Cómo organizar una base de datos para análisis estadístico

Contenido elaborado por el equipo DataMedix.
Revisión metodológica: Lucas Vargas, médico especialista en Epidemiología.

Una parte importante de los problemas que aparecen durante un análisis estadístico no comienza en la prueba estadística. Comienza mucho antes: en la forma en que se construyó la base de datos.

Una hoja de cálculo puede contener toda la información necesaria y aun así ser difícil de analizar si tiene varias tablas mezcladas, títulos entre las filas, variables escritas de diferentes maneras, fechas inconsistentes o valores faltantes representados con múltiples códigos.

Por eso, organizar correctamente la base de datos no es solamente una tarea administrativa. Es parte de la metodología de la investigación.

¿Qué significa organizar una base de datos?

Organizar una base de datos significa estructurar la información de manera que cada dato tenga un lugar definido y pueda ser interpretado de forma consistente.

En una base tabular utilizada para investigación, una estructura práctica es:

• cada fila representa una unidad de observación;
• cada columna representa una variable;
• cada celda contiene un único valor;
• cada columna mantiene el mismo significado y tipo de información para todos los participantes.

La unidad de observación puede ser un paciente, una consulta, una hospitalización, una muestra de laboratorio o una medición, dependiendo del diseño.

Por eso, antes de abrir Excel, es necesario definir qué representa realmente una fila.

Paso 1. Define la unidad de análisis

Esta es una de las primeras decisiones.

Si se estudian pacientes y cada persona aparece una sola vez, una fila puede corresponder a un paciente.

Por ejemplo:

id	edad	sexo	diabetes	mortalidad
001	63	F	Sí	No
002	71	M	No	Sí

Sin embargo, si cada paciente tiene varias consultas, procedimientos o mediciones, colocar simplemente varias filas por persona puede modificar la estructura del análisis.

En ese caso puede ser necesario trabajar con:

• una base de pacientes;
• otra base de consultas;
• otra base de mediciones;
• un identificador que permita relacionarlas.

Antes de construir la base debe responderse:

¿Qué representa exactamente cada fila?

Paso 2. Utiliza un identificador único

Cada participante debería tener un código que lo diferencie de todos los demás.

Por ejemplo:

• DM001;
• DM002;
• DM003.

El identificador permite:

• detectar duplicados;
• relacionar diferentes tablas;
• verificar registros;
• corregir inconsistencias;
• rastrear observaciones sin depender del nombre del paciente.

Cuando sea posible, la base utilizada para análisis no debería incluir directamente datos identificadores innecesarios como nombres completos, documentos o teléfonos.

La información identificable debe manejarse de acuerdo con las condiciones éticas y de protección de datos aplicables al estudio.

Paso 3. Una columna debe representar una variable

Evita columnas como:

“Edad y sexo”

o:

“Presión arterial y frecuencia cardiaca”.

Deben separarse:

• edad;
• sexo;
• presión arterial sistólica;
• presión arterial diastólica;
• frecuencia cardiaca.

Esto permite que cada variable pueda analizarse independientemente.

Paso 4. Una celda debe contener un solo dato

Una celda como:

“HTA, diabetes y obesidad”

es fácil de leer para una persona, pero difícil de analizar automáticamente.

Si cada condición será estudiada, conviene crear variables independientes:

hipertension	diabetes	obesidad
1	1	0

Lo mismo ocurre con mediciones.

No escribas:

120/80

si posteriormente necesitas analizar presión sistólica y diastólica por separado.

Utiliza:

• PAS = 120;
• PAD = 80.

Paso 5. Define nombres claros para las variables

Los encabezados deben ser:

• únicos;
• cortos;
• consistentes;
• fáciles de interpretar.

Por ejemplo:

Adecuados

• edad
• sexo
• peso_kg
• talla_cm
• hta
• fecha_ingreso

Poco recomendables

• Variable 1
• Pregunta final corregida
• peso paciente KG!!
• dato2
• resultado definitivo

Puedes usar nombres técnicos en la base y mantener una descripción completa en un diccionario de variables.

Paso 6. Mantén un solo tipo de dato por columna

Una columna de edad debería contener números.

No:

edad
68
72 años
adulto mayor
59

Una columna con números y texto obliga a realizar correcciones antes del análisis.

Lo mismo ocurre con las fechas.

Selecciona un formato único, por ejemplo:

2026-08-07

y úsalo para todos los registros.

Paso 7. No escribas las unidades dentro de cada celda

En lugar de:

• 65 kg;
• 72 kg;
• 81 kg;

utiliza números:

• 65;
• 72;

Y especifica la unidad en el nombre o en el diccionario:

peso_kg

Esto permite que el programa reconozca la variable como numérica.

Paso 8. Define cómo se codificarán las categorías

Una variable no debería aparecer así:

• Masculino
• masculino
• M
• masc
• Hombre
• hombre

Aunque una persona comprende que probablemente representan lo mismo, para un programa pueden ser categorías diferentes.

Selecciona una única codificación.

Por ejemplo:

• 0 = femenino;
• 1 = masculino.

O utiliza directamente categorías estandarizadas en texto, dependiendo del análisis y del sistema empleado.

Lo importante es que exista consistencia y documentación.

Paso 9. Diferencia un valor faltante de un valor cero

Un dato ausente no significa necesariamente cero.

Por ejemplo:

Creatinina = 0

es completamente diferente de:

Creatinina no medida.

Tampoco es recomendable mezclar:

• vacío;
• ND;
• no disponible;
• 999;
• N/A;
• -;
• pendiente;

para representar el mismo tipo de ausencia.

Debe definirse desde el protocolo o el diccionario cómo se documentarán los datos faltantes y, cuando sea relevante, la razón por la cual faltan.

Paso 10. Evita utilizar colores como datos

Un error frecuente consiste en utilizar colores para representar información:

• rojo = paciente fallecido;
• amarillo = dato pendiente;
• verde = paciente sin complicación.

El color puede ser útil visualmente, pero no debe ser la única forma de almacenar una variable.

Si la mortalidad es una variable, debe existir una columna explícita:

mortalidad

El color puede utilizarse adicionalmente, pero no reemplazar el dato.

Paso 11. Evita combinar celdas dentro de la tabla

Las celdas combinadas funcionan bien para presentaciones, pero pueden causar problemas al importar información a R, Python, SPSS, Stata u otros programas.

La base analítica debe ser rectangular y simple.

No necesita verse como un informe.

Necesita funcionar como un conjunto de datos.

Paso 12. No agregues subtítulos dentro de las filas

Evita estructuras como:

Pacientes grupo A
Paciente 1
Paciente 2
Pacientes grupo B
Paciente 3

El grupo debe ser otra variable:

id	grupo
001	A
002	A
003	B

Base de captura y base de análisis no siempre son lo mismo

Puede ser útil conservar diferentes versiones:

Base original

Contiene los datos tal como fueron obtenidos.

No debería modificarse de manera irreversible.

Base de trabajo

Se utiliza para:

• revisar inconsistencias;
• crear variables;
• documentar correcciones;
• preparar el análisis.

Base analítica

Contiene las variables finales necesarias para ejecutar el plan estadístico.

Esta separación permite conservar trazabilidad.

¿Qué debería acompañar a la base?

Idealmente:

• diccionario de variables;
• criterios de codificación;
• definición de valores faltantes;
• fuente de cada variable;
• unidades;
• reglas de validación;
• registro de transformaciones importantes.

Una base sin documentación puede volverse difícil de interpretar incluso para la persona que la creó.

Errores frecuentes

Entre los problemas que encontramos con mayor frecuencia están:

• pacientes duplicados;
• columnas duplicadas;
• números almacenados como texto;
• categorías escritas de múltiples maneras;
• fórmulas que sustituyen los valores originales;
• variables sin definición;
• fechas inconsistentes;
• celdas combinadas;
• varias tablas en una misma hoja;
• valores faltantes codificados como cero;
• ausencia de un identificador único.

Checklist. Antes analizar, recuerda siempre organizar una base de datos para análisis estadístico

Verifica:

• ¿Cada fila representa claramente una unidad de observación?
• ¿Existe un identificador único?
• ¿Cada columna representa una sola variable?
• ¿Cada celda contiene un único valor?
• ¿Las categorías están estandarizadas?
• ¿Las unidades son consistentes?
• ¿Las fechas utilizan el mismo formato?
• ¿Los valores faltantes están definidos?
• ¿Se revisaron los duplicados?
• ¿Existe un diccionario de variables?
• ¿Se conserva una copia de la base original?

Conclusión

Una base de datos correctamente organizada reduce trabajo posterior, facilita la detección de errores y permite que el análisis sea reproducible.

La estructura ideal depende del diseño de investigación, pero una regla general resulta especialmente útil:

una observación por fila, una variable por columna y un valor por celda.

Construir la base pensando desde el principio en el análisis estadístico evita muchos de los problemas que aparecen cuando la investigación ya está avanzada.

¿Tienes una base de datos y no sabes si está correctamente estructurada?

En DataMedix podemos revisar la organización, codificación, consistencia y calidad de tu base antes de iniciar el análisis estadístico, identificando problemas que podrían afectar posteriormente los resultados.

Referencias

1. Broman, K. W., & Woo, K. H. (2018). Data organization in spreadsheets. The American Statistician, 72(1), 2-10.
2. Ineichen, B. V., Held, U., Salanti, G., Macleod, M. R., & Wever, K. E. (2024). Systematic review and meta-analysis of preclinical studies. Nature Reviews Methods Primers, 4(1), 72.
3. Wickham, H. (2014). Tidy data. Journal of statistical software, 59, 1-23.
4. Virshup, I., Rybakov, S., Theis, F. J., Angerer, P., & Wolf, F. A. (2024). anndata: Access and store annotated data matrices. Journal of Open Source Software, 9(101), 4371.
5. Lee, H., Chapiro, J., Schernthaner, R., Duran, R., Wang, Z., Gorodetski, B., … & Lin, M. (2015). How I do it: a practical database management system to assist clinical research teams with data collection, organization, and reporting. Academic radiology, 22(4), 527-533.
6. US Food and Drug Administration. (2018). Data integrity and compliance with drug CGMP: Questions and answers. Guidance for Industry.[(accessed on 6 June 2025)].