使用滞后开始时间将重叠的时间段合并，并保留合并案例中的变量？

Question

我有一个长格式的数据集，其中包含多个病人的id和多个start和end日期。日期代表医院入院和出院时间。有些病人在医院有多次重叠的住院，有些则没有重叠的住院，还有一些情况是start（入院）和end（出院）日期相同。

在此文的基础上，使用滞后的start日期和cummax函数，我希望做三件事：

1. 对于开始和结束日期重叠的情况，合并这些案例，保留最早的开始日期和最后的结束日期。
2. 对于开始和结束日期相同的情况，保持该观察结果不变（不合并）。
3. 创建一个新变量，计算手术病房（surg）中最大天数，对于合并和非合并的案例都要计算。

我有如下数据：

   id    start        end         surg
1  A  2013-01-01    2013-01-05    0
2  A  2013-01-08    2013-01-12    1
3  A  2013-01-10    2013-01-14    6
4  A  2013-01-20    2013-01-20    3
5  B  2013-01-15    2013-01-25    4 
6  B  2013-01-20    2013-01-22    5 
7  B  2013-01-28    2013-01-28    0

我尝试过的：

library(dplyr)

    data %>%
      arrange(data, id, start) %>% 
      group_by(id) %>%
      mutate(indx = c(0, cumsum(as.numeric(lead(start)) >
                                  cummax(as.numeric(end)))[-n()])) %>%
      group_by(id, indx) %>%
      summarise(start = first(start), end = last(end), surgdays = max(surg))

我得到的内容：

       id  indx      start        end       surgdays
    1  A    0    2013-01-01    2013-01-05    0
    2  A    1    2013-01-08    2013-01-14    7
    3  A    2    2013-01-20    2013-01-20    3

问题：这段代码检查的行数受到数据集中列数的限制。例如，对于4个变量/列，它仅适用于前4行数据（包括合并两个具有重叠日期的行），然后停止……尽管示例中有7行数据（实际数据集中有成千上万行数据）。

同样地，当我尝试在70列（和数百行）上使用相同的代码时，它会合并重叠的日期，但仅基于前70行数据。我的初步想法是创建与数据集中观测值数量一样多的占位符列，但这是一个笨拙的解决方法。 我希望得到的结果：

       id  indx     start        end       surgdays
    1  A    0    2013-01-01    2013-01-05    0
    2  A    1    2013-01-08    2013-01-14    7
    3  A    2    2013-01-20    2013-01-20    3
    4  B    0    2013-01-15    2013-01-22    9
    5  B    1    2013-01-28    2013-01-28    0

- Frank Kravets

---

你可能想要查看 foverlaps 或从 data.table 中搜索“非等连接”。 - MichaelChirico

要指出一种解决方案，您可以访问此帖子。最后一个函数（在EDIT2中）基于14天规则聚合时间连续性。通过删除“-14”，您应该能够得到所需的结果，不包括您问题的第3点。 - Patrik_P

Answer 1

这种有用的方法最初是由@David Arenburg 在此处发布的，如果我从操作序列中删除arrange()语句，则可以很好地使用（适用于所有情况）：

 data %>%
      group_by(id) %>%
      mutate(indx = c(0, cumsum(as.numeric(lead(start)) >
                                  cummax(as.numeric(end)))[-n()])) %>%
      group_by(id, indx) %>%
      summarise(start = first(start), end = last(end), surgdays = max(surg))

我发现这种方法对于捕获折叠案例中的其他变量也很有帮助，例如最早医院就诊时的入院诊断。只需添加到summarise()语句中：

summarise(start = first(start), end = last(end), admit_diagnosis = first(diagnosis), surgdays = max(surg))

- Frank Kravets