基于SAS从三类理赔数据中筛选符合痴呆队列研究入组标准的受试者
医保痴呆研究队列入组SAS处理实操方案
这套方案针对2001-2005年三类理赔原始数据的结构设计,适配有基础SAS能力的使用者,流程全部落地可复用,没有冗余的中间步骤,可在普通配置的设备上高效跑完全量数据。
整体处理逻辑
- 核心目标:严格对照3条入组规则逐次筛选,先从所有就诊记录中定位患者首次痴呆确诊的索引日期,再依次校验年龄、参保时长两个前置条件,最终得到合格队列
- 效率优化:全程用批量循环导入、向量化判断替代逐文件手动处理、逐字段重复写判断的低效模式,避免内存溢出
分步操作与代码实现
第一步:批量标准化导入原始数据
三类文件均按2001-2005年分年存储,不需要手动逐个导入CSV,用循环语句批量读入,统一数据格式:
- 住院理赔文件:读入时将
admission_date按MMDDYY格式转成SAS日期型(注意不要用结算日、出院日作为诊断关联日期,固定用入院日),保留需要的字段:patID、admission_date、Primary_diagnosis、diagnosis_code1-diagnosis_code6 - 门诊理赔文件:读入时将
service_date按MMDDYY格式转成SAS日期型,保留patID、service_date、diagnosis_code1、diagnosis_code2 - 参保记录文件:读入时将
date_of_birth按MMDDYY格式转成SAS日期型,给每个导入的文件打上对应的年份标记(比如2001年导入的文件统一赋值file_year=2001),后续方便映射每个参保月份对应的实际公历时间
批量导入的参考代码片段:
* 循环批量导入5年的住院理赔文件; %macro import_inpatient; %do year=2001 %to 2005; proc import out=inpatient_&year. datafile="C:\rawdata\Inpatient_claims&year..csv" dbms=csv replace; getnames=yes; guessingrows=max; run; data inpatient_&year.(keep=patID admission_date Primary_diagnosis diagnosis_code1-diagnosis_code6); set inpatient_&year.; * 把字符型的日期转成SAS日期值; admission_date = input(admission_date, MMDDYY10.); format admission_date date9.; run; %end; * 把5年的住院数据纵向拼接成一个数据集; data inpatient_all; set inpatient_2001-inpatient_2005; rename admission_date = claim_date; * 统一就诊日期字段名,方便后续和门诊数据合并; run; %mend; %import_inpatient;
第二步:批量标记所有带痴呆诊断的就诊记录
不需要把所有诊断字段拆成长表再匹配,直接在现有数据步里用宏判断所有诊断字段的匹配情况,大幅减少数据量冗余:
- 痴呆ICD匹配规则先做标准化清洗:去掉诊断字符串里的非数字字符(比如额外的尾缀字母、多余的点号、空格),再按照编码范围做前缀匹配
- 匹配范围完全对应入组规则:290.0x-290.4x、294.1x、331.0x-331.2x、331.82、331.9x
可复用的匹配宏代码:
* 痴呆诊断判断宏:传入诊断变量名,直接生成匹配标记; %macro dementia_match(diag_var); * 诊断值清洗:只保留数字字符,去掉所有杂质; clean_diag = compress(&diag_var., , 'kd'); * kd代表只保留数字,去掉其他所有字符; * 匹配所有编码范围,前缀匹配覆盖带x的通配规则; dementia_flag = ifn( clean_diag in: ('2900','2901','2902','2903','2904','2941','3310','3311','3312','3319') | clean_diag = '33182', * 331.82为精确匹配,无其他通配范围; 1,0 ); %mend;
在住院、门诊数据上调用这个宏,遍历所有诊断字段,只要任意一个字段匹配到痴呆编码,就给整条记录打dementia_flag=1的标记。
第三步:定位每个患者的首次痴呆确诊索引日期
- 把住院、门诊数据里所有dementia_flag=1的记录纵向拼接,按patID、claim_date排序,取每个患者最早的一条记录的就诊日期,作为该患者的索引日期(index_date)
- 过滤掉索引日期不在2001-2005年观察窗口内的患者,符合研究的入组时间范围。
代码参考:
* 提取所有带痴呆诊断的就诊记录; data dementia_claims; set inpatient_all outpatient_all; array diag_vars[*] Primary_diagnosis diagnosis_code1-diagnosis_code6 diagnosis_code1-diagnosis_code2; * 逐字段判断是否有痴呆编码; dementia_flag =0; do i=1 to dim(diag_vars); %dementia_match(diag_var=diag_vars[i]); if dementia_flag=1 then leave; * 只要找到一个匹配的诊断就停止循环,减少计算量; end; where dementia_flag=1; keep patID claim_date; run; * 找每个患者的最早索引日期; proc sort data=dementia_claims; by patID claim_date; run; data index_dates; set dementia_claims; by patID; if first.patID; * 取每个患者最早的就诊日期作为索引日期; * 校验索引日期在研究观察窗口内; if '01jan2001'd <= claim_date <= '31dec2005'd; rename claim_date = index_date; run;
第四步:校验索引日年龄≥65岁的规则
- 先从参保数据中提取每个患者唯一的出生日期(同一个patID对应多个date_of_birth的话,保留最早的录入值,避免录入错误)
- 计算索引当日的实足年龄,保留年龄≥65的患者。
代码参考:
* 提取唯一的患者出生日期; proc sort data=enrollment_all nodupkey; by patID date_of_birth; run; data age_pass; merge index_dates(in=in_cohort) enrollment_all(keep=patID date_of_birth); by patID; if in_cohort; * 计算实足年龄,用yrdiff计算从出生到索引日的精确年差,向下取整得到满岁年龄; age_at_index = floor(yrdiff(date_of_birth, index_date)); where age_at_index >=65; run;
第五步:校验索引前累计参保≥12个月的规则
- 把参保记录里宽表格式的enroll_mon1-enroll_mon12拆成长表,根据之前打在文件上的file_year标记,给每个月映射对应的实际公历日期(比如2001年的enroll_mon3就对应2001年3月1日)
- 按患者分组,统计索引日期之前的所有月份中,参保状态为1的总月数,保留累计月数≥12的患者,最终得到合格队列。
代码参考:
* 参保记录从宽表拆成长表; data enrollment_long; set enrollment_all; array enroll_arr[12] enroll_mon1-enroll_mon12; do month=1 to 12; month_ref_date = mdy(month, 1, file_year); * 映射每个参保月份的实际日期; enroll_val = enroll_arr[month]; output; end; keep patID month_ref_date enroll_val; run; * 关联索引信息,统计索引前的参保月数,得到最终队列; proc sql; create table final_eligible_cohort as select a.patID, a.index_date, a.age_at_index, sum(b.enroll_val) as pre_index_enroll_months from age_pass a inner join enrollment_long b on a.patID = b.patID where b.month_ref_date < a.index_date * 严格限定为索引日期之前的参保记录,不包含索引当月 group by a.patID, a.index_date, a.age_at_index having pre_index_enroll_months >=12; * 满足累计参保12个月以上的入组条件; quit;
实操避坑提醒
- 诊断字段匹配时不要直接用精确值判断,实际理赔数据的ICD编码常带有额外尾缀、多余空格或点号,一定要先做字符串清洗再匹配,避免漏诊
- 索引日期定位时不要混入出院日、结算日作为诊断关联日期,否则会系统性延迟索引日期,导致年龄、参保时长的计算出现偏误
- 统计参保时长时不要把索引日期当月的记录算进去,规则要求是索引之前的参保累计,否则会多算参保月数,纳入不符合条件的患者
内容的提问来源于stack exchange,提问作者Ankur Rao
相关产品推荐
相关产品推荐

