library(REDCapR)
library(tidyverse)

readRenviron("/Users/au301842/PAaSO/.Renviron")

token <- Sys.getenv('STROKE_API')

ds <-
  redcap_read(
    token = token,
    redcap_uri = "https://redcap.au.dk/api/",
    fields = c(
      "forloebid",
      "ageforloeb_patiente",
      "sex_patiente",
      "forloebdato_patiente",
      "forloebtid_patiente",
      "ankomstdato_basisske",
      "ankomsttid_basisske",
      "mrsfoer_basisske",
      "symptdebexactdato_basisske",
      "symptdebexacttid_basisske",
      "modtagetsomtrombolysekandidat_basisske",
      "vaskdiag_basisske",
      "diagnosecerebraltinfarkt_basisske",
      "nihss_basisske",
      "id_tromboly",
      "ankomsttidtrombol_tromboly",
      "id_trombekt",
      "mdmrs3_tremdrop",
      "ankomstdatotrombek_trombekt"
    )
  )$data

ds_filter <- ds |>  filter(diagnosecerebraltinfarkt_basisske=="TRUE")

## Vector to correct arrival time
tid_a <- substr(as.character(ds_filter$forloebtid_patiente),12,19)==""

ds_mod <-
  ds_filter |> mutate(mrsfoer_basisske=mrsfoer_basisske-2,
                      mdmrs3_tremdrop=mdmrs3_tremdrop-1) |> 
  transmute(onset=as_datetime(paste(substr(
    as.character(ds_filter$symptdebexactdato_basisske), 1, 10
  ), substr(as.character(ds_filter$symptdebexacttid_basisske), 12, 19)
  )),
  arrival = as_datetime(paste(substr(
    as.character(ds_filter$forloebdato_patiente), 1, 10
  ), ifelse(
    tid_a,
    substr(as.character(ds_filter$ankomsttid_basisske), 12, 19),
    substr(as.character(ds_filter$forloebtid_patiente), 12, 19)
  ))),
  sex=sex_patiente,
  age=ageforloeb_patiente,
  nihss=nihss_basisske,
  ivt=!is.na(id_tromboly),
  evt=!is.na(id_trombekt),
  mrs_0=factor(ifelse(!mrsfoer_basisske %in% 0:5,NA,mrsfoer_basisske)),
  mrs_3=factor(ifelse(!mdmrs3_tremdrop %in% 0:5,NA,mdmrs3_tremdrop)),
  delay=as.numeric(difftime(arrival,onset,units="mins")),
  # delay_group=cut(delay,breaks = c(0,90,270,420,max(delay)),include.lowest = TRUE,labels = c("<90","90-270","270-420",">420")),
  year=as.numeric(substr(as.character(arrival),1,4))
  ) |> 
  filter(delay<1440, delay>0) # Only include ptt presenting within 1 day, positive delay

# FØR: 0=Uoplyst | 1=Ukendt | 2=0: Ingen symptomer | 3=1: Ingen synlig funktionsnedsættelse | 4=2: Nogen funktionsnedsættelse | 5=3: Moderat funktionsnesættelse | 6=4: Moderat-svær funktionsnedsættelse | 7=5: Svær funktionsnedsættelse
# EFTER: 0=Ingen symptomer | 1=Ingen synlig funktionsnedsættelse | 2=Nogen funktionsnedsættelse | 3=Moderat funktionsnesættelse | 4=Moderat-svær funktionsnedsættelse | 5=Svær funktionsnedsættelse | 6=Død | 7=Levende, ukendt Ranking score | 8=Ikke tilgængelig info

skimr::skim(ds_mod)

tbl <- table(mRS=ds_mod$mrs_3, Group=ds_mod$delay_group, Strata=ds_mod$adm_year)
  
rankinPlot::grottaBar(tbl, groupName = "Group", scoreName = "mRS",strataName = "Strata")

ds_sums <- ds_mod |> group_by(year) |> summarise(mrs_3_median=median(as.numeric(mrs_3)-1,na.rm=TRUE),
                                      mrs_3_iqr=paste(quantile(as.numeric(mrs_3)-1,na.rm=TRUE),collapse = ", "),
                                      nihss_median=median(nihss,na.rm=TRUE),
                                      nihss_iqr=paste(quantile(nihss,na.rm=TRUE),collapse = ", "),
                                      n=n(),
                                      norm_days_frac=365.25/as.numeric(difftime(max(arrival),min(arrival),units = "days")),
                                      n_norm=n*norm_days_frac,
                                      ivt_n=sum(ivt),
                                      ivt_f=sum(ivt)/n,
                                      evt_n=sum(evt),
                                      evt_f=sum(evt)/n)



library(ggplot2)

p1 <- ds_mod |> ggplot()+
  geom_violin(aes(x=as.factor(year),y=as.numeric(mrs_3), fill = year))

p2 <- ds_sums |> ggplot(aes(x=as.factor(year)))+
  geom_line(aes(y=n_norm, group=1))

ds_sums |> ggplot(aes(x=as.factor(year)))+
  geom_line(aes(y=ivt_f, group=1))

ds_sums |> ggplot(aes(x=as.factor(year)))+
  geom_line(aes(y=evt_f, group=1))