mais fácil a tarefa de co-
letar informações disponíveis nos
prontuários, de forma a ser a base
para gerar sistemas de informação
de apoio à decisão e permitir a ge-
ração de valiosas informações epi-
demiológicas. Da mesma forma, a
auditoria (controle de qualidade da
assistência médica) também seria
beneficiada pelo RES, otimizando
procedimentos e recursos na área
de saúde.
Assim, para que um médi-
co possa consultar um prontuário
eletrônico de um paciente que já
passou por diversos hospitais, clí-
nicas e consultórios em diferentes
localidades, é necessário antes de
tudo reunir e integrar todos esses
dados que provavelmente venham
de bases de dados diferentes, em
diferentes formatos. Uma das so-
luções, talvez a mais viável, seria
integrar e armazenar os dados de
diversas fontes em um único ban-
co de dados. Esse banco de dados
teria as características de um DW.
De acordo com a definição
de Inmon (1997), um DW é um
conjunto de dados, não volátil,
orientado a tópicos, integrado, que
varia com o passar do tempo e que
serve para o processo de tomada
de decisão da gerência.
Tradicionalmente, o DW é
a tecnologia de informação ampla-
mente empregada nas empresas
para geração de sistemas de apoio à
decisão com a finalidade de aumen-
tar a inteligência nos negócios, for-
necendo aos executivos, gerentes e
administradores dados e informa-
ções históricas empresariais, as quais
são a base concreta para a tomada
A existência de diversas
bases de dados
informatizadas em
diferentes localidades,
desenvolvidas com
características
diferentes, faz com que
a integração de dados
totalmente
padronizados não seja
uma tarefa fácil
de decisão em busca da eficácia e
competitividade de mercado em
diferentes áreas, incluindo teleco-
municações, varejo, atividades ban-
cárias, financeiras e outras.
Entretanto, as vantagens do
DW não estão limitadas ao comér-
cio e à inteligência nos negócios.
Esta tecnologia oferece grandes
vantagens para a área de saúde,
mais especificamente para a gera-
ção do RES, devido as suas princi-
pais características como armaze-
namento e retenção de dados his-
tóricos e de possuir a capacidade
de tratar grandes volumes de da-
dos. Portanto, o RES seria uma
grande base de dados que teria
dupla aplicação: auxiliar as ativi-
dades rotineiras de médicos e ou-
tros profissionais da área e gerar
sistemas de suporte à decisão, ser-
vindo como ferramenta de apoio
em pesquisas científicas e epide-
miológicas, com a finalidade de
proporcionar melhorias e avanços
dos serviços de saúde.
2. Construção de um Data
Warehouse para Saúde
Universalmente, os projetos
de DW requerem infra-estrutura
e arquitetura (Inmon, 1997). Para
a área de saúde, esses requisitos não
são diferentes, sendo necessários os
seguintes procedimentos:
loReunião de dados de di-
ferentes bases;
loIntegração dos dados (a
parte complexa da arquitetura) em
uma única estrutura física;
loTratamento de grande vo-
lume de dados;
loPreparação de dados para
análise;
loOrganização dos dados no
nível de granularidade mais baixo
no ponto em que a flexibilidade
seja mais importante.
A existência de diversas ba-
ses de dados em saúde informati-
zadas, em diferentes localidades,
desenvolvidas com características
diferentes, faz com que a integra-
ção de dados totalmente padroni-
zados, disponibilizando-os de for-
ma rápida e precisa para análise,
não seja uma tarefa fácil.
A complexidade está na exe-
cução dos processos de extração,
transformação e carga dos dados
(ETC). Inmon (1997) estimou que
80% do tempo gasto na constru-
ção de um DW seria em ETC, sen-
do que esse fato demonstra, de ma-
neira clara, a complexidade dessas
etapas, mas que também são a base
para um DW eficiente e funcional.
Portanto, serão discutidas, a
seguir, as técnicas aplicadas aos
procedimentos de extração, trans-
formação e carga de dados especi-
 Revista Científica do IMAPES - Abril de 2004
ficamente para geração de um DW
à área de saúde.
Extração de dados
A extração dos dados se faz
a partir dos mais diversos bancos
de dados, que podem ter os mais
variados formatos, em diferentes
plataformas. Para isso, é necessá-
rio uma fonte de dados temporá-
ria com padronização de ambien-
te de desenvolvimento que permita
a recepção dos dados das diferen-
tes bases, sendo que as configura-
ções das tecnologias de hardware,
sistema operacional e banco de
dados sejam o primeiro padrão a
ser aplicado ao DW em constru-
ção. Para efetuar a extração dos
dados, gateways e interfaces-padrão
são utilizadas e o momento da ex-
tração poderá ser definido pelos
projetistas em comum acordo com
os usuários do sistema, sendo um
pré-requisito a ser considerado efe-
tuar a extração em períodos que
apresentem menos congestiona-
mento da rede.
Transformação dos dados
Uma etapa crítica e desafia-
dora na implementação de DW é
a transformação dos dados. Re-
dundâncias e inconsistências de
formatos podem existir em um
único banco de dados e são prati-
camente certas quando são utili-
zados muitos bancos de dados.
Portanto, rotinas de limpeza e
transformações de dados são ne-
cessárias e as suas características
devem ser armazenadas e docu-
mentadas como metadados.
Carga de dados
O processo de carga de da-
dos tem por finalidade transferir
os dados padronizados, gerados da
etapa de transformação, para o
DW definitivo que será a base de
dados utilizada para fins analíticos,
atendendo o usuário final.
2.1 Técnicas empregadas no
processo de transformação
de dados em banco de
dados de saúde
O relacionamento e a inte-
gração de registros em diferentes
bases de dados é tarefa trivial nos
casos que os registros de cada base
incluam campo comum que per-
Na área de saúde,
existe um protocolo
padrão internacional
que permite a
comunicação entre
diversas fontes
heterogêneas de
dados
definido como HL7
(Health Level 7)
mita a identificação de cada regis-
tro de forma unívoca, como, por
exemplo, CPF. Entretanto, em
base de dados de saúde um campo
com essa característica dificilmen-
te está presente (Camargo; Coeli,
2000). O processo de relaciona-
mento deve ter como base a utili-
zação de campos menos específi-
cos ou não numéricos como nome,
data de nascimento e endereço. À
medida que o número de registros
a se relacionar cresce, aumenta a
complexidade de realização desse
processo. Neste contexto, a etapa
de transformação dos dados pode
ser dividida em três processos: lim-
peza dos dados, padronização dos
dados e pareamento dos dados.
Limpeza e padronização dos dados
O processo de limpeza de
Pág. 43
dados envolve o desenvolvimento
ou a utilização de algoritmos para
corrigir algumas imperfeições,
principalmente de campos não
numéricos como nome, onde téc-
nicas de validação são pouco con-
troladas. Como exemplo, pode-se
citar os algoritmos de eliminação
de espaços em brancos no início
do campo, transformação de letras
de maiúscula para minúscula, eli-
minação de pontuação, limitar
número de caracteres de campo,
inclusão de máscaras em campos e
outros de acordo com as exigên-
cias do projeto (Oliveira, 2002).
Após a etapa de limpeza, os
dados devem ser padronizados para
um único formato, evitando re-
dundâncias e inconsistências dos
dados. Um DW deve ser carrega-
do apenas com dados padroniza-
dos, evitando a apresentação ao
usuário final de dados iguais em
formatos diferentes. Um exemplo
clássico é em relação ao campo
sexo, que pode ser armazenado
como “M” para Masculino e “F”
para Feminino ou “H” para Mas-
culino e “M” para Feminino.
Geralmente, a padronização
deve ser efetuada de forma unifor-
me sugerida pelo próprio usuário
ou aproveitar padrões da área de
conhecimento para o desenvolvi-
mento do DW. Na área de saúde,
existe um protocolo padrão inter-
nacional que permite a comuni-
cação entre diversas fontes hetero-
gêneas de dados definido como
HL7 (Health Level 7). A idéia é
definir de forma única uma série
de atributos que serão utilizados
amplamente por todos os interes-
sados em trocar informações de
forma padronizada.
Pareamento de dados
Os dados padronizados são
o pré-requisito fundamental para
Pág. 44 Revista Científica do IMAPES - Abril de 2004
realizar o pareamento de registros
originados de fontes ou bases de
dados distintas, tendo como resul-
tado um novo registro. Para esse
processo, algoritmos baseados em
técnicas de record linkage, inteli-
gência artificial e de data mining
estão sendo amplamente utilizados
e pesquisados (Winkler, 2000).
Record linkage tem por fun-
ção unir registros de duas ou mais
bases de dados para criar um novo
registro em uma nova base de da-
dos, ou seja, em um DW. Para isso,
uma chave de indexação, com fun-
cionalidade apenas no DW, deve
ser criada. Esta chave pode ser um
campo ou uma combinação de
campos. Como já mencionado
anteriormente, na área de saúde é
muito comum a inexistência de
um campo que identifique um re-
gistro de forma unívoca. Portan-
to, dados de identificação pessoal
de um indivíduo ou, mais apro-
priadamente para a área de saúde,
de um paciente, são requisitados:
nome, data de nascimento, raça,
endereço, telefone e outros, de
acordo com a especificidade do
projeto. Esses dados, além de não
ter a característica unívoca, podem
mudar com o tempo. Sendo assim,
métodos de record linkage podem
ser simples algoritmos de fusão de
chaves unívocas ou algoritmos
complexos, envolvendo técnicas de
probabilidade estatística no caso da
inexistência de uma chave unívo-
ca. Em relação a este último caso,
o relacionamento probabilístico de
registros (probabilistic record
linkage) está sendo utilizado con-
sideravelmente.
O relacionamento probabi-
lístico de registros foi inicialmente
proposto por Newcombe (1959) e
formalizado por Fellegi; Sunter
(1969). Atualmente, esse processo
é cada vez mais otimizado devido
aos grandes avanços da área de com-
putação. Portanto, técnicas de
machine learning, métodos de com-
paração de strings, data mining, al-
goritmos para classificação de valo-
res ocorridos e métodos de escore
podem ser utilizados.
O desenvolvimento de
probabilistic record linkage exige
primeiramente a escolha de um
campo chave. A seguir, duas téc-
nicas serão desenvolvidas: bloca-
gem de bases e pareamento de re-
gistros. A blocagem de bases con-
siste em dividir a base de dados em
blocos mutuamente exclusivos de
A técnica de record
linkage tem por
função unir
registros de duas ou
mais bases de
dados para criar um
novo registro em
uma nova base de
dados, ou seja, em
um DW
acordo com a chave escolhida.
Exemplo: se a chave escolhida fosse
o campo “sexo”, a base de dados
seria dividida em dois grandes blo-
cos. Em outro caso, se a chave es-
colhida fosse o campo “sobreno-
me”, a base de dados seria dividi-
da em diversos blocos mutuamente
exclusivos, aumentando a proba-
bilidade de pareamento entre as
bases envolvidas. Os registros não
pareados voltam a ser blocados e
nova chave é escolhida. Repete-se
o processo, dependendo da dispo-
nibilidade dos campos-chaves es-
colhidos.
A escolha do campo-chave
deve ser realizada de forma crite-
riosa. A escolha de “sexo” como
campo-chave para o processo de
blocagem não traria grandes van-
tagens ao processo de comparação,
mas é um campo que apresenta
pouca probabilidade da ocorrên-
cia de erros em registros. Ao con-
trário, a escolha de “sobrenome”
como campo-chave otimizaria bas-
tante o processo de comparação,
aumentando a probabilidade de os
registros serem unívocos, mas é um
campo que apresenta grande proba-
bilidade de ocorrer erros de preen-
chimento em registros. Sendo as-
sim, deve haver um equilíbrio na
escolha de campos-chaves, com a
finalidade de aumentar a probabi-
lidade da ocorrência de registros
unívocos nas bases relacionadas.
A técnica de pareamento de
registros é a etapa que se aplica
mais diretamente à probabilidade
estatística. A seguir, será discutida
essa técnica de forma sucinta e sem
efetuar demonstrações. Para maio-
res detalhes ou uma análise mais
profunda, as referências Fellegi;
Sunter (1969) e Jaro (1989) são
recomendadas.
Os pares obtidos na etapa de
pareamento de registros serão clas-
sificados de acordo com a defini-
ção de escores inferior e superior.
Os pares que atingirem valor de
escore acima ao limiar superior são
considerados verdadeiros, os que
atingirem escore abaixo ao limiar
inferior são considerados falsos e
os que tiverem valores interme-
diários serão considerados duvido-
sos e deverão ser submetidos a aná-
lise manual.
A probabilidade mi é defi-
nida ao campo i em caso de con-
cordância entre registros (par ver-
dadeiro) e a probabilidade ui do
campo concordar por tratar-se de
par falso. Com as definições des-
tas probabilidades, são criados dois
critérios de ponderação: um, para
a situação de concordância, e ou-
tro, para a situação de discordân-
cia. Exemplo: compara-se o cam-
po do primeiro registro com o do
segundo registro. Se os campos
 Revista Científica do IMAPES - Abril de 2004
concordarem, aplica-se o fator de
ponderação de concordância e, em
caso contrário, o de discordância.
A próxima etapa é a deter-
minação do escore total do par,
obtido a partir da soma dos crité-
rios de ponderação atribuídos após
a comparação de cada campo ava-
liado. Como mi é geralmente maior
que ui, o fator de concordância
contribui positivamente para o es-
core final, enquanto o fator de dis-
cordância contribui negativamen-
te (Jaro, 1989).
A decisão sobre a concor-
dância ou discordância entre dois
campos de determinado par não é
uma tarefa trivial. Sendo assim,
muitas vezes é difícil escolher qual
o critério de ponderação a ser atri-
buído como resultado da compa-
ração de dois campos.
Os valores de mi e ui, assim
como os valores de limiar superior
e inferior, podem ser estimados.
Fellegi; Sunter (1969) e Jaro
(1989) apresentaram uma meto-
dologia para a estimativa destes
parâmetros e sua aplicação propor-
ciona resultados satisfatórios.
Inteligência Artificial e
Data Mining
As técnicas de inteligência
artificial (IA) e data mining são
empregadas com a finalidade de
otimizar os sistemas automáticos
de record linkage baseados em re-
lacionamento probabilístico de re-
gistros. Os principais problemas
que são verificados em sistemas
automáticos de record linkage são
identificação inequívoca do par,
ocasionada por preenchimentos
diferentes de mesmos campos ou
ausência de alguns campos que
participam da identificação do
campo-chave. Conseqüentemente,
muitas vezes resulta em falha na
determinação dos fatores de pon-
deração estipulados ou os proces-
sos de blocagem e pareamento de
registros se tornam lentos e inefi-
cientes, principalmente quando
grandes bases de dados (na ordem
de milhões de registros) estão en-
volvidas.
As técnicas de machine
learning — que engloba tecnolo-
gias de IA como redes neurais ar-
tificiais (RNA), algoritmos gené-
ticos e outras — possibilitaram a
descoberta de relações interessan-
tes em bases de dados, tendo am-
pla aplicação na área de minera-
ção de dados (data mining).
As ferramentas de
mineração de dados
procuram por
informações
interessantes e
úteis em bancos de
dados,
descobrindo
informações válidas e
não óbvias de forma
eficiente
A aplicação clássica das fer-
ramentas de data mining ocorre na
descoberta de conhecimento em
grandes bases de dados corporati-
vas, com a finalidade de aumentar
a vantagem estratégica das empre-
sas. No entanto, pesquisas realiza-
das nos últimos anos mostraram
que as técnicas de data mining e
de machine learning podem ser
adequadas para solucionar proble-
mas das técnicas automáticas de
record linkage (Christen; Chur-
ches, 2003).
As ferramentas de minera-
ção de dados procuram por infor-
mações interessantes e úteis em
bancos de dados, descobrindo in-
formações válidas e não óbvias de
forma eficiente. Para isso, existem
métodos principais que dão supor-
Pág. 45
te para mineração de dados, de-
signados como associação, classi-
ficação e clusterização (Oliveira,
2002).
O método de associação en-
contra relacionamentos significa-
tivos entre dados armazenados. O
principal objetivo desta tarefa é
encontrar tendências que são de-
tectadas e podem ser exploradas
para determinação de comporta-
mento dos dados.
A classificação utiliza dados
armazenados para criar modelos de
comportamento com a finalidade
de determinar um conjunto de
dados treinados como padrão, os
quais serão a base para o treina-
mento e classificação de dados não
treinados. Assim, pode-se classifi-
car dados que estão fora ou dis-
tanciados do padrão. As principais
técnicas utilizadas nesse processo
são as RNAs, os algoritmos gené-
ticos e as árvores de decisão.
A clusterização tem os mes-
mos princípios da técnica de blo-
cagem para a realização de record
linkage para itens não numéricos.
A diferença é que o próprio siste-
ma descobre blocos a partir das
alternativas encontradas na base de
dados, otimizando o processo,
principalmente em relação a redu-
ção de tempo. Neste processo, as
RNAs e classificadores bayesianos
são aplicados.
Portanto, os métodos de as-
sociação e classificação estão sen-
do empregados como alternativas
de otimização para o pareamento
de registros e a clusterização como
solução para agilizar o processo de
blocagem em record linkage
(Winkler, 2000) e (Gu; Baxter;
Vickers; Rainsford, 2003).
3. Conclusão
O desenvolvimento de um
DW, utilizando técnicas de record
Pág. 46 Revista Científica do IMAPES - Abril de 2004

linkage, é uma abordagem relati-
vamente nova, principalmente
quando propõe a construção de
um servidor para pareamento de
registros de diferentes bases de
dados a partir de um identificador
único baseado em dados não nu-
méricos. Com esse objetivo, mé-
todos estatísticos, mais precisa-
mente probabilísticos, estão sen-
do otimizados por técnicas de
machine learning e data mining.
As tecnologias de DW e data
mining são geralmente empregadas
nas áreas comercial e de inteligên-
cia para negócios corporativos. No
entanto, conforme discutido nes-
te artigo, não existe um rótulo de
aplicação para as tecnologias e,
sim, tendências. Técnicas de data
mining, que na maioria das vezes
são utilizadas como ferramentas
para extração de conhecimento a
partir de um DW, também podem
ser utilizadas como ferramentas
para a construção do mesmo.
No momento que for desen-
volvido o sistema que permita a
geração de uma chave unívoca para
unir registros de bases distintas de
forma fidedigna e rápida, de ma-
neira a identificar um indivíduo de
forma única a partir de dados não
numéricos como nome, endereço
e data de nascimento, não somente
a área de saúde será beneficiada,
mas também áreas de interesse pú-
blico como segurança. O armazém
de dados históricos de indivíduos e
cadastros civis poderia servir na in-
vestigação de possíveis suspeitos ou
permitir avanços na pesquisa de
combate ao crime, identificando
áreas de perigos e possíveis crimi-
nosos. Assim, talvez seria mais cor-
reto denominar o sistema mencio-
nado como chave de indexação
pública, a qual permitiria unir não
somente registros de bases diferen-
tes de uma mesma área, mas tam-
bém de áreas distintas.
As pesquisas nas áreas de
computação e estatística estão
unindo esforços e atingindo avan-
ços para desenvolver o sistema de
DW com chave unívoca a partir
de dados não numéricos. No en-
tanto, a aplicação e o gerenciamen-
to estratégico desta possível tecno-
logia será uma das funções do pro-
fissional de sistemas de informa-
ção, de forma a garantir o sucesso
do trabalho de pesquisa que está
sendo realizado, permitindo que as
diferentes áreas alcancem suas
metas e objetivos.
*Andréia Damásio de Leles
é mestre em Engenharia Elétrica
pela Unicamp, professora de Mi-
croinformática Aplicana no curso
de Sistemas de Informação do IMA-
PES e atua profissionalmente nas
áreas de sistemas e tecnologia de
informação.

Referências Bibliográficas
BELL, G.B.; SETHI, A. Matching Records in a National Medical Patient Index. Communications of the ACM, 44(9): 83-88, 2001.

CAMARGO, K.; COELI C.M. Recklink: aplicativo para relacionamento de bases de dados, implementando o método probabilistic record
linkage. Caderno de Saúde Pública, vol.16 n.2: 439-448, Rio de Janeiro, 2000.

CHRISTEN P.; CHURCHES T. Febrl: Freely extensible biomedical record linkage, release 0.2 edition, April 2003.

http://datamining.anu.edu.au/projects/linkage.html, 2003. Acessado em 11/12/2003.

COOK, L.J.; OLSON L.M.; DEAN J.M. Probabilistic Record Linkage: Relationships between File Sizes, Identifiers and Match Weights.
Methods of Information in Medicine, 40: 196-203, 2001.

FELLIGI, T.R; RUBIN, D.B. A Theory for Record Linkage. Journal of American Statistical Association, 64, 1183-1210, 1969.

GU L.; BAXTER R.; VICKERS D.; RAINSFORD C. Record Linkage: Current Practice and Future Directions. CMIS Technical Report
No 03/83, 2003.

http://www.act.cmis.csiro.au/rohanb/PAPERS/record_linkage.pdf. Acessado em 10/01/04.

INMON, W. H. Como Construir o Data Warehouse. 2ª ed. Rio de Janeiro. Editora Campus, 1997.

JARO, M. A. Advances in record-linkage methodology as applied to matching the 1985 Census of Tampa, Florida. Journal of the
American Statistical Association, 84:414-420, 1989.

NEWCOMBE, H. B.; KENNEDY, J. M.; AXFORD, S. J. & JAMES, A. P. Automatic linkage of vital records. Science, 130:954-959,
1959.

OLIVEIRA, W.J. Data Warehouse. Florianópolis. Visual Books, 2002.

WINKLER, W.E. Machine Learning, Information Retrieval and Record Linkage. In Proc. of the Section on Survey Research Methods,
American Statistical Association, 2000.
http://www.amstat.org/sections/srms/Proceedings/papers/2000_003.pdf, 2000. Acessado em 12/09/2003.