LinkMD: Linking Medical and Dental Records with 4 Linking Algorithms
Notice bibliographique
Résumé
Despite well-established connections between oral and systemic health, electronic health records (EHRs) and electronic dental records (EDRs) remain largely siloed due to infrastructural and interoperability challenges. This separation limits interdisciplinary care and data-driven research to generate practice-based evidence. We developed and validated 4 algorithmic frameworks specifically designed to link EHR with EDR across nonintegrated systems. Using data from more than 1.7 million medical records and 222,480 dental records spanning a 10-y period at Temple University, we evaluated 4 linkage strategies: (1) direct Social Security number matching, (2) unweighted similarity scoring, (3) weighted average similarity scoring, and (4) a probabilistic expectation-conditional maximization classification model. We compared these approaches using expert-reviewed validation of 1,000 candidate record pairs and selected optimal similarity thresholds for high-fidelity linkages. Our weighted average similarity algorithm demonstrated the best performance with 100% specificity (correctly avoiding false matches), 99% sensitivity (correctly identifying all true matches), and 99% accuracy (proportion of all correct linkages out of total comparisons) at the threshold of 0.82 for successfully linking 121,771 unique patients and 144,229 patients' linkage with 96% sensitivity, 78% specificity, and 89% accuracy. After linking the datasets, the completeness of key patient demographic information significantly improved, with missing race data reduced from 79% to 11% and missing ethnicity data from 82% to 17%. We designed the algorithm to be transparent and vendor neutral, making it potentially adaptable to any institution or practice regardless of their existing EHR/EDR systems. This provides a foundation for developing a clinical decision support systems that facilitate real-time health information exchange, supporting safer dental procedures, timely medical referrals, and integrative research. Our findings provide a critical bridge between medicine and dentistry, which have remained largely divorced from each other. Future work will focus on multi-institutional validation, implementation, and integration into routine clinical workflows.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».