如何用Awk脚本基于指定ICD编码判定患者疾病诊断标签

需求说明 #

• 两个输入文件：
  1. 制表符分隔的A.tsv：ICD编码矩阵，首列是患者IDstudy_id，其余列名是ICD编码；每行对应一位患者，单元格值为NA代表未诊断该编码，非NA代表有诊断
  2. 关注ICD编码文件：每行第一列是需要重点关注的ICD编码，第二列是编码类型（可忽略）
• 生成规则：只要患者在任意一个关注ICD编码对应的列中值不是NA，诊断标签设为1；否则设为0

文件示例 #

A.tsv内容 #

study_id 691.8 692.9 701.2 706.1
a1       1     NA    NA    2
a2       NA    NA    NA    NA
a3       NA    NA    1    NA

关注ICD编码文件内容 #

691.8 ICD_9
706.1 ICD_10

预期输出 #

study_id diagnosis
a1       1
a2       0
a3       0

现有脚本的问题 #

原脚本错误地把单元格里的数值当成ICD编码去匹配关注列表，但实际矩阵的列名才是ICD编码，单元格值是诊断状态。这导致脚本逻辑完全偏离需求，无法正确筛选关注的编码列。

修正后的Awk脚本 #

awk -F"\t" 'BEGIN { OFS="\t"; }
# 读取关注ICD文件，将目标编码存入数组
NR==FNR { icd_target[$1] = 1; next; }
# 处理A.tsv表头，记录目标ICD对应的列位置
FNR==1 {
    print "study_id", "diagnosis"
    for (i=2; i<=NF; i++) {
        if ($i in icd_target) {
            target_cols[i] = 1  # 标记需要检查的列索引
        }
    }
    next;
}
# 处理患者数据行，判断诊断标签
{
    diagnosis = 0
    # 只遍历标记过的目标列
    for (i in target_cols) {
        if ($i != "NA") {
            diagnosis = 1
            break
        }
    }
    print $1, diagnosis
}' 关注ICD编码文件路径 A.tsv > 输出文件路径

修正逻辑说明 #

1. 先读关注ICD文件，把需要关注的编码存入icd_target数组，用1标记存在
2. 处理A.tsv的表头时，遍历所有列名，把属于关注ICD的列位置记录到target_cols数组
3. 处理患者数据行时，只检查target_cols里的列：只要有一个列的值不是NA，就把诊断标签设为1
4. 全程保持制表符分隔的输入输出格式，和原文件格式一致

内容的提问来源于stack exchange，提问作者Ray