L'unione consiste nell'integrazione dei dati da un set di dati in un altro (aggiunta di colonne) ed è necessaria quando i dati da analizzare si trovano all'interno di più set di dati. Il numero di righe è generalmente uguale al più grande dei set di dati originali. Ad esempio, la maggior parte delle analisi richiedono sia dati demografici che clinici, ma questi sono contenuti in due diversi set di dati (profilo e iscriversi rispettivamente). Il set di dati di analisi può essere ottenuto unendo i set di dati demografici e clinici da subjid e visdy. La Tabella 3 mostra il risultato dopo aver unito la Tabella 1 e la Tabella 2.

Tabella 3. Risultato dopo l'unione dei set di dati basati sui partecipanti e sulle visite

Il sottoinsieme è un'altra tecnica importante nella gestione del set di dati, che consiste nel filtrare un set di dati per includere solo i partecipanti che soddisfano un determinato criterio (rimuovendo le righe). Dopo aver creato il sottoinsieme, il numero di righe nel nuovo set di dati è inferiore a quello del set di dati originale. Ad esempio, alcune analisi potrebbero concentrarsi sugli HDGEC, il che richiede la rimozione dal set di dati di quelli senza l’espansione genetica. La Tabella 4 mostra il risultato dopo aver sottoimpostato la Tabella 3 per gli HDGEC.

Tabella 4. Risultato dopo il sottoinsieme del set di dati per HDGEC

Una terza tecnica nella gestione dei set di dati consiste nella creazione di variabili derivate, definite da una funzione o raggruppamento in termini di altre variabili. Una categoria di variabili derivate è il punteggio totale; molti punteggi totali sono inclusi nei PDS, inclusi motscore e misure funzionali TFC (ovvero, tfcscore) e FAS (ovvero, fascore). Una seconda categoria di variabili derivate è costituita dai punteggi compositi, spesso creati per essere utilizzati all'interno o come risultato di un'analisi. Il punteggio CAP (descritto in altri articoli di questa serie; Warner et al. 2020) viene generato utilizzando età e caghigh. L'indice prognostico (Long et al. 2017) utilizza età, caghigh, E motscore insieme a una misura cognitiva, il Symbol Digit Modalities Test (ovvero, sdmt1). L'UHDRS composito (cUHDRS; Schobel et al. 2017) è calcolato da motscore, tfcscore, E sdmt1 più una diversa misura cognitiva, lo Stroop Word Reading Test (cioè, swrt1). Questi punteggi compositi sono importanti per comprendere la progressione della MH.

Enroll-HD Dati mancanti

I valori dei dati mancanti sono inevitabili nei grandi studi osservazionali e due categorie generali di dati mancanti sono rilevanti per i rilasci PDS: definito dal sistema dati mancanti (indicati da valori di variabile vuoti) e definito dall'utente dati mancanti (indicati da codici specifici che indicano il motivo della mancanza). I dati mancanti definiti dall'utente si verificano quando un campo variabile obbligatorio, come determinato dal sistema EDC, non è completato o quando è noto che il valore immesso nell'EDC è errato. Il PDS fornisce informazioni aggiuntive su quattro possibili ragioni per i dati mancanti definiti dall'utente; è noto che il valore dei dati è "sbagliato" o altamente discutibile, il che può essere dovuto a errori di amministrazione o di strumentazione; la domanda è "non applicabile", ovvero quando il partecipante non può rispondere alla domanda o non si applica a causa di determinate circostanze; un "valore mancante" derivante dal rifiuto del partecipante di condividere o dall'omissione accidentale dei dati; i dati sono "sconosciuti" al partecipante e/o all'amministratore (si applica solo a campi variabili specifici). I codici dei valori mancanti per questi quattro motivi sono mostrati nella Tabella 5. 

Tabella 5. Codici valore mancanti