¿Tu base de datos está lista para análisis? Checklist

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

Tener todos los pacientes en Excel no significa que la base esté lista para análisis estadístico.

Antes de calcular un valor p, construir una tabla o ajustar un modelo, es necesario verificar que la información sea coherente con el protocolo y tenga una estructura analizable.

Este checklist permite realizar una revisión inicial.

1. ¿La unidad de análisis está clara?

Debes saber qué representa una fila:

• paciente;
• consulta;
• hospitalización;
• procedimiento;
• muestra;
• medición.

Si un paciente puede aparecer varias veces, debe existir una razón metodológica para ello.

2. ¿Existe un identificador único?

Comprueba que:

• cada participante tenga un ID;
• no haya ID vacíos;
• el mismo ID no aparezca repetido accidentalmente.

3. ¿El número de participantes coincide con lo esperado?

Compara:

• pacientes evaluados;
• incluidos;
• excluidos;
• registrados;
• finalmente analizados.

Las diferencias deberían poder explicarse.

4. ¿Cada columna corresponde a una variable?

No deberían existir columnas que mezclen varias mediciones.

5. ¿Los nombres son únicos?

No deberían existir dos columnas llamadas:

edad

ni variables ambiguas como:

dato1.

6. ¿Los tipos de datos son correctos?

Verifica:

• números almacenados como números;
• fechas como fechas;
• categorías consistentes;
• ausencia de unidades dentro de valores numéricos.

7. ¿Las categorías están estandarizadas?

Una variable binaria no debería contener simultáneamente:

• Sí;
• SI;
• si;
• 1;
• positivo.

Unifica la codificación.

8. ¿Los rangos son clínicamente posibles?

Busca:

• edades negativas;
• saturaciones mayores de 100 %;
• fechas de alta anteriores al ingreso;
• pesos imposibles;
• valores de laboratorio incompatibles con la unidad registrada.

Un valor extremo no debe eliminarse automáticamente. Primero hay que verificarlo.

9. ¿Hay duplicados?

Examina:

• ID;
• fecha;
• combinaciones de variables;
• registros idénticos.

Distingue duplicados accidentales de mediciones repetidas reales.

10. ¿Los valores faltantes están identificados?

Determina:

• cuánto falta;
• dónde;
• por qué;
• si afecta variables principales.

11. ¿Se diferenció cero de dato faltante?

Especialmente importante en:

• laboratorio;
• escalas;
• días;
• dosis;
• eventos.

12. ¿Las variables principales están completas?

Presta atención a:

• exposición principal;
• desenlace;
• covariables esenciales;
• variables necesarias para criterios de inclusión.

Una base puede tener pocos faltantes globalmente y aun así ser problemática si falta información en el desenlace principal.

13. ¿Los criterios de inclusión y exclusión pueden comprobarse?

La base debería permitir identificar por qué cada participante forma parte del estudio.

14. ¿Las fechas siguen una secuencia lógica?

Por ejemplo:

nacimiento < ingreso < intervención < alta < seguimiento.

Errores cronológicos pueden revelar problemas importantes.

15. ¿Las variables derivadas pueden reproducirse?

Si existe:

• IMC;
• tiempo de estancia;
• índice clínico;
• puntuación;

debe conocerse cómo fue calculado.

16. ¿Existe un diccionario de variables?

Debe explicar:

• nombre;
• definición;
• tipo;
• código;
• unidad;
• fuente;
• valores permitidos.

17. ¿La base coincide con los objetivos?

Haz una prueba sencilla:

Para cada objetivo, ¿puedo identificar las variables necesarias?

Si un objetivo no puede reconstruirse a partir de la base, probablemente falta información.

18. ¿La base permite ejecutar el análisis planeado?

Por ejemplo, si quieres analizar tiempo hasta un evento necesitas normalmente información sobre:

• inicio;
• final del seguimiento;
• ocurrencia del evento;
• tiempo observado.

No basta con tener una columna llamada “mortalidad”.

19. ¿Conservas la base original?

Nunca dependas exclusivamente de una versión ya modificada.

Conserva:

• original;
• versión limpia;
• versión analítica.

20. ¿Las modificaciones están documentadas?

Si cambiaste:

edad = 350

por:

edad = 35

debería ser posible saber por qué se hizo la corrección.

Semáforo práctico

Verde

La base:

• está documentada;
• es consistente;
• tiene pocos problemas pendientes;
• permite responder los objetivos.

Amarillo

Existen:

• faltantes importantes;
• dudas de codificación;
• inconsistencias;
• variables que requieren confirmación.

Todavía no conviene ejecutar el análisis final.

Rojo

No están claros:

• desenlace;
• exposición;
• unidad de análisis;
• criterios de selección;
• significado de las columnas.

En este escenario, realizar pruebas estadísticas puede producir resultados difíciles de defender.

Conclusión

El análisis estadístico debería comenzar cuando la base está metodológicamente preparada, no solamente cuando terminó la digitación.

Una revisión sistemática antes del análisis permite detectar problemas cuando todavía pueden investigarse y documentarse.

¿No sabes si tu base está lista?

En DataMedix podemos realizar una revisión previa de estructura, consistencia, duplicados, faltantes, variables y coherencia con los objetivos antes de ejecutar el análisis estadístico.

Referencias

1. Broman, K. W., & Woo, K. H. (2018). Data organization in spreadsheets. The American Statistician, 72(1), 2-10.
2. Tierney, N., & Cook, D. (2023). Expanding tidy data principles to facilitate missing data exploration, visualization and assessment of imputations. Journal of Statistical Software, 105, 1-31.
3. CDISC. Define-XML.
4. Charoo, N. A., Khan, M. A., & Rahman, Z. (2023). Data integrity issues in pharmaceutical industry: Common observations, challenges and mitigations strategies. International journal of pharmaceutics, 631, 122503.
5. von Elm E, et al. STROBE Statement.