La fusion consiste à intégrer les données d'un ensemble de données dans un autre (ajout de colonnes) et est nécessaire lorsque les données à analyser se trouvent dans plusieurs ensembles de données. Le nombre de lignes est généralement le même que celui du plus grand des ensembles de données d'origine. Par exemple, la plupart des analyses nécessitent à la fois des données démographiques et cliniques, mais celles-ci sont contenues dans deux ensembles de données différents (profile et enroll respectivement). L'ensemble de données d'analyse peut être obtenu en fusionnant les ensembles de données démographiques et cliniques en subjid et visdy. Le tableau 3 montre le résultat après fusion du tableau 1 et du tableau 2.

Tableau 3. Résultat après fusion des ensembles de données basés sur les participants et les visites

Le sous-ensemble est une autre technique importante dans la gestion des ensembles de données, qui consiste à filtrer un ensemble de données pour inclure uniquement les participants qui répondent à un certain critère (suppression de lignes). Après avoir sous-défini, le nombre de lignes dans le nouvel ensemble de données est inférieur à celui de l'ensemble de données d'origine. Par exemple, certaines analyses peuvent se concentrer sur les HDGEC, ce qui nécessite de supprimer de l’ensemble de données celles sans expansion génétique. Le tableau 4 montre le résultat après extraction du tableau 3 pour les HDGEC.

Tableau 4. Résultat après extraction de l'ensemble de données pour HDGEC

Une troisième technique de gestion des ensembles de données consiste à créer des variables dérivées, qui sont définies par une fonction ou un regroupement en termes d'autres variables. Une catégorie de variables dérivées est un score total ; de nombreux scores totaux sont inclus dans les PDS, notamment motscore et les mesures fonctionnelles TFC (c.-à-d. tfcscore) et FAS (c.-à-d. fascore). Une deuxième catégorie de variables dérivées est un score composite, qui est souvent créé pour être utilisé dans ou comme résultat d'une analyse. Le score CAP (décrit dans d'autres articles de cette série ; Warner et al. 2020) est généré à l'aide de age et caghigh. L'indice pronostique (Long et al. 2017) utilise age, caghigh, et motscore ainsi qu'une mesure cognitive, le test des modalités des chiffres-symboles (c'est-à-dire sdmt1). L'UHDRS composite (cUHDRS ; Schobel et al. 2017) est calculé à partir de motscore, tfcscore, et sdmt1 plus une mesure cognitive différente, le test de lecture de mots Stroop (c.-à-d. swrt1). Ces scores composites sont importants pour comprendre la progression de la MH.

Données manquantes Enroll-HD

Les valeurs de données manquantes sont inévitables dans les grandes études observationnelles, et deux grandes catégories de données manquantes sont pertinentes pour les publications PDS : défini par le système données manquantes (indiquées par des valeurs de variables vides), et défini par l'utilisateur données manquantes (indiquées par des codes spécifiques indiquant la raison de l'absence). Les données manquantes définies par l'utilisateur se produisent lorsqu'un champ de variable obligatoire, tel que déterminé par le système EDC, n'est pas rempli, ou lorsque la valeur saisie dans l'EDC est connue pour être erronée. Le PDS fournit des informations supplémentaires sur quatre raisons possibles pour les données manquantes définies par l'utilisateur ; la valeur des données est connue pour être « fausse » ou très douteuse, ce qui peut être dû à une erreur d'administration ou d'instrumentation ; l'élément est « non applicable », ce qui est le cas lorsque le participant ne peut pas y répondre ou ne s'applique pas en raison de certaines circonstances ; une « valeur manquante » résultant soit du refus du participant de partager, soit de l'omission accidentelle des données ; les données sont « inconnues » du participant et/ou de l'administrateur (ne s'applique qu'à des champs de variables spécifiques). Les codes de valeurs manquantes pour ces quatre raisons sont présentés dans le tableau 5. 

Tableau 5. Codes des valeurs manquantes