r - 使用 grep 查找“癌症”但排除“以前的癌症”
问题描述
我只想首先说我对一般编码很陌生,所以我可能没有使用正确的术语,但我会尽力而为,如果有什么不明白的地方请告诉我:)
基本上,我有一组非常糟糕的输入数据。有一个合并症列/对象,其中患者合并症的整个列表作为字符输入(包括一大堆其他不相关的数据。)
数据示例:“乳腺癌既往酒精过量 ihd cks”“既往乳腺癌谵妄 pvd 肺栓塞”“AF 心力衰竭结肠癌”
我正在尝试计算患者的合并症数量。我有一份清单,列出了哪些是合并症,哪些不是。我的计划(我认为这不是最好的)是使用 grep 来识别合并症的名称并为每组合并症创建一个新对象)。
例如,在心力衰竭合并症组下,数据中包含“ihd”、“心力衰竭”或“心力衰竭”的任何内容都将被归为心力衰竭:
heartfailure <- grep("^ihd|heart failure|cardiac failure",
comorb, value=FALSE)
输出作为具有指定合并症的行号出现,然后我将其转换为字符。我将为每个合并症组执行此操作,然后计算行号出现的总次数,这将是患者合并症的总数(数据中的每一行代表一位患者)。
问题出现在具有先前不应被包括为合并症的合并症上。
例如,“乳腺癌”是一种合并症,但“既往乳腺癌”不是。
我努力了
grep("!previous breast cancer| breast cancer",
comorb, value= FALSE)
但它会返回任何含有乳腺癌的东西,即使它之前有过乳腺癌。
另一个问题是,由于数据输入错误,每一行都可能有一个与另一种合并症相关的前一个数据,而不是与乳腺癌有关(例如,以前的酒精过量),所以如果出现这种情况,我会错误地排除该行因为排除只是“以前的”,(即前一个必须在乳腺癌之前出现,我才能排除这一行。)
有针对这个的解决方法吗?
非常感谢
解决方案
很难提供完整的解决方案,因为我们无法访问完整的数据集或合并症术语列表。但也许我们可以提供一些想法来帮助您构建解决方案。
首先,在处理列中的文本时,tidytext 包非常有用。
其次,我建议尝试在一个数据框架内工作。为此,您会发现dplyr 包很有用:尤其是mutate
andcase_when
函数。
这是一个例子。使用您的数据:
df1 <- data.frame(patient_id = 1:3,
description = c("breast cancer previous alcohol excess ihd cks",
"previous breast cancer delirium pvd pulmonary embolus",
"af heart failure colon cancer"))
df1
patient_id description
1 1 breast cancer previous alcohol excess ihd cks
2 2 previous breast cancer delirium pvd pulmonary embolus
3 3 af heart failure colon cancer
我们可以使用tidytext::unnest_tokens
将描述分解为单个单词,将单词存储在原始文本旁边的新列中。
然后我们可以用它dplyr::lag
来检查一个单词前面是否有“previous”这个词,如果是则标记这个词。
接下来,我们可以用它case_when
来定义合并症。您可以在此处添加任意数量的规则以实现所需的结果。
# install these first
library(dplyr)
library(tidytext)
comorbidities <- df1 %>%
tidytext::unnest_tokens(terms, description, drop = FALSE) %>%
mutate(is_previous = ifelse(lag(terms) == "previous", 1, 0),
comorb = case_when(
terms == "ihd" ~ "heart failure",
terms == "heart" & lead(terms) == "failure" ~ "heart failure",
terms == "breast" & lead(terms) == "cancer" ~ "breast cancer",
terms == "colon" & lead(terms) == "cancer" ~ "colon cancer",
TRUE ~ NA_character_
))
结果:
patient_id description terms is_previous comorb
1 1 breast cancer previous alcohol excess ihd cks breast NA breast cancer
2 1 breast cancer previous alcohol excess ihd cks cancer 0 <NA>
3 1 breast cancer previous alcohol excess ihd cks previous 0 <NA>
4 1 breast cancer previous alcohol excess ihd cks alcohol 1 <NA>
5 1 breast cancer previous alcohol excess ihd cks excess 0 <NA>
6 1 breast cancer previous alcohol excess ihd cks ihd 0 heart failure
7 1 breast cancer previous alcohol excess ihd cks cks 0 <NA>
8 2 previous breast cancer delirium pvd pulmonary embolus previous 0 <NA>
9 2 previous breast cancer delirium pvd pulmonary embolus breast 1 breast cancer
10 2 previous breast cancer delirium pvd pulmonary embolus cancer 0 <NA>
11 2 previous breast cancer delirium pvd pulmonary embolus delirium 0 <NA>
12 2 previous breast cancer delirium pvd pulmonary embolus pvd 0 <NA>
13 2 previous breast cancer delirium pvd pulmonary embolus pulmonary 0 <NA>
14 2 previous breast cancer delirium pvd pulmonary embolus embolus 0 <NA>
15 3 af heart failure colon cancer af 0 <NA>
16 3 af heart failure colon cancer heart 0 heart failure
17 3 af heart failure colon cancer failure 0 <NA>
18 3 af heart failure colon cancer colon 0 colon cancer
19 3 af heart failure colon cancer cancer 0 <NA>
然后你可能会使用dplyr::filter
只返回你想要的行。例如,要删除没有合并症的行和标记为“以前”的行,然后计算患者数。请注意,在这种情况下不会返回患者 2:
comorbidities %>%
filter(!is.na(comorb),
is_previous == 0) %>%
count(patient_id, name = "comorbidities")
patient_id comorbidities
1 1 1
2 3 2
推荐阅读
- c++ - 如何将用户的数据输入二维数组并输出到用户c++
- postgresql - postgresql中STRPOS和POSITION的区别
- protocol-buffers - Protobuf 映射消息选项
- java - 返回数字的二进制表示中最右边的 1
- assembly - MIPS 程序的“主”标签未被识别
- javascript - how to hide span class but keep it's space
- npm - npm 从未指定的注册表下载附加文件
- python - 使用 beautifulsoup 从下拉菜单中抓取
- javascript - 为什么设置 this.setState 后 App.js 中的状态没有更新?
- php - 警告:require_once():打开流失败:没有这样的文件或目录