ICD编码患者筛选SQL优化请求：重复记录问题排查

需求与背景 #

筛选同时拥有至少1个Group A ICD编码（含E16.2、E16.1等指定编码）和至少1个Group B ICD编码（含E08%、E09%等前缀匹配编码）的患者ID。
数据集：包含ID（患者ID）、DX_CODE（ICD编码）、VISIT_DT（就诊日期）的data_table表。
原SQL问题：使用自连接的查询会因患者存在多个符合条件的编码产生冗余记录，虽用DISTINCT去重，但逻辑冗余且效率偏低，需要优化。

方法1：GROUP BY + HAVING（高效推荐） #

通过分组统计每个患者的编码匹配情况，直接筛选同时满足两类编码条件的患者，无需额外去重：

SELECT ID
FROM data_table
GROUP BY ID
HAVING 
  -- 统计该患者拥有的Group A编码数量，至少1个
  SUM(CASE WHEN DX_CODE IN ('E16.2', 'E16.1', 'E16.0', 'E11.649', 'E13.641', 'E10.649', 'E15', 'O24.913') THEN 1 ELSE 0 END) > 0
  AND
  -- 统计该患者拥有的Group B编码数量，至少1个
  SUM(CASE WHEN DX_CODE LIKE 'E08%' OR DX_CODE LIKE 'E09%' OR DX_CODE LIKE 'E10%' OR DX_CODE LIKE 'E11%' OR DX_CODE LIKE 'E13%' THEN 1 ELSE 0 END) > 0;

优势：

• 仅需扫描表一次，性能远优于自连接方式
• 逻辑直观，直接通过分组统计判断患者是否同时满足两类条件
• 自动确保每个ID只返回一次，无需额外DISTINCT处理

方法2：EXISTS子查询（逻辑清晰） #

通过两个EXISTS子查询分别验证患者是否存在Group A和Group B编码，逻辑更易懂：

SELECT DISTINCT ID
FROM data_table t
WHERE 
  -- 验证该患者存在至少一个Group A编码
  EXISTS (
    SELECT 1 
    FROM data_table 
    WHERE ID = t.ID 
      AND DX_CODE IN ('E16.2', 'E16.1', 'E16.0', 'E11.649', 'E13.641', 'E10.649', 'E15', 'O24.913')
  )
  AND
  -- 验证该患者存在至少一个Group B编码
  EXISTS (
    SELECT 1 
    FROM data_table 
    WHERE ID = t.ID 
      AND (DX_CODE LIKE 'E08%' OR DX_CODE LIKE 'E09%' OR DX_CODE LIKE 'E10%' OR DX_CODE LIKE 'E11%' OR DX_CODE LIKE 'E13%')
  );

优势：

• 逻辑直白，每个子查询单独验证一类编码的存在性
• 数据库对EXISTS有专门优化，仅需判断存在性而非返回所有匹配记录

原SQL的问题分析 #

原自连接查询会对每个患者的Group A编码和Group B编码做笛卡尔积匹配：比如某患者有2个Group A编码、3个Group B编码，会生成6条重复ID的记录，即使加DISTINCT去重，也会额外消耗数据库资源处理这些冗余记录，性能和效率远不如上述两种方法。

内容的提问来源于stack exchange，提问作者Prajwal Mani Pradhan