在R中跨多列匹配ICD编码前缀并生成年度二值指标

步骤1：加载所需工具包 #

我们用tidyverse套件来处理数据，它包含了数据清洗、转换的核心工具：

library(tidyverse)

步骤2：整理疾病编码映射表 #

先把分散的疾病ICD前缀列表整合到一个统一的数据框里，方便后续批量匹配：

# 定义各类疾病的ICD前缀
cancer <- c("C34", "C50", "C61", "C91")   
cvd <- c("I21", "I50", "I63", "I74")      
diabetes <- c("E10", "E11", "E13", "E14") 
respiratory <- c("J40", "J45", "J47", "J98") 

# 整合成映射表
disease_mapping <- tibble(
  disease_type = c(rep("cancer", length(cancer)),
                   rep("cvd", length(cvd)),
                   rep("diabetes", length(diabetes)),
                   rep("respiratory", length(respiratory))),
  icd_prefix = c(cancer, cvd, diabetes, respiratory)
)

步骤3：标记每行住院事件的疾病类型 #

把宽格式的诊断列转成长格式，用前缀匹配找到对应的疾病类型，再转回宽格式标记每行是否患有该类疾病：

# 示例数据集（实际替换成你的数据即可）
dat <- data.frame(
  id = c(1, 1, 1, 2, 3, 3, 4, 5, 5),
  year = c(2014, 2015, 2020, 2015, 2016, 2014, 2015, 2014, 2017),
  diagnosis1 = c("I21", "C50", "E10", "J40", "E119", "I210", "I50", "I63", "J45"),
  diagnosis2 = c("I50", "C34", "E11", "J45", NA, NA, NA, NA, NA), 
  diagnosis3 = c("I63", "C61", "E14", "J98", NA, NA, NA, NA, NA)
)

# 转长格式处理诊断列
diagnosis_long <- dat %>%
  select(id, year, starts_with("diagnosis")) %>%
  pivot_longer(cols = starts_with("diagnosis"),
               names_to = "diagnosis_col",
               values_to = "icd_code",
               values_drop_na = TRUE) %>%
  # 前缀匹配：检查ICD编码是否以目标前缀开头
  left_join(disease_mapping, by = character()) %>%
  filter(str_starts(icd_code, icd_prefix)) %>%
  select(id, year, disease_type) %>%
  distinct() %>% # 同一住院事件同一疾病只保留一条记录
  mutate(has_disease = 1) %>%
  # 转回宽格式，标记每行是否有对应疾病
  pivot_wider(names_from = disease_type,
              values_from = has_disease,
              values_fill = 0)

# 合并回原数据集，补全未匹配到疾病的行（标记为0）
dat_with_disease <- dat %>%
  left_join(diagnosis_long, by = c("id", "year")) %>%
  replace_na(list(cancer = 0, cvd = 0, diabetes = 0, respiratory = 0))

步骤4：生成所有年份的二值列 #

定义目标年份范围（1968-2020），为每个疾病类型和年份生成专属列，判断当前行的住院年份是否匹配且患有对应疾病：

# 定义目标年份范围
target_years <- 1968:2020

# 生成所有疾病-年份组合的列名
disease_year_combinations <- expand_grid(
  disease_type = c("cancer", "cvd", "diabetes", "respiratory"),
  year = target_years
) %>%
  mutate(col_name = str_c(disease_type, "_", year))

# 批量生成二值列
final_dat <- dat_with_disease %>%
  mutate(!!!map(set_names(disease_year_combinations$col_name, disease_year_combinations$col_name),
                ~ifelse(year == disease_year_combinations$year[disease_year_combinations$col_name == .x] & 
                          get(disease_year_combinations$disease_type[disease_year_combinations$col_name == .x]) == 1,
                        1, 0))) %>%
  # 调整列顺序，把原始列放在前面
  select(id, year, starts_with("diagnosis"), everything())

验证结果 #

可以查看处理后的示例数据，确认格式和预期一致：

# 仅显示2014-2020的列（示例年份范围）
final_dat %>%
  select(id, year, diagnosis1:diagnosis3, ends_with(as.character(2014:2020)))

注意事项 #

• 实际数据中的31个诊断列，starts_with("diagnosis")会自动匹配所有以diagnosis开头的列，无需修改代码。
• 如果ICD编码存在大小写不一致的情况，可以用str_to_upper(icd_code)统一格式后再匹配。
• 若需要调整年份范围，直接修改target_years即可。

内容的提问来源于stack exchange，提问作者user25809482