如何在R中从以[report_complete]分隔的医疗文本提取结肠癌病例信息

需求说明 #

从以[report_complete]为分隔符的大型医疗病历文本中，提取包含结肠癌（已行活检）（对应原英文Colon cancer (biopsy done)）诊断的完整患者病历片段（即两个[report_complete]之间的内容）。

示例数据 #

raw_text <- '[report_complete]
Name:
age:
sex:
Institution:
Date of Operation: 8/2/2015
Date of Accession: 8/2/2015
Reported: 8/5/2015 16:10
Results
FINAL DIAGNOSIS:
*RIGHT FOOT TRANSMETATARSAL AMPUTATION:
[report_complete]
Name:
age:
sex:
ANATOMIC PATHOLOGY
Date of Operation: 7/11/2015
Date of Accession: 7/11/2015
Reported: 7/14/2015
FINAL PATHOLOGIC DIAGNOSIS:
Colon cancer (biopsy done)
[report_complete]'

正确R实现脚本 #

# 加载stringr包
library(stringr)

# 将原始文本按分隔符分割为单个病历片段
reports <- str_split(raw_text, fixed("[report_complete]"), simplify = TRUE) %>%
  # 过滤掉空字符串和空白片段
  str_trim() %>%
  .[. != ""]

# 筛选包含目标诊断的病历片段
target_reports <- reports[str_detect(reports, fixed("Colon cancer (biopsy done)"))]

# 输出结果
print(target_reports)

脚本说明 #

• 使用fixed()包裹分隔符和诊断文本，避免正则表达式转义问题，提升匹配准确性和效率
• 分割后通过str_trim()和过滤空字符串，清理无效的空白片段
• 用str_detect()精准匹配目标诊断内容，筛选出符合要求的病历

内容的提问来源于stack exchange，提问作者Vishal