Introduction au SQL

Si vous n’avez pas encore lu Pourquoi apprendre à coder ?, il situe le SQL parmi les autres langages. En résumé : les données d’un entrepôt de données de santé (EDS) sont rangées dans une base de données, et le SQL est le langage qui permet de l’interroger pour obtenir ce dont on a besoin.

À quoi ressemble une base de données

Une base de données ressemble à un classeur de plusieurs feuilles reliées entre elles — ce qu’on appelle des tables, décrites en détail dans l’article sur l’organisation des données. Prenons deux tables inspirées du modèle OMOP :

Chaque table a une clé (ici person_id) qui permet de la relier aux autres. Écrire du SQL, c’est décrire à la base ce qu’on veut voir à partir de ces tables.

Les quatre gestes de base

SELECT et FROM — choisir les colonnes d’une table

SELECT indique quelles colonnes afficher, et FROM de quelle table. Le * signifie « toutes les colonnes ».

-- Seulement l'identifiant et l'année de naissance
SELECT person_id, year_of_birth
FROM person;

WHERE — filtrer les lignes

WHERE garde uniquement les lignes qui remplissent une condition.

-- Les patientes nées avant 1960
SELECT person_id, year_of_birth
FROM person
WHERE gender = 'F'
AND year_of_birth < 1960;

AND (« et ») combine plusieurs conditions : une ligne n’est gardée que si elle les remplit toutes. Ici, il faut à la fois être de sexe féminin et être née avant 1960. Son pendant OR (« ou ») garde les lignes qui remplissent au moins une des conditions.

C’est exactement le geste que vous faites avec un filtre dans un tableur — filtrer sur les lignes et les colonnes — mais écrit une fois, reproductible, et applicable à des millions de lignes.

JOIN — relier les tables

Les données d’un patient sont réparties sur plusieurs tables. JOIN les rassemble en s’appuyant sur la clé commune.

-- Associer chaque mesure de créatinine au patient correspondant
SELECT p.person_id, p.year_of_birth, m.value, m.date
FROM person AS p
JOIN measurement AS m
ON p.person_id = m.person_id;

Ici p et m sont des surnoms (alias) donnés aux tables pour raccourcir l’écriture. La condition ON p.person_id = m.person_id dit à la base comment apparier les lignes des deux tables.

GROUP BY — agréger

GROUP BY regroupe les lignes pour calculer des statistiques par groupe : un compte, une moyenne, un maximum…

-- Nombre de mesures et créatinine moyenne, par patient
SELECT person_id,
     COUNT(*)    AS nb_mesures,
     AVG(value)  AS creatinine_moyenne
FROM measurement
GROUP BY person_id;

COUNT(*) compte les lignes de chaque groupe, et AVG (pour average, « moyenne » en anglais) en calcule la moyenne. D’autres fonctions suivent le même principe : MIN, MAX, SUM (somme). Le mot AS donne un nom à la colonne calculée.

Tout mettre bout à bout. Une requête réaliste combine ces quatre gestes. Par exemple : « pour chaque patiente de plus de 65 ans, la créatinine maximale mesurée en 2023 ».

SELECT p.person_id,
     MAX(m.value) AS creatinine_max
FROM person AS p
JOIN measurement AS m
ON p.person_id = m.person_id
WHERE p.gender = 'F'
AND (2023 - p.year_of_birth) > 65
AND m.date BETWEEN '2023-01-01' AND '2023-12-31'
GROUP BY p.person_id;

On sélectionne (SELECT), on relie (JOIN), on filtre (WHERE), on regroupe (GROUP BY). C’est le squelette de la plupart des extractions.

Ressources pour se former

Le SQL s’apprend en écrivant des requêtes, pas en les lisant. Voici trois ressources gratuites : un cours structuré en français, puis deux ressources en anglais pour s’exercer directement dans le navigateur, sans rien installer.

Le SQL et Linkr

Dans Linkr, le Study Designer génère automatiquement le SQL correspondant aux critères d’inclusion et aux variables que vous définissez à la souris. Savoir lire ce SQL vous aide à vérifier ce que fait l’outil et à reprendre la main pour des besoins spécifiques.