¿Cómo limpiar datos de investigación médica?

Una tarea concreta con RigorMed

1. Empezar por organizar la limpieza en una tabla de reglas revisable

   Son entradas sugeridas y entregables que solicitar, no una nueva ejecución, resultados de clientes ni garantía de finalización.

   Materiales que aportar: Diccionario de datos públicos o sintéticos autorizados, códigos documentados, resúmenes deterministas de calidad y reglas candidatas.

   Entregables solicitados / objetivo de entrega: Tabla de reglas, resumen de problemas de calidad y plantilla de cambios.

2. Ejemplo de solicitud

   Especifique por elemento campo original, problema, regla propuesta, evidencia e impacto. Distinga blancos, códigos especiales y ausencias reales; prepare un plan que yo deba confirmar. No impute ni elimine automáticamente.

3. Qué queda por revisar

   Ejecutar la limpieza requiere confirmación aparte. Un modelo no debe adivinar filas de pacientes, valores ausentes ni semántica.

Construya el diccionario antes de decidir qué limpiar

Un mismo vacío o código puede indicar pregunta no formulada, rechazo, valor inferior al límite de detección o registro omitido. Determine el significado mediante la documentación oficial de la versión antes de procesarlo.

Data Documentation, Codebook y Frequencies de NHANES describen variables y frecuencias, pero deben verificarse componente, ciclo y Analytic Notes. Un diccionario ilustrativo no reemplaza las definiciones oficiales del origen.

Seis pasos desde originales hasta datos revisables

1. Preservar originales y especificar la pregunta

   Confirme usos permitidos, población, exposición o predictores, desenlace y ciclos. Mantenga originales en solo lectura y registre versión, adquisición y alcance de uso. No modifique primero y reconstruya después la definición de investigación.

2. Vincular variables al diccionario oficial

   Registre tipos, unidades, valores, elegibilidad, preguntas o medidas, saltos y códigos de los campos principales. Antes de unir archivos, verifique claves, granularidad y duplicados; antes de combinar ciclos, verifique comparabilidad de medidas y códigos.

3. Describir calidad antes de corregir valores

   Cuente filas, claves únicas, duplicados, ausencia y códigos especiales por variable y población, y valores fuera del rango oficial. Una distribución anómala es una señal para revisar, no prueba automática de error. Supresión, codificación superior y límites de detección pueden formar parte del diseño.

4. Fijar un plan conservador

   Especifique solo conversiones de códigos, tipos y unidades y derivaciones predefinidas con fundamento documental. Indique condiciones, valores anteriores y nuevos, alcance y cuándo detenerse ante incertidumbre. No impute silenciosamente, elimine filas atípicas ni sobrescriba originales.

5. Ejecutar sobre una copia y revisar cambios

   Entregue datos limpios, diccionario confirmado y registro de cambios. Compare filas, claves, códigos y distribuciones antes y después. Cada exclusión o unión debe explicar el flujo muestral. Si falla un control, revise reglas o documentación, sin ocultarlo mediante cambios manuales de celdas.

6. Reservar decisiones de ausencia para el plan

   Informe cantidades y porcentajes por variable y población, distinguiendo no preguntado, rechazo, fallo de medición y causa desconocida. Casos completos, imputación y sensibilidad dependen del diseño, supuestos de ausencia, modelo y estructura de muestreo, no de un umbral automático. Prespecifique antes del análisis e informe el tratamiento real.

Lista antes de pasar al análisis

Los datos pueden pasar de forma condicionada a la siguiente etapa solo si se responde lo siguiente:

• ¿Son trazables originales, versiones, usos permitidos y diccionarios oficiales?
• ¿Se verificaron población, unidades, valores y códigos de cada variable principal?
• ¿Se registran aparte ausencia estructural, rechazo, falta de medición y causa desconocida?
• ¿Se revisaron claves, granularidad, duplicados y comparabilidad entre ciclos?
• ¿Cada transformación o exclusión tiene regla, motivo, filas afectadas y registro?
• ¿Son coherentes flujo muestral, distribuciones y diccionario antes y después?
• ¿Hay un plan específico para ausencia, diseño muestral y sensibilidad?

STROBE exige explicar el tratamiento de datos ausentes. Un registro de limpieza demuestra qué se hizo, pero no basta para demostrar corrección de diseño, métodos o conclusiones.

Preguntas frecuentes