r - 使用 grep 查找 "cancer"但排除 "previous cancer"

Question

我只是想首先说我对编码很陌生，所以我可能没有使用正确的术语，但我会尽力而为，如果有什么不合理的地方，请告诉我:)
基本上，我有一组输入错误的数据。有一个合并症列/对象，其中以字符形式输入患者的整个合并症列表(包括一大堆其他不相关的数据。)
数据示例:
“乳腺癌以前的酒精过量 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 list ，列出了哪些可以算作合并症，哪些不算。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，数据中任何显示“ihd”、“心力衰竭”或“心力衰竭”的内容都将归入心力衰竭:

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。我将对每个合并症组执行此操作，然后计算出现行号的总次数，这将是患者合并症的总数(数据中的每一行代表一个患者)。
问题出现在合并症中，这些合并症具有不应作为合并症包括在内的先前疾病。
例如，“乳腺癌”是一种合并症，而“既往乳腺癌”则不是。
我试过了

grep("!previous breast cancer| breast cancer",
     comorb, value= FALSE)

但它会返回任何含有乳腺癌的东西，即使它有以前的乳腺癌。
另一个问题是，由于数据输入不当，每一行都可能有一个与另一种合并症相关的先前疾病，而与乳腺癌无关(例如，先前饮酒过量)，因此如果条件允许，我会错误地排除该行因为排除只是“前一个”，(即前一个必须在乳腺癌之前出现，我才能排除这一行。)
这个问题有方法解决吗？
非常感谢

Answer 1

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可能帮助您构建解决方案的想法。
首先，在处理列中的文本时，tidytext package非常有用。
其次，我建议尝试在一个数据框中工作。为此，您会发现 the dplyr package有用:特别是mutate和 case_when职能。
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，将这些单词与原始文本一起存储在一个新列中。
然后我们可以使用 dplyr::lag检查一个词前面是否有“previous”，如果是，则标记该词。
接下来，我们可以使用 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>

那么你可以雇用 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，然后对患者进行计数。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