Préparer sa base Excel ou SPSS : les 10 erreurs qui retardent l'analyse

Les trois règles de base

La plupart des retards d'analyse ne viennent pas des statistiques mais de la base. Une base mal structurée doit être reprise avant le moindre test, parfois dossier par dossier. Trois règles évitent l'essentiel des problèmes :

1. Une ligne = un patient (ou une unité d'analyse : un œil, un séjour, un cycle). Pas de ligne de titre au milieu, pas de ligne de total en bas, pas de deuxième tableau à côté.
2. Une colonne = une variable, avec un nom court sur une seule ligne d'en-tête. Pas de cellules fusionnées, pas d'en-têtes sur deux niveaux.
3. Une cellule = une seule information. « HTA + diabète » dans une cellule contient deux variables ; « 38,5 °C » mélange une valeur et une unité.

Ajoutez une première colonne avec un identifiant d'étude (1, 2, 3… ou P001, P002…), propre à votre thèse et sans lien visible avec l'identité du patient. Gardez les données sur une seule feuille, et le dictionnaire des variables sur une autre.

N'utilisez jamais la couleur comme information. Une ligne surlignée en rouge pour « décédé » est invisible pour SPSS : créez une colonne deces (0/1).

Les 10 erreurs en un tableau

Une onzième faute, plus grave que les autres : laisser dans la base des noms, des numéros de téléphone ou des numéros de dossier. Nous y revenons plus bas.

Un exemple avant et après

Dans une base mal construite, on trouve souvent une seule cellule de ce type : « Mme, 54 ans, HTA, Hb 115, entrée le 12/3/23 ». Toutes ces informations existent, mais aucune n'est analysable. La même patiente, dans une base exploitable :

Chaque colonne est une variable, chaque code est décrit dans le dictionnaire (sexe : 1 = homme, 2 = femme), l'hémoglobine est convertie dans l'unité choisie et la date est une vraie date. Le diabète, absent de la cellule d'origine, n'est saisi 0 que si le dossier indique explicitement son absence ; sinon, la cellule reste vide.

Coder les variables qualitatives

Des codes numériques, toujours les mêmes

Saisissez des codes plutôt que du texte : 1 = oui, 0 = non pour les variables binaires ; 1, 2, 3… pour les variables à plusieurs modalités (stade I, II, III). Le même code doit avoir le même sens dans toute la base : si 1 = oui pour l'HTA, 1 = oui aussi pour le diabète. Pour les variables ordonnées, suivez l'ordre clinique (1 = léger, 2 = modéré, 3 = sévère).

Le dictionnaire des variables

Sur une feuille séparée, une ligne par variable : nom court, libellé complet, unité, codes et leur signification, valeurs plausibles. C'est le document qui permet à votre encadrant ou au statisticien de lire la base sans vous appeler.

Texte libre et cases à cocher multiples

Le texte libre ne s'analyse pas. Si une information n'existe qu'en clair dans les dossiers (motif de consultation, compte rendu opératoire), définissez des catégories avant la saisie et codez-les. Une colonne de commentaire peut rester, mais elle ne sert pas à l'analyse.

Quand plusieurs réponses sont possibles (symptômes, antécédents, complications), créez une colonne 0/1 par réponse. Une seule colonne « fièvre, toux, dyspnée » oblige à tout redécouper à la main.

Dates, unités et variables calculées

Les dates

Une date par colonne (naissance, admission, intervention, sortie), toutes au même format jour/mois/année et reconnues comme des dates par Excel. Une date alignée à gauche dans la cellule est souvent du texte : elle ne permettra aucun calcul de délai. Si seule l'année est connue, ne fabriquez pas un « 01/01 » : notez-le dans le dictionnaire ou utilisez une colonne séparée.

Les nombres et les unités

Une colonne quantitative ne contient que des nombres : pas de « 38,5 °C », de « < 5 » ni de « environ 60 ». Mettez l'unité dans le nom de la colonne (creat_umol, hb_gdl) et convertissez toutes les valeurs dans cette unité. Vérifiez aussi le séparateur décimal : sur un poste réglé en français, « 11.5 » saisi avec un point est souvent lu comme du texte.

Les mesures répétées

Si une même mesure est relevée à plusieurs temps (hémoglobine à J0, J7 et J30), gardez une ligne par patient et créez une colonne par temps : hb_j0, hb_j7, hb_j30. C'est le format qu'attendent les tests appariés dans SPSS. Ajouter une ligne par consultation oblige à restructurer la base avant l'analyse.

Les variables calculées

Saisissez les valeurs brutes, pas seulement leur résumé : l'âge (ou les dates) plutôt que la classe d'âge, le poids et la taille plutôt que « obèse oui/non », la valeur de la troponine plutôt que « positive ». Les classes, l'IMC, les délais et les scores se calculent ensuite, selon des définitions écrites dans votre M&M. L'inverse est impossible : une classe d'âge ne redonne jamais l'âge.

Données manquantes : ne jamais deviner

Une donnée absente du dossier reste absente. Ne la remplacez ni par 0, ni par la valeur « habituelle », ni par celle du patient voisin. Distinguez soigneusement ce qui ressemble à une absence :

Pourquoi c'est important : si une donnée inconnue est saisie 0 (« non »), les pourcentages sont faussés sans que personne le voie. Si elle est saisie « NR » dans une colonne de nombres, SPSS, selon les options d'import, lit toute la colonne comme du texte ou transforme les « NR » en valeurs manquantes sans le signaler. Une cellule vide est exclue du calcul, et le dénominateur réel s'affiche dans vos tableaux (par exemple 34/48).

Cette règle se retrouve dans votre M&M, qui doit dire comment les données manquantes ont été traitées. Une formulation simple suffit dans la plupart des thèses :

« Les pourcentages ont été calculés sur les données disponibles ; le dénominateur est précisé lorsqu'il diffère de l'effectif total. Les données manquantes n'ont fait l'objet d'aucune imputation. »

Si vous utilisez un code pour « manquant » (99 ou 999), déclarez-le comme valeur manquante dans SPSS. Sinon, il entre dans les moyennes : un âge moyen de 112 ans trahit souvent un 999 oublié.

Valeurs impossibles et doublons

Avant d'envoyer votre base, triez chaque colonne quantitative du plus petit au plus grand et regardez les extrêmes. Une pression artérielle de 1120 mmHg (pour 112), une hémoglobine de 57 g/dL (une valeur en g/L saisie dans une colonne en g/dL), une date de sortie antérieure à l'admission : retournez au dossier. Si la valeur juste n'est pas retrouvée, laissez la cellule vide. Ne corrigez jamais « au jugé ».

Pour les doublons, triez par identifiant, puis par date de naissance et date d'admission. Deux lignes presque identiques peuvent être un doublon de saisie ou deux séjours du même patient. Ne supprimez rien sans avoir vérifié dans les dossiers, et décidez à l'avance de l'unité d'analyse : le patient ou le séjour.

Les contrôles de cohérence

Certaines erreurs ne se voient qu'en croisant deux colonnes. Quelques vérifications rapides, par filtre ou tableau croisé :

• une date de sortie antérieure à la date d'admission, ou un délai négatif ;
• une grossesse chez un patient codé homme ;
• une complication postopératoire chez un patient non opéré ;
• un âge qui ne correspond pas à la date de naissance et à la date d'admission ;
• une variable « autre, préciser » cochée sans précision, ou une précision sans case cochée.

Gardez toujours une copie intacte de la base d'origine et travaillez sur une copie. Notez chaque correction dans un journal : identifiant du patient, variable, valeur avant, valeur après, motif. Vous pourrez justifier chaque chiffre devant votre encadrant ou le jury.

Anonymiser la base

La base qui circule (vers votre encadrant, un statisticien, une clé USB) ne doit contenir aucune donnée permettant d'identifier un patient :

• ni nom, ni prénom, ni initiales ;
• ni numéro de téléphone, ni adresse précise ;
• ni numéro de dossier, ni numéro d'identité ou d'assurance.

Si vous devez pouvoir revenir au dossier pour une vérification, tenez une table de correspondance (identifiant d'étude, numéro de dossier) dans un fichier séparé, protégé, que vous gardez pour vous et qui ne quitte pas le service. Remplacez la date de naissance par l'âge si l'analyse n'a pas besoin des dates exactes.

Passer d'Excel à SPSS

Une base Excel bien construite s'importe dans SPSS en quelques minutes. La ligne d'en-tête devient le nom des variables : des noms courts, commençant par une lettre, sans espace ni accent ni caractère spécial (age, hta, creat_umol) passent sans difficulté. Ensuite, dans l'onglet Affichage des variables :

• Libellé : l'intitulé complet (« Créatinine à l'admission (µmol/L) »), qui apparaîtra dans les tableaux.
• Valeurs : les libellés de valeurs (1 = « Homme », 2 = « Femme »). Sans elles, vos tableaux affichent des 1 et des 2.
• Manquant : les codes de valeurs manquantes (9, 99, 999), s'il y en a.
• Mesure : Échelle pour les quantitatives, Ordinale pour les classes ordonnées, Nominale pour les catégories sans ordre. Certaines boîtes de dialogue, comme l'éditeur de graphiques, en tiennent compte.

Vérifiez enfin le type de chaque variable : une colonne quantitative importée en « Chaîne » contient en général au moins une cellule de texte (un « NR », une unité, une virgule mal placée). Elle ne pourra pas être moyennée tant qu'elle n'est pas corrigée. Une base propre permet ensuite de choisir sereinement le test statistique adapté.

Avant l'import, gardez une seule feuille de données, vérifiez que la première ligne contient bien les noms des variables et supprimez les lignes vides ou de commentaires sous le tableau : une ligne vide ou de commentaire importée peut devenir un patient fantôme, qui fausse l'effectif et les pourcentages.

La check-list finale

• Une ligne par patient, une colonne par variable, une seule ligne d'en-tête.
• Un identifiant d'étude unique, sans doublon.
• Aucune cellule fusionnée, aucune information portée par une couleur.
• Des codes numériques identiques dans toute la base, décrits dans un dictionnaire.
• Une colonne 0/1 par réponse pour les questions à choix multiples.
• Des dates reconnues comme dates, au même format.
• Une seule unité par variable, indiquée dans son nom.
• Des colonnes quantitatives sans texte, sans unité, sans « < ».
• Des données manquantes laissées vides (ou codées et déclarées), jamais devinées.
• Des minimums et maximums plausibles pour chaque variable.
• Les valeurs brutes conservées à côté des variables calculées.
• Aucun nom, téléphone ou numéro de dossier.
• Le nombre de lignes égal à l'effectif annoncé dans votre M&M.

Pour une étude sur dossiers papier, la qualité se joue encore plus tôt, dès la fiche de recueil : voir notre guide sur l'étude rétrospective, de la fiche papier à la base. Et si vous voulez savoir où en est votre fichier avant de lancer l'analyse, vous pouvez tester votre base gratuitement : vous saurez si elle est exploitable et ce qu'il reste à reprendre.