485. Iloraz szans OR – zastosowanie w badaniach kliniczno-kontrolnych

W poprzedniej lekcji omówiono ryzyko względne, które naturalnie wynika z porównania częstości zdarzeń w dwóch grupach obserwowanych w czasie. W badaniu kliniczno-kontrolnym sytuacja jest inna: badacz rozpoczyna od wyboru osób z rozpoznanym wynikiem, czyli przypadków, oraz osób bez tego wyniku, czyli kontroli, a następnie porównuje częstość wcześniejszej ekspozycji. Z tego powodu klasyczne ryzyko zachorowania zwykle nie może być obliczone bezpośrednio. Podstawową miarą związku staje się wtedy iloraz szans, oznaczany skrótem OR od angielskiego odds ratio.

Iloraz szans jest użyteczny, ale nie powinien być automatycznie utożsamiany z ryzykiem względnym. Poprawna interpretacja wymaga jednoczesnego uwzględnienia schematu badania, sposobu doboru kontroli, definicji ekspozycji i wyniku oraz niepewności oszacowania. Jest to także temat naturalnie łączący się z wcześniejszymi lekcjami kursu na statystyk.edu.pl, zwłaszcza z regresją logistyczną i oceną dopasowania modelu.

1. Czym jest iloraz szans?

Najpierw trzeba odróżnić prawdopodobieństwo od szansy. Jeżeli prawdopodobieństwo wystąpienia zdarzenia wynosi p, to szansa wystąpienia tego zdarzenia jest równa:

szansa = p / (1 − p)

Gdy prawdopodobieństwo wynosi 0,20, szansa wynosi 0,20 / 0,80 = 0,25. Nie oznacza to, że zdarzenie ma „25% prawdopodobieństwa”. Szansa jest inną skalą opisu, choć pozostaje jednoznacznie związana z prawdopodobieństwem.

Iloraz szans porównuje dwie szanse. Dla ekspozycji E i wyniku Y można go zapisać jako:

OR = [szansa wyniku Y w grupie eksponowanej] / [szansa wyniku Y w grupie nieeksponowanej]

Wartość OR równa 1 oznacza brak związku w skali ilorazu szans. Wartość większa od 1 wskazuje na większe szanse wyniku w grupie eksponowanej, a wartość mniejsza od 1 — na mniejsze szanse wyniku w tej grupie. Nie jest to jednak automatyczny dowód, że ekspozycja powoduje wynik.

2. Tabela 2 × 2 w badaniu kliniczno-kontrolnym

Załóżmy, że badamy związek między paleniem papierosów a zawałem mięśnia sercowego. Osoby z zawałem tworzą grupę przypadków, a osoby bez zawału — grupę kontroli. Następnie ustalamy, czy badani palili.

Ekspozycja obecna Ekspozycja nieobecna Razem
Przypadki a c a + c
Kontrole b d b + d
Razem a + b c + d n

W takim układzie szanse ekspozycji wśród przypadków wynoszą a/c, a szanse ekspozycji wśród kontroli b/d. Iloraz tych szans ma postać:

OR = (a/c) / (b/d) = (a × d) / (b × c)

W badaniu kliniczno-kontrolnym często mówi się o ilorazie szans zachorowania, ale algebraicznie otrzymujemy go przez porównanie szans ekspozycji w grupie przypadków i kontroli. Ta symetria jest jedną z przyczyn, dla których OR można obliczyć mimo celowego ustalenia liczby przypadków i kontroli (Bland i Altman, 2000).

Jak czytać wartość OR?

  • OR = 1,00: brak obserwowanego związku między ekspozycją a wynikiem.
  • OR > 1,00: ekspozycja wiąże się z większymi szansami wyniku.
  • OR < 1,00: ekspozycja wiąże się z mniejszymi szansami wyniku; może być interpretowana jako potencjalny efekt ochronny, jeśli projekt i pomiar uzasadniają takie określenie.

Przykładowo OR = 2,5 oznacza, że szanse ekspozycji wśród przypadków są 2,5 raza większe niż wśród kontroli. Nie należy bez dodatkowych założeń pisać, że „ryzyko jest 2,5 raza większe” ani że „2,5 raza więcej osób zachoruje”.

3. Dlaczego OR jest szczególnie ważny w badaniach kliniczno-kontrolnych?

W badaniu kohortowym można obserwować osoby eksponowane i nieeksponowane, a następnie policzyć, ile osób w każdej grupie zachorowało. Umożliwia to bezpośrednie oszacowanie ryzyka oraz ryzyka względnego. W badaniu kliniczno-kontrolnym liczba przypadków i kontroli jest zwykle ustalana przez projektanta. Nie odzwierciedla ona częstości choroby w populacji, dlatego prosty iloraz liczby chorych do wszystkich osób w próbie nie jest ryzykiem populacyjnym.

Jeżeli jednak kontrole właściwie reprezentują populację, z której pochodzą przypadki, iloraz szans może być trafną miarą związku. W zależności od schematu doboru kontroli może on odpowiadać ilorazowi szans, a w określonych warunkach także przybliżać iloraz ryzyka lub iloraz zapadalności. Kluczowe znaczenie ma więc nie tylko sam wzór, lecz także mechanizm doboru uczestników (Pearce, 1993; Kerr i in., 2023).

W klasycznym badaniu kliniczno-kontrolnym dotyczącym rzadkiego wyniku OR często jest liczbowo zbliżony do RR. Jest to jednak przybliżenie, a nie definicja. Gdy wynik jest częsty, OR może znacznie silniej sugerować związek niż RR. Stopień różnicy zależy od częstości wyniku oraz wielkości efektu, a nie od arbitralnej reguły, że każda choroba występująca poniżej określonego progu jest „rzadka” (Davies, Crombie i Tavakoli, 1998; Grant, 2014).

4. Przykład obliczeniowy: ekspozycja zawodowa a astma

Wyobraźmy sobie badanie pielęgniarek i ratowników medycznych dotyczące astmy zawodowej. Do badania włączono 120 osób z rozpoznaną astmą oraz 240 osób bez astmy. Wśród przypadków 72 osoby zgłaszały regularny kontakt z aerozolami środków dezynfekcyjnych, a wśród kontroli taki kontakt zgłaszało 96 osób.

Kontakt z aerozolami Brak kontaktu
Przypadki astmy 72 48
Kontrole 96 144

Obliczamy:

OR = (72 × 144) / (48 × 96) = 10368 / 4608 = 2,25

Interpretacja: w tej próbie szanse wcześniejszego kontaktu z aerozolami były 2,25 raza większe wśród osób z astmą niż wśród kontroli. Wynik wskazuje na dodatni związek między ekspozycją a astmą, ale sam w sobie nie rozstrzyga, czy kontakt z aerozolami wywołał chorobę. Możliwe są między innymi zakłócenie przez staż pracy, rodzaj oddziału, palenie tytoniu lub różnice w zgłaszaniu ekspozycji.

5. Przedział ufności i precyzja oszacowania

Sam punktowy OR nie wystarcza. Należy podać również przedział ufności, najczęściej 95%. Przedział informuje, jakie wartości parametru są zgodne z danymi i przyjętym modelem w określonym sensie częstościowym. Nie oznacza, że istnieje 95-procentowe prawdopodobieństwo, iż konkretny przedział zawiera prawdziwy parametr.

W praktyce dla OR korzysta się z logarytmu naturalnego, ponieważ rozkład ln(OR) jest zwykle lepiej przybliżany rozkładem normalnym. Dla tabeli 2 × 2 przybliżony błąd standardowy wynosi:

SE[ln(OR)] = √(1/a + 1/b + 1/c + 1/d)

Przybliżony 95-procentowy przedział dla logarytmu OR to:

ln(OR) ± 1,96 × SE[ln(OR)]

Następnie oba końce przedziału potęguje się przez funkcję wykładniczą. W publikacji raportujemy już przedział na skali OR, na przykład: OR = 2,25; 95% CI: 1,40–3,62.

Jeżeli przedział obejmuje wartość 1, dane nie dostarczają wystarczających podstaw do odrzucenia hipotezy o braku związku przy przyjętym poziomie alfa. Nie oznacza to, że „udowodniono brak efektu”. Szeroki przedział może wskazywać na małą próbę, rzadką ekspozycję, niską liczbę zdarzeń lub dużą zmienność pomiaru.

6. OR surowy i OR skorygowany

OR surowy wynika bezpośrednio z tabeli 2 × 2. Jest przydatny jako opis prostego związku, ale może być obciążony przez zmienne zakłócające. Przykładowo związek między nocną pracą a depresją może częściowo wynikać z wieku, przewlekłego bólu, obciążenia pracą lub wcześniejszych zaburzeń psychicznych.

OR skorygowany uzyskuje się zwykle w regresji logistycznej. Model może mieć postać:

logit[P(Y = 1)] = β₀ + β₁X₁ + β₂X₂ + ... + βₖXₖ

Po eksponencjacji współczynnika przy określonej zmiennej otrzymujemy:

OR = exp(βⱼ)

Oznacza to iloraz szans związany ze zmianą Xj o jedną jednostkę, przy stałych pozostałych zmiennych modelu. Sformułowanie „przy stałych pozostałych zmiennych” nie oznacza, że czynniki te zostały eksperymentalnie utrzymane na stałym poziomie. Jest to interpretacja warunkowa modelu statystycznego.

OR skorygowany nie jest automatycznie lepszy. Dobór zmiennych powinien wynikać z wiedzy dziedzinowej, planu analizy i rozumowania przyczynowego, a nie wyłącznie z procedury krokowej. Należy też sprawdzić współliniowość, liniowość logitu dla zmiennych ilościowych, obserwacje wpływowe, kompletność danych i adekwatność liczby zdarzeń do złożoności modelu.

7. Przykład praktyczny: ekspozycja na stres a urazy w ratownictwie

Załóżmy, że w badaniu kliniczno-kontrolnym analizowano ciężkie urazy podczas służby ratowników. Przypadkami było 80 ratowników, którzy doznali urazu wymagającego hospitalizacji, a kontrolami — 160 ratowników bez takiego urazu, dobranych z tej samej populacji zawodowej. Ekspozycją był wysoki poziom stresu potraumatycznego mierzony przed zdarzeniem na podstawie dokumentacji okresowych badań.

Wysoki poziom stresu stwierdzono u 44 przypadków i u 48 kontroli. Pozostałe liczby wynosiły odpowiednio 36 i 112. OR obliczamy następująco:

OR = (44 × 112) / (36 × 48) = 4928 / 1728 ≈ 2,85

Wynik można opisać tak: wysokiemu poziomowi stresu potraumatycznego towarzyszyły około 2,85-krotnie większe szanse urazu wymagającego hospitalizacji w porównaniu z niższym poziomem stresu. W publikacji należałoby dodatkowo podać przedział ufności, sposób pomiaru stresu, okres obserwacji poprzedzający uraz, źródło kontroli oraz czynniki uwzględnione w analizie.

Nie wolno natomiast pisać, że stres „zwiększył ryzyko urazu 2,85 raza”, jeśli projekt nie dostarcza podstaw do takiej interpretacji. Badanie obserwacyjne może ujawnić związek, lecz wnioskowanie przyczynowe wymaga odpowiedniego projektu, kontroli zakłóceń, poprawnej kolejności czasowej i oceny alternatywnych wyjaśnień.

8. Dobór kontroli i znaczenie schematu badania

Najważniejszym warunkiem sensownego OR jest właściwy dobór kontroli. Kontrole powinny pochodzić z tej samej populacji źródłowej co przypadki i powinny mieć możliwość stania się przypadkiem, gdyby wystąpił u nich badany wynik. Kontrola wybrana z wygodnej, odmiennej populacji może zniekształcić częstość ekspozycji.

W badaniach z doborem indywidualnym, na przykład po jednej kontroli do każdego przypadku według wieku i płci, nie należy analizować danych tak, jakby były niezależne. Często stosuje się wtedy warunkową regresję logistyczną, a przy prostym dopasowaniu par analizuje się discordant pairs. W przypadku wielu warstw można rozważyć stratyfikowany OR Mantela–Haenszela, pod warunkiem że założenie wspólnego efektu w warstwach jest rozsądne.

Wynik powinien być raportowany zgodnie z zasadami STROBE: trzeba jasno opisać źródło przypadków i kontroli, kryteria kwalifikacji, sposób pomiaru ekspozycji, czynniki zakłócające, brakujące dane, strategię analityczną oraz ograniczenia (von Elm i in., 2007). Samo podanie OR bez informacji o tym, kogo i jak wybrano, nie pozwala ocenić wiarygodności wyniku.

Najczęstsze błędy

  1. Traktowanie OR jak RR. OR = 3 nie oznacza automatycznie trzykrotnie większego ryzyka. Przy częstym wyniku różnica między OR i RR może być duża.
  2. Pomijanie przedziału ufności. Punktowe OR nie mówi, czy oszacowanie jest precyzyjne.
  3. Interpretowanie wartości p jako prawdopodobieństwa prawdziwości hipotezy zerowej. Wartość p nie jest prawdopodobieństwem, że H0 jest prawdziwa.
  4. Wyciąganie wniosków przyczynowych z samego OR. Związek statystyczny nie dowodzi przyczynowości.
  5. Niewłaściwy dobór kontroli. Kontrole powinny reprezentować populację źródłową przypadków, a nie być jedynie łatwo dostępną grupą.
  6. Ignorowanie kierunku kodowania. OR może zmienić się na odwrotność, gdy zamienimy kategorię referencyjną.
  7. Automatyczna interpretacja OR skorygowanego jako efektu niezależnego. Korekta za zmienne nie usuwa wszystkich zakłóceń i może wprowadzić nadmierną korektę, jeśli uwzględniono mediator.
  8. Brak informacji o brakujących danych i pomiarze ekspozycji. Błąd pamięci, szczególnie w retrospektywnych wywiadach, może zmienić OR.

Jak raportować OR w artykule?

Dobre zdanie wynikowe powinno zawierać definicję porównania, wartość OR, 95-procentowy przedział ufności, a często także wartość p, choć nie powinna ona zastępować oceny wielkości i precyzji efektu. Przykład:

W porównaniu z osobami bez regularnego kontaktu z aerozolami osoby eksponowane miały większe szanse astmy zawodowej (OR = 2,25; 95% CI: 1,40–3,62), po uwzględnieniu wieku, palenia tytoniu i stażu pracy.

Wynik należy uzupełnić opisem liczebności, kategorii referencyjnej, metody estymacji oraz uzasadnienia doboru zmiennych. W tabeli powinny znaleźć się również liczby przypadków i kontroli, a nie tylko same OR. Taki sposób raportowania ułatwia ocenę znaczenia praktycznego i zgodność z zaleceniami STROBE.

Co warto zapamiętać?

  • Iloraz szans porównuje dwie szanse, a nie dwa bezpośrednie prawdopodobieństwa.
  • W tabeli 2 × 2 dla badania kliniczno-kontrolnego OR oblicza się jako (a × d)/(b × c).
  • OR = 1 oznacza brak związku w skali ilorazu szans; OR powyżej 1 wskazuje na dodatni, a poniżej 1 na ujemny związek.
  • W badaniu kliniczno-kontrolnym OR jest naturalną miarą, ponieważ liczba przypadków i kontroli jest ustalana przez projekt badania.
  • OR nie należy automatycznie utożsamiać z RR, zwłaszcza gdy wynik nie jest rzadki.
  • Każdy OR powinien być interpretowany razem z 95-procentowym przedziałem ufności, definicją ekspozycji, kategorią referencyjną i opisem doboru kontroli.
  • OR skorygowany z regresji logistycznej opisuje związek warunkowy względem zmiennych uwzględnionych w modelu.
  • Istotność statystyczna, wielkość efektu i znaczenie praktyczne są odrębnymi elementami interpretacji.

Najważniejsza zasada brzmi: najpierw rozpoznaj projekt i sposób doboru uczestników, następnie oblicz OR, a dopiero potem interpretuj jego wielkość. Właśnie ta kolejność chroni przed najczęstszym błędem — przeniesieniem języka ryzyka na miarę, która opisuje szanse.

Źródła i dalsza lektura

  1. Bland, J. M.; Altman, D. G. (2000). Statistics notes. The odds ratio. BMJ, 320(7247), 1468. DOI: 10.1136/bmj.320.7247.1468.
  2. Pearce, N. (1993). What does the odds ratio estimate in a case-control study?. International Journal of Epidemiology, 22(6), 1189-1192. DOI: 10.1093/ije/22.6.1189.
  3. Davies, H. T. O.; Crombie, I. K.; Tavakoli, M. (1998). When can odds ratios mislead?. BMJ, 316(7136), 989-991. DOI: 10.1136/bmj.316.7136.989.
  4. Grant, R. L. (2014). Converting an odds ratio to a range of plausible relative risks for better communication of research findings. BMJ, 348, f7450. DOI: 10.1136/bmj.f7450.
  5. Kerr, S.; Greenland, S.; Jeffrey, K.; Millington, T.; Bedston, S.; Ritchie, L.; Simpson, C. R.; Fagbamigbe, A. F.; Kurdi, A.; Robertson, C.; Sheikh, A.; Rudan, I. (2023). Understanding and reporting odds ratios as rate-ratio estimates in case-control studies. Journal of Global Health, 13, 04101. DOI: 10.7189/jogh.13.04101.
  6. Persoskie, A.; Ferrer, R. A. (2017). A Most Odd Ratio: Interpreting and Describing Odds Ratios. American Journal of Preventive Medicine, 52(2), 224-228. DOI: 10.1016/j.amepre.2016.07.030.
  7. von Elm, E.; Altman, D. G.; Egger, M.; Pocock, S. J.; Gøtzsche, P. C.; Vandenbroucke, J. P.; STROBE Initiative (2007). The Strengthening the Reporting of Observational Studies in Epidemiology (STROBE) statement: guidelines for reporting observational studies. Bulletin of the World Health Organization, 85(11), 867-872. DOI: 10.2471/BLT.07.045120.

Podobne wpisy

Jeden komentarz

Dodaj komentarz

Twój adres email nie zostanie opublikowany. Wymagane pola są oznaczone *