Fusionar es integrar datos de un conjunto de datos en otro (agregar columnas) y es necesario cuando los datos que se van a analizar se encuentran dentro de varios conjuntos de datos. El número de filas es generalmente el mismo que el mayor de los conjuntos de datos originales. Por ejemplo, la mayoría de los análisis requieren datos tanto demográficos como clínicos, pero estos están contenidos en dos conjuntos de datos diferentes (perfil e inscribirse respectivamente). El conjunto de datos de análisis se puede obtener fusionando los conjuntos de datos demográficos y clínicos mediante subjid e visdy. La Tabla 3 muestra el resultado después de fusionar la Tabla 1 y la Tabla 2.

Tabla 3. Resultado después de fusionar conjuntos de datos basados en participantes y visitas

El subconjunto es otra técnica importante en la gestión de conjuntos de datos, que consiste en filtrar un conjunto de datos para incluir solo a los participantes que cumplen con un determinado criterio (eliminando filas). Después de crear subconjuntos, el número de filas en el nuevo conjunto de datos es menor que en el conjunto de datos original. Por ejemplo, algunos análisis podrían centrarse en HDGEC, lo que requiere eliminar del conjunto de datos aquellos que no tienen la expansión genética. La Tabla 4 muestra el resultado después de subconjuntos de la Tabla 3 para HDGEC.

Tabla 4. Resultado después del subconjunto del conjunto de datos para HDGEC

Una tercera técnica en la gestión de conjuntos de datos es la creación de variables derivadas, que se definen mediante una función o agrupación en términos de otras variables. Una categoría de variables derivadas es la puntuación total; Muchas puntuaciones totales están incluidas en los PDS, incluidas motscore y medidas funcionales TFC (es decir, puntuación tfc) y FAS (es decir, fascore). Una segunda categoría de variables derivadas es la puntuación compuesta, que a menudo se crea para su uso en un análisis o como resultado de él. La puntuación CAP (descrita en otros artículos de esta serie; Warner et al. 2020) se genera utilizando edad e caghigh. El índice de pronóstico (Long et al. 2017) utiliza edad, caghigh, y motscore junto con una medida cognitiva, la prueba de modalidades de dígitos y símbolos (es decir, sdmt1). La UHDRS compuesta (cUHDRS; Schobel et al. 2017) se calcula a partir de motscore, puntuación tfc, y sdmt1 además de una medida cognitiva diferente, la prueba de lectura de palabras de Stroop (es decir, swrt1). Estas puntuaciones compuestas son importantes para comprender la progresión de la EH.

Enroll-HD Datos ausentes

Los valores de datos ausentes son inevitables en grandes estudios observacionales, y dos categorías generales de datos faltantes son relevantes para las publicaciones de PDS: definido por el sistema datos ausentes (indicados por valores de variables en blanco), y usuario definido datos ausentes (indicados por códigos específicos que indican el motivo de la ausencia). Los datos faltantes definidos por el usuario ocurren cuando un campo de variable obligatorio, según lo determinado por el sistema EDC, no está completo o cuando se sabe que el valor ingresado en el EDC es incorrecto. El PDS proporciona información adicional sobre cuatro posibles motivos por los que faltan datos definidos por el usuario; se sabe que el valor de los datos es "incorrecto" o muy cuestionable, lo que puede deberse a un error de administración o de instrumentación; el ítem es 'no aplicable', que es el caso cuando el ítem no puede ser respondido por el participante o no aplica debido a ciertas circunstancias; un 'valor faltante' que resulta de la negativa del participante a compartir o de la omisión accidental de los datos; los datos son 'desconocidos' por el participante y/o el administrador (solo se aplica a campos variables específicos). Los códigos de valor faltantes por estos cuatro motivos se muestran en la Tabla 5. 

Tabla 5. Códigos de valor faltantes