Faldgruber på DST

10 fejl der koster tid og giver uinformative eller ingen fejlmeddelelser

Published

July 2, 2026

Denne side samler de fejl, der hyppigst rammer nye brugere af DST-registrene. Fælles for dem: fejlmeddelelserne er enten forvirrende, eller der er slet ingen fejlmeddelelse - resultatet er bare stille forkert.

1. dodsaars vs dodsaasg - brug det rigtige dødsregister

Der er to registre med lignende navne:

Register Indeholder Bruges til
dodsaars Individuelle dødsregistreringer med præcis dødsdato (d_dodsdto) Censurering ved dødsfald
dodsaasg Dødsårsagsklassifikation Kun analyse af dødsårsag

dodsaasg har ikke dødsdatoen i det rigtige format og er ikke den autoritative kilde til individuelle dødsdatoer.

Warning

Kontrollér dodsaars’ dækning i din projektvejledning. dodsaars dækker ikke nødvendigvis hele din studieperiode - i projekt 708421 dækker det kun ~1970–2001 (pr. juni 2026), og post-2001 dødsfald kræver separat udtræk. Andre projekter kan have anden dækning.

# KORREKT - erstat "sti/til/dodsaars/" med din projekts parquet-sti
# DARTER: read_register("dodsaars") %>% rename_with(tolower)
dod <- open_dataset("sti/til/dodsaars/") %>%
  rename_with(tolower)                       # kontrollér dækning i din projektvejledning
dod_person <- dod %>%
  semi_join(tibble(pnr = kohort_pnrs), by = "pnr") %>%   # kun kohortens pnr'er
  select(pnr, death_date = d_dodsdto) %>%   # d_dodsdto er den bekræftede kolonne
  collect()

# FORKERT - brug ikke dodsaasg til censureringsdatoer

2. RAM er delt - ryd op efter store udtræk

Du er på en delt server med fælles RAM. Når hukommelsesbjælken i RStudio bliver rød, oplever alle på serveren langsomhed - og DST lukker automatisk processer når RAM’en er ved at være fyldt, så et for stort udtræk kan koste dig dit ulagrede arbejde.

# Filtrer tidligt - aldrig collect() først
# DARTER: read_register("lmdb") %>% rename_with(tolower)
lmdb <- open_dataset("sti/til/lmdb/") %>%
  rename_with(tolower)                  # doven forbindelse - ingen RAM brugt endnu

result <- lmdb %>%
  semi_join(tibble(pnr = kohort_pnrs), by = "pnr") %>%   # kun kohortens pnr'er
  filter(substr(atc, 1, 4) == "N06D") %>%                            # filtrer inden collect
  select(pnr, atc, eksd) %>%
  collect()                                                            # kun nu flyttes data til R

# Frigør store objekter, når du er færdig med dem
rm(lmdb)   # slet den dovne forbindelse - den fylder ikke meget, men det er god vane
gc()       # frigiver hukommelse tilbage til operativsystemet
Tip

Flere praktiske vaner (gem ofte, delvis indlæsning, Task Manager) i Pas på RAM i det fælles miljø, og DST’s officielle råd i DST-vejledning: Reduktion af RAM-forbrug i det fælles miljø (PDF).

3. rename_with(tolower) skal kaldes på hvert register

Rå kolonnenavne varierer efter register og år: PNR, pnr, Pnr, V_CPR. Glemmer du det, fejler semi_join(..., by = "pnr") stille med “Column pnr not found” - selvom kolonnen er der.

Reglen: hvert open_dataset()- eller read_register()-kald ender med %>% rename_with(tolower) som det første trin i din pipe. Se Udtræk trin for trin for forklaring og eksempel.

4. Datokolonner er ikke altid i Date-format

DST-registre gemmer datoer i flere formater - og de ser ens ud, men opfører sig forskelligt.

Format Eksempel Hvad class() returnerer Hvad du skal gøre
Date 2020-05-15 "Date" Ingenting - kan bruges direkte
Character "2020-05-15" "character" as.Date(kolonne)
Datetime "2020-05-15 14:32:00" "POSIXct" as.Date(kolonne) for at få kun datodel
SAS-heltal 21990 "numeric" as.Date(kolonne, origin = "1960-01-01")

Reglen: Tjek altid class() på en datokolonne inden du bruger den i beregninger.

class(lpr_a_kontakt$kont_starttidspunkt)   # "POSIXct" - datetime, ikke Date
# Fix:
mutate(dato = as.Date(kont_starttidspunkt))

class(bef$foed_dag)   # "Date" - kan bruges direkte

5. BEF er et status-snapshot - ikke et levende register

BEF er et statusregister: det opgør befolkningens sammensætning på et givet referencetidspunkt - ikke løbende. DST’s referencetid er ultimo (typisk 31. december for et årssnap). Siden 2008 leveres BEF desuden kvartalsvist (marts, juni, september, december).

Note

“aar == 2020 = 1. januar 2020” er en projektkonvention. I mange projekter omdøbes BEF’s snapshots så aar == 2020 konventionelt refererer til befolkningens sammensætning pr. 1. januar 2020 - men dette fremgår ikke af DST’s leverancenavngivning. Bekræft konventionen i din projektvejledning.

Se DST’s officielle BEF-dokumentation: statistikdokumentation/befolkningen →

Det betyder, at en person der dør i juni 2020 stadig optræder i BEF-snapshottet for starten af 2020.

# FEJL: brug ikke BEF til at tjekke "levende på en specifik dato"
bef_2020 <- bef %>%
  filter(aar == 2020)   # inkluderer alle i snapshottet for 2020
                        # - også dem der dør i løbet af 2020

# KORREKT: kombiner med dodsaars for at ekskludere dødsfald
deaths <- open_dataset("sti/til/dodsaars/") %>%   # DARTER: read_register("dodsaars")
  rename_with(tolower) %>%
  semi_join(tibble(pnr = kohort_pnrs), by = "pnr") %>%
  select(pnr, d_dodsdto) %>%
  collect()

bef_levende <- bef_data %>%
  left_join(deaths, by = "pnr") %>%
  filter(is.na(d_dodsdto) | d_dodsdto > index_date)   # levende på index-dato

6. LPR3’s “a” i lpr_a_diagnose er ikke A-type diagnoser

Tabellen hedder lpr_a_diagnose - det “a” refererer til “analysemodel” (LPR_A-serien introduceret i 2025). Det betyder ikke, at tabellen kun indeholder A-type (aktions-)diagnoser.

Tabellen indeholder alle diagnosetyper: A (aktion), B (bi-diagnose) og G (grundmorbus). Du skal stadig filtrere på diag_kode_type:

lpr_a_diagnose %>%
  filter(diag_kode_type %in% c("A", "B")) %>%   # stadig nødvendigt
  ...

7. Kategoriske koder er ikke konsistente på tværs af registre

Samme variabel kan have forskellig kodning i forskellige registre - forskellig type (numeric vs. character), forskellige værdier, eller begge dele.

I praksis trækker du demografiske variable (køn, alder) fra BEF og behøver sjældent at sammenligne med samme variabel i et andet register. Men hvis du gør, så tjek altid med table() og class() inden du bruger variablen:

table(register_a$koen)   # hvad er de faktiske værdier og typer?
class(register_a$koen)
table(register_b$koen)
class(register_b$koen)

8. !! (bang-bang) glemmes i lazy evaluering

Når du filtrerer med en lokal R-vektor inde i en DuckDB-forespørgsel, skal du bruge !!. Uden det leder DuckDB efter en kolonne med det navn - og fejler stille eller med en forvirrende besked.

# Eksempel: en år-liste mod bef (princippet gælder enhver lokal R-vektor)
mine_aar <- c(2018, 2019, 2020)   # lokal R-vektor (år, her som eksempel)

# FORKERT - DuckDB leder efter en kolonne kaldet "mine_aar"
bef %>% filter(aar %in% mine_aar)   # fejl eller forkert resultat

# KORREKT - !! fortæller DuckDB: "brug den lokale R-vektor"
bef %>% filter(aar %in% !!mine_aar)
Note

!! er nødvendigt for alle lokale R-objekter brugt inde i filter(), mutate() mv. på dovne DuckDB-forbindelser - typisk kode- eller år-lister (%in% !!koder, >= !!min_dato). Filtrerer du derimod på pnr mod hele kohorten, så brug semi_join(tibble(pnr = kohort_pnrs), by = "pnr"): den tager en lokal tabel direkte og kræver ikke !!. Se Funktionsguiden for fuld forklaring.

9. nmi_count ≠ nmi_score

Disse to variabler er ikke det samme og er ikke udskiftelige:

Variabel Hvad den er Kilde
nmi_score Vægtet comorbiditetsscore - Nordic Multimorbidity Index (Kristensen et al., Clin Epidemiol 2022). 50 prediktorer med individuelle vægte; lungekreft tæller f.eks. 19 point, type 2-diabetes tæller 2. Se NMI-siden
nmi_count Simpel optælling af antal kroniske tilstande (ud af 33 mulige) personen er diagnosticeret med Beregnes separat

Bruger du nmi_count i din regressionsmodel i stedet for nmi_score, justerer du for noget andet end du tror - og får ingen fejlmeddelelse.

10. Immortal time bias - eksponering defineret ud fra fremtiden

Ingen fejlbesked, ingen advarsel - bare et effektestimat der ser for godt ud. Immortal time bias opstår, når en person tildeles opfølgningstid, hvori vedkommende per konstruktion ikke kunne have fået udfaldet. Det er den klassiske registerfejl, fordi registerdata lader dig definere grupper retrospektivt, med tilbageblik på hvad der til sidst skete.

Et konkret eksempel. Spørgsmål: sænker bariatrisk kirurgi dødeligheden hos personer med type 2-diabetes? Du tager alle der fik T2D-diagnosen i 2010, deler dem i en kirurgi-gruppe (blev opereret på et tidspunkt i opfølgningen) og en ingen kirurgi-gruppe, og starter opfølgningen for alle på diagnosedatoen.

Fælden: for at havne i kirurgigruppen skulle personen overleve længe nok til at blive opereret. Sig at den gennemsnitlige ventetid fra diagnose til operation er 2 år. De 2 år er udødelige (immortal): enhver der døde i det vindue, nåede aldrig operationen og faldt derfor i ingen-kirurgi-gruppen i stedet. Du har givet kirurgigruppen ~2 års garanteret-levende persontid og kaldt det “kirurgi”-tid.

Gruppe Dødsfald Personår Rate (pr. 1000 py)
Kirurgi (immortal time talt med som kirurgi-tid) 30 12.000 2,5
Kirurgi (tid korrekt justeret) 30 8.000 3,8
Ingen kirurgi 50 13.000 3,8

De sande rater er ens (3,8) - kirurgi gør ingenting. Men ved at tælle de 4.000 udødelige personår med som kirurgi-tid falder raten til 2,5 og får kirurgi til at se 34% beskyttende ud. “Effekten” er en artefakt af den forskudte tid-nul, ikke af kirurgien.

Løsningen: justér tid-nul. Eligibilitet, eksponeringstildeling og opfølgningsstart skal falde sammen.

  • Risk-set- (incidens-densitets-) matching: start hver persons opfølgning på det tidspunkt de bliver eksponeret, og tildel hver sammenligningsperson samme index-dato (kerneregelen i Sammenligningskohorte).
  • Behandl eksponering som tidsvarierende: personen bidrager med ueksponeret persontid indtil operationen, derefter eksponeret tid - aldrig eksponeret tid før de blev eksponeret (se Tidsvarierende variable).

Beslægtet: at definere en baseline-kovariat ud fra information efter index er den samme fejl i forklædning (fx OSDC-diabetestypen, se OSDC). Når en variabel bygges på fremtiden, så spørg om du betinger på at personen har overlevet til at se den. Baggrund: Hernán & Robins, What If, §3.6 (target trial, tid-nul).

11. De hyppigste fejlbeskeder og hvad de betyder

R’s fejlbeskeder er korte og tekniske - her er de du oftest møder i et DST-workflow, oversat til hvad de faktisk betyder:

Fejlbesked Typisk årsag Løsning
Error: Column 'pnr' not found rename_with(tolower) mangler Tilføj %>% rename_with(tolower) direkte efter read_register() - se faldgrube 3
Error: object 'min_liste' not found !! mangler i filter() på en doven forbindelse Skriv filter(aar %in% !!min_liste) - se faldgrube 8
Error: could not find function "read_register" library(fastreg) mangler Tilføj library(fastreg) øverst i scriptet
non-numeric argument to binary operator Datokolonne er character, ikke Date mutate(dato = as.Date(dato)) - se faldgrube 4
Error in filter.default(...) Filtrering på et dovent objekt uden %>% Skift til %>% - se røret
Error: Can't convert ... to ... Join på kolonner med forskellig type (fx numeric vs. character) Brug mutate(pnr = as.character(pnr)) for at matche typer
object of type 'closure' is not subsettable Et variabelnavn overskriver en funktion (fx data <- ...) Brug et unikt variabelnavn - undgå data, df, c som objektnavne
Tip

Det hurtigste debugging-flow - hvad du gør trin for trin når du ser en rød fejlbesked - er beskrevet i Fase 7 - Ser du en rød fejlbesked?.

Back to top