Les dimensions de la qualité
Parler de « données propres » sans préciser de quelle propriété on parle mène à des efforts mal placés : on passe des heures à remplir des cases vides alors que le défaut réel est ailleurs.
| Dimension | Question à laquelle elle répond | Se corrige après coup ? |
|---|---|---|
| Exactitude | La valeur correspond-elle à ce qui a été observé ? | Rarement — il faut retourner au dossier source |
| Complétude | Ce qui manque est-il documenté comme manquant ? | Non — l'absence non tracée reste ambiguë |
| Cohérence | Les variables liées se contredisent-elles ? | Oui, en partie |
| Conformité | Le format, le type et l'unité sont-ils respectés ? | Oui |
| Traçabilité | Sait-on d'où vient la valeur ? | Non — elle se perd définitivement |
| Actualité | La valeur correspond-elle à la bonne date ? | Non, si la date n'a pas été saisie |
La qualité se produit avant le recueil
Le réflexe courant consiste à recueillir d'abord et nettoyer ensuite. C'est l'ordre le plus coûteux, et celui qui produit les jeux les moins défendables : le nettoyage a posteriori consiste à deviner ce que l'auteur voulait dire, des mois après.
Ce qui se décide avant
- Le type et l'échelle — un entier n'accepte pas « modéré », une variable ordinale n'accepte pas une moyenne.
- L'unité — déclarée, normalisée selon UCUM, donc convertible sans ambiguïté.
- Les bornes — deux niveaux distincts : le possible (au-delà, refus) et le plausible (au-delà, avertissement).
- Les modalités — liste fermée, pour qu'« HTA », « hta » et « hypertension » ne deviennent pas trois catégories.
- Les raisons d'absence admises — la différence entre non recherché, recherché et introuvable, et non applicable.
Tout cela est le contenu du dictionnaire de données, et c'est pourquoi il précède le recueil plutôt que de le documenter.
Les contrôles qui servent réellement
Bornes possibles et bornes plausibles, séparées
Un âge de 210 ans est impossible et doit être refusé. Un âge de 103 ans est improbable mais réel : le refuser ferait perdre une donnée vraie. Confondre les deux niveaux produit soit des refus abusifs, soit des aberrations acceptées.
Cohérence entre variables liées
Une date de sortie antérieure à la date d'entrée, un stade métastatique sans site métastatique renseigné, une complication de grade 4 avec une durée de séjour de deux jours : ces contradictions se détectent par règle, pas par relecture.
Complétude par variable, pas globale
Un taux de remplissage global de 94 % peut masquer une variable renseignée à 30 % — et si c'est le critère de jugement principal, l'étude est compromise alors que l'indicateur global paraît excellent.
Relecture humaine des cas jugés
Les contrôles automatiques attrapent l'impossible. Ils n'attrapent pas le vraisemblable et faux. Seule la relecture dossier par dossier le fait, et elle doit être concentrée là où un jugement a été nécessaire — ce que la provenance permet de savoir.
Comment AnzarSeha traite le sujet
- Le typage, les unités et les bornes sont portés par le dictionnaire engendré à la création de l'étude, donc actifs dès la première saisie.
- Les bornes du possible refusent la valeur ; les bornes du plausible la laissent passer avec un avertissement conservé.
- Les raisons d'absence sont une liste fermée, propre à chaque variable, et chacune porte sa conséquence analytique.
- L'export inclut une table des manquants : ce qui manque, pour quelle raison déclarée, variable par variable.
- Chaque valeur porte son origine, ce qui permet de cibler la relecture sur les cas ayant demandé un jugement.
Ce qui se rapporte dans une publication
La qualité des données n'est pas seulement un travail interne : STROBE attend qu'un article observationnel décrive comment les variables ont été mesurées, comment les données manquantes ont été traitées, et quels efforts ont été faits pour limiter les biais d'information.
- Le nombre de dossiers éligibles, inclus et exclus, avec les motifs.
- Pour chaque variable d'intérêt, la proportion de valeurs manquantes et la méthode de traitement retenue.
- La source de chaque variable principale : mesurée, calculée, extraite d'un compte rendu.
- Les règles de contrôle appliquées et le nombre de valeurs qu'elles ont écartées.
Un jeu de données géré selon ce qui précède fournit ces chiffres sans travail supplémentaire. Un jeu géré dans un tableur oblige à les reconstituer, souvent de mémoire.
Questions fréquentes
Faut-il imputer les valeurs manquantes ?
C'est une décision statistique, pas une décision de gestion des données. Ce que la gestion des données doit fournir, c'est de quoi la prendre : le taux de manquants par variable et la raison déclarée de chaque absence. Imputer sans connaître le mécanisme d'absence revient à inventer des données.
Un taux de complétude de 100 % est-il un bon signe ?
Pas nécessairement. Une complétude parfaite sur une cohorte rétrospective est souvent le signe qu'une valeur par défaut a été saisie là où l'information manquait — ce qui est plus grave qu'une case vide, parce que c'est indétectable.
Quand arrêter le contrôle qualité ?
Quand les incohérences restantes ont été examinées et documentées, et avant le gel de la base. Après le gel, corriger une valeur reste possible mais exige une réouverture motivée, inscrite au journal.