Cómo codificar variables en una base de datos médica

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

Codificar una variable consiste en establecer cómo será representada dentro de la base de datos.

Puede parecer una tarea sencilla, pero decisiones como utilizar 0 y 1, números para categorías o texto libre pueden afectar posteriormente la limpieza, interpretación y análisis.

La regla principal es sencilla:

La codificación debe definirse antes del análisis y quedar documentada.

Codificación no significa cambiar el significado

Supongamos que una variable registra hipertensión arterial.

Puede codificarse como:

• 0 = no;
• 1 = sí.

El número 1 no significa “más hipertensión” que el número 0. Funciona simplemente como un código.

Esto es especialmente importante con variables nominales.

Variables binarias

Tienen dos categorías.

Ejemplos:

• presencia o ausencia de diabetes;
• mortalidad;
• exposición;
• ingreso a UCI.

Una codificación frecuente es:

• 0 = no;
• 1 = sí.

Ejemplo:

id	diabetes
001	0
002	1

La ventaja es que muchos programas pueden utilizar directamente este formato.

Sin embargo, debe quedar documentado qué significa cada código.

Variables nominales con más de dos categorías

Ejemplo: grupo sanguíneo.

Podría codificarse:

• 1 = A;
• 2 = B;
• 3 = AB;
• 4 = O.

Estos números no representan una escala.

No tendría sentido calcular el promedio del grupo sanguíneo.

Variables ordinales

Las categorías poseen un orden.

Ejemplo:

• 1 = leve;
• 2 = moderado;
• 3 = grave.

Aquí el orden tiene significado, pero no puede asumirse automáticamente que la distancia entre leve y moderado sea idéntica a la distancia entre moderado y grave.

Esto influye en la elección del análisis estadístico.

Variables cuantitativas

Cuando la variable es originalmente numérica, normalmente conviene conservar su valor.

Por ejemplo:

• edad = 63;
• peso = 74,2;
• hemoglobina = 12,8.

Evita convertir prematuramente una variable continua en categorías.

Por ejemplo, transformar una edad de 47 años en:

“menor de 50”

elimina información.

Las categorías pueden crearse posteriormente si existe una justificación clínica o metodológica.

¿Texto o números para variables categóricas?

Ambos formatos pueden utilizarse si se mantienen de forma consistente.

Texto

Ejemplo:

• femenino;
• masculino.

Ventaja: es fácil de interpretar visualmente.

Código numérico

Ejemplo:

• 0 = femenino;
• 1 = masculino.

Ventaja: puede simplificar algunos procesos analíticos.

Lo importante es disponer de un diccionario que explique la correspondencia.

No utilices números con significado ambiguo

Una base que contiene:

estado = 3

no sirve de mucho si nadie sabe qué significa 3.

El diccionario debe indicar:

Variable	Código	Significado
estado	1	Vivo
estado	2	Fallecido
estado	3	Perdido durante seguimiento

Cómo codificar “no aplica”

“No aplica” no es necesariamente lo mismo que “dato faltante”.

Ejemplo:

Si solo las mujeres embarazadas tienen una variable de edad gestacional, para una persona a quien esa variable no corresponde el dato no está “perdido”: no aplica.

Conviene diferenciar conceptos como:

• no medido;
• desconocido;
• no aplica;
• perdido durante seguimiento.

Dependiendo de la estructura, esto puede documentarse con variables auxiliares o códigos claramente definidos.

No utilices 999 sin documentarlo

Durante años ha sido frecuente utilizar:

• 99;
• 999;
• -9;

para indicar ausencia.

El problema aparece si ese número termina siendo analizado como un valor real.

Por ejemplo, una edad de 999 años modificaría completamente la distribución.

Si se utilizan códigos especiales durante captura, deben estar documentados y convertirse correctamente a valores faltantes antes del análisis.

Codificación de fechas

Las fechas deberían guardarse como fechas, no como categorías.

Por ejemplo:

2026-08-07

Posteriormente pueden derivarse variables como:

• edad;
• días de hospitalización;
• tiempo de seguimiento.

Es preferible conservar la información original y calcular las derivadas.

Codificación de respuestas múltiples

Supongamos:

¿Qué comorbilidades presenta el paciente?

con opciones:

• hipertensión;
• diabetes;
• enfermedad renal;
• EPOC.

No conviene escribir todas dentro de una celda.

Crea variables binarias:

• hta;
• dm;
• erc;
• epoc.

Cada una puede codificarse 0/1.

Variables derivadas

Una variable derivada se calcula a partir de otras.

Ejemplo:

IMC = peso / talla².

El diccionario debería indicar:

• nombre de la variable;
• variables utilizadas;
• fórmula;
• unidad;
• reglas especiales.

Esto permite reproducir el cálculo.

¿Qué hacer con el texto libre?

Utilízalo cuando la información realmente lo requiere, pero no como sustituto de una variable estructurada.

Por ejemplo, una columna:

“Antecedentes”

con párrafos completos será difícil de analizar cuantitativamente.

Si determinados antecedentes son importantes para el estudio, deberían convertirse en variables previamente definidas.

Errores frecuentes y como codificar variables en una base de datos médica

Evita:

• utilizar códigos diferentes para la misma categoría;
• cambiar la codificación a mitad de la recolección;
• asignar categorías sin documentarlas;
• usar códigos numéricos como si fueran cantidades;
• categorizar variables continuas innecesariamente;
• mezclar texto y números;
• tratar “no aplica” como cero;
• cambiar categorías después de observar los resultados.

Ejemplo de codificación

Variable	Tipo	Codificación
edad	cuantitativa	años cumplidos
sexo	categórica	0 = femenino; 1 = masculino
hipertensión	binaria	0 = no; 1 = sí
gravedad	ordinal	1 = leve; 2 = moderada; 3 = grave
peso	cuantitativa	kg
fecha_ingreso	fecha	AAAA-MM-DD

Este pequeño cuadro ya constituye parte de un diccionario de variables.

Conclusión

Una buena codificación hace que la base sea interpretable tanto para el investigador como para el analista.

No existe una única codificación universal para todas las investigaciones. Lo importante es que sea:

• lógica;
• consistente;
• documentada;
• compatible con la definición metodológica de la variable.

La codificación debe construirse a partir de las variables del protocolo, no improvisarse después de terminar la recolección.

¿Necesitas estructurar o revisar las variables de tu base?

En DataMedix podemos revisar la definición, operacionalización y codificación de tus variables antes de iniciar el análisis estadístico.

Referencias

1. CDISC. Define-XML. https://evs.nci.nih.gov/ftp1/CDISC/Define-XML/Define-XML%20Terminology.html
2. CDISC. Controlled Terminology. https://www.cdisc.org/standards/terminology/controlled-terminology
3. Broman, K. W., & Woo, K. H. (2018). Data organization in spreadsheets. The American Statistician, 72(1), 2-10.
4. Wickham, H. (2014). Tidy data. Journal of statistical software, 59, 1-23.