508. Hazard ratio – jak interpretować?

Hazard ratio (HR), czyli iloraz hazardów, jest jedną z najczęściej raportowanych miar w analizie czasu do zdarzenia. Pojawia się między innymi w badaniach klinicznych, epidemiologii, zdrowiu publicznym, onkologii, kardiologii i psychologii klinicznej. Jego interpretacja wymaga jednak większej ostrożności niż proste odczytanie wartości jako „procentowego wzrostu ryzyka”. W tej lekcji pokazujemy, co dokładnie porównuje HR, jak czytać jego przedział ufności, czym różni się od ryzyka względnego oraz dlaczego wynik należy interpretować razem z czasem obserwacji, krzywymi przeżycia i założeniami modelu.

Czym jest hazard?

W analizie przeżycia zdarzeniem może być zgon, nawrót choroby, hospitalizacja, wystąpienie depresji, rezygnacja z terapii albo inne zdarzenie zdefiniowane przez badacza. Dla każdej osoby obserwujemy czas od początku badania do wystąpienia zdarzenia albo do zakończenia obserwacji bez zdarzenia. W drugim przypadku mamy zwykle do czynienia z cenzorowaniem.

Hazard opisuje chwilowe tempo wystąpienia zdarzenia w określonym momencie, pod warunkiem że osoba do tego momentu nie doświadczyła zdarzenia i nadal pozostaje obserwowana. Nie jest to po prostu prawdopodobieństwo zdarzenia w całym badanym okresie. Można go intuicyjnie rozumieć jako aktualną intensywność pojawiania się zdarzeń w grupie osób pozostających „w grupie ryzyka”.

To rozróżnienie jest kluczowe. Jeżeli w grupie leczonej HR wynosi 0,70, nie oznacza to automatycznie, że 70% osób uniknie zdarzenia ani że ryzyko skumulowane zmniejszyło się dokładnie o 30 punktów procentowych. Oznacza natomiast, że w ramach przyjętego modelu chwilowe tempo występowania zdarzenia w grupie leczonej jest szacowane jako 0,70 wartości obserwowanej w grupie odniesienia.

Definicja hazard ratio

Hazard ratio jest ilorazem dwóch hazardów:

HR(t) = h1(t) / h0(t)

  • h1(t) – hazard zdarzenia w grupie badanej lub u osoby o określonych wartościach predyktorów w czasie t,
  • h0(t) – hazard zdarzenia w grupie odniesienia lub dla wartości referencyjnych predyktorów,
  • t – czas obserwacji.

W klasycznym modelu proporcjonalnego hazardu Coxa zapisuje się to jako:

h(t | X) = h0(t) · exp(β1X1 + β2X2 + … + βpXp)

  • h(t | X) – hazard dla osoby o wektorze cech X,
  • h0(t) – hazard bazowy, czyli hazard dla osoby o wartościach referencyjnych,
  • Xj – zmienna objaśniająca, na przykład leczenie, wiek lub ciśnienie tętnicze,
  • βj – współczynnik regresji dla zmiennej Xj,
  • exp(βj) – hazard ratio odpowiadający zmianie o jedną jednostkę zmiennej Xj, przy pozostałych zmiennych utrzymanych na stałym poziomie.

W modelu Coxa współczynnik β jest logarytmem hazard ratio:

HR = exp(β)

Jeżeli β jest dodatnie, HR jest większy od 1. Jeżeli β jest ujemne, HR jest mniejszy od 1. Wartość HR równa 1 oznacza brak różnicy w hazardzie między porównywanymi wartościami zmiennej.

Jak interpretować wartości HR?

Wartość HR Znaczenie statystyczne Przykładowe sformułowanie
HR = 1 Brak względnej różnicy hazardu Nie stwierdzono różnicy w chwilowym tempie zdarzeń.
HR > 1 Wyższy hazard w grupie badanej Hazard jest szacunkowo o (HR − 1) × 100% wyższy.
HR < 1 Niższy hazard w grupie badanej Hazard jest szacunkowo o (1 − HR) × 100% niższy.

Przykładowo HR = 1,40 oznacza względnie o 40% wyższy hazard, natomiast HR = 0,75 oznacza względnie o 25% niższy hazard. W obu przypadkach należy dopowiedzieć: „w porównaniu z grupą odniesienia” oraz „przy założeniu poprawności modelu i proporcjonalności hazardów”.

Ważne jest, aby nie używać bezrefleksyjnie słowa „ryzyko”. W publikacjach klinicznych HR bywa skrótowo opisywany jako „ryzyko względne”, ale hazard i ryzyko skumulowane są różnymi wielkościami. Ryzyko skumulowane odnosi się do prawdopodobieństwa, że zdarzenie wystąpi do określonego czasu. Hazard opisuje chwilowe tempo zdarzeń wśród osób pozostających bez zdarzenia. HR może więc być podobny do względnego ryzyka w pewnych sytuacjach, ale nie jest z nim tożsamy (Cox, 1972; Altman et al., 1995).

Przedział ufności i wartość p

Sama wartość punktowa HR nie wystarcza. Należy ocenić również niepewność oszacowania, najczęściej za pomocą 95% przedziału ufności.

Załóżmy, że w badaniu uzyskano HR = 0,72; 95% CI: 0,55–0,94; p = 0,01. Wynik można opisać następująco: w grupie badanej oszacowany hazard był o 28% niższy niż w grupie odniesienia, a 95% przedział ufności dla HR wynosił od 0,55 do 0,94. Ponieważ przedział nie obejmuje wartości 1, wynik jest zgodny z różnicą istotną statystycznie na poziomie 0,05.

Wartość p nie jest prawdopodobieństwem, że hipoteza zerowa jest prawdziwa. Nie mówi też, jakie jest prawdopodobieństwo, że leczenie działa. Jest miarą zgodności danych z określonym modelem i hipotezą zerową, zwykle zakładającą brak różnicy w hazardzie. Ocena wyniku powinna obejmować wielkość HR, szerokość przedziału ufności, liczbę zdarzeń, jakość modelu oraz znaczenie kliniczne.

Przykład 1: leczenie po zawale serca

Wyobraźmy sobie randomizowane badanie porównujące nowy lek przeciwpłytkowy ze standardowym leczeniem. Zdarzeniem złożonym jest zgon sercowo-naczyniowy lub ponowny zawał. Model Coxa daje wynik: HR = 0,68; 95% CI: 0,52–0,89.

Poprawna interpretacja brzmi: „W okresie obserwacji, przy założeniu proporcjonalnych hazardów, pacjenci przydzieleni do nowego leczenia mieli szacunkowo o 32% niższy hazard wystąpienia zgonu sercowo-naczyniowego lub ponownego zawału niż pacjenci w grupie standardowego leczenia”.

Nie należy natomiast pisać: „Nowy lek zmniejszył ryzyko wystąpienia zdarzenia o 32% u każdego pacjenta” ani „32% pacjentów uniknęło zdarzenia”. Aby ocenić bezwzględne znaczenie wyniku, trzeba znać ryzyko skumulowane w obu grupach, na przykład odsetek zdarzeń po 12 miesiącach. Jeżeli ryzyko wynosiło 10% w grupie kontrolnej i 7% w grupie leczonej, bezwzględna różnica wynosi 3 punkty procentowe, mimo że względna interpretacja HR sugeruje 32% niższy hazard.

Przykład 2: depresja i czas do przerwania terapii

W badaniu obserwacyjnym oceniano czas do przerwania psychoterapii przez osoby z depresją. Predyktorem była liczba nieodbytych wizyt w pierwszych czterech tygodniach. Dla każdej dodatkowej nieodbytej wizyty uzyskano HR = 1,18; 95% CI: 1,08–1,29.

Jeżeli zdarzeniem jest przerwanie terapii, HR = 1,18 oznacza, że każda dodatkowa nieodbyta wizyta wiązała się z około 18% wyższym chwilowym hazardem przerwania terapii, przy uwzględnieniu pozostałych zmiennych w modelu. Nie oznacza to, że prawdopodobieństwo przerwania wzrasta dokładnie o 18 punktów procentowych. Ponieważ jest to badanie obserwacyjne, nie wolno też bez dodatkowych założeń stwierdzić, że nieobecności powodują przerwanie terapii. Możliwe są między innymi problemy finansowe, nasilenie objawów, brak transportu lub niższa motywacja, które wpływają na obie zmienne.

Założenie proporcjonalnego hazardu

W klasycznym modelu Coxa zakłada się, że stosunek hazardów dla porównywanych grup jest względnie stały w czasie. Jeżeli HR dla leczenia wynosi 0,70, model zakłada, że efekt ten jest reprezentatywny w całym analizowanym okresie, a nie tylko w pierwszych tygodniach lub pod koniec obserwacji.

Założenie to można oceniać za pomocą wykresów krzywych przeżycia, wykresów logarytmiczno-logarytmicznych, reszt Schoenfelda oraz testów opartych na resztach ważonych, takich jak procedura Grambscha–Therneau (Schoenfeld, 1982; Grambsch i Therneau, 1994). Sam test formalny nie powinien być jedynym narzędziem diagnostycznym. Przy dużej próbie nawet niewielkie odstępstwo może dać małą wartość p, natomiast przy małej liczbie zdarzeń test może nie wykryć istotnego problemu.

Jeżeli proporcjonalność hazardów jest naruszona, pojedynczy HR może być trudny do interpretacji. Możliwe rozwiązania obejmują raportowanie HR w określonych przedziałach czasu, wprowadzenie interakcji predyktora z czasem, zastosowanie warstwowego modelu Coxa albo uzupełnienie analizy o różnice przeżycia w ustalonych punktach czasu. W niektórych badaniach bardziej zrozumiałe będą mediany przeżycia, ryzyko skumulowane, różnica przeżycia po 1 roku lub ograniczona średnia długość przeżycia.

HR dla zmiennych ciągłych i kategorycznych

Interpretacja zależy od sposobu zakodowania predyktora. Dla wieku HR = 1,04 oznacza zwykle 4% wyższy hazard na każdy dodatkowy rok wieku, przy pozostałych zmiennych stałych. Dla ciśnienia skurczowego HR = 1,10 może dotyczyć każdych 10 mmHg, jeżeli zmienną przeskalowano właśnie w ten sposób. Bez informacji o jednostce zmiany wynik jest niepełny.

Dla zmiennej kategorycznej trzeba wskazać kategorię referencyjną. Jeżeli dla palenia tytoniu kodowanego jako „tak” względem „nie” uzyskano HR = 1,60, oznacza to o 60% wyższy hazard w grupie palących w porównaniu z niepalącymi, po uwzględnieniu zmiennych zawartych w modelu. Nie jest to porównanie wszystkich możliwych par kategorii, lecz porównanie z ustaloną kategorią odniesienia.

HR a znaczenie praktyczne

Istotność statystyczna nie jest równoznaczna z ważnością kliniczną. HR = 0,95 może być statystycznie istotny w ogromnej próbie, ale oznaczać niewielką różnicę praktyczną. Z kolei HR = 0,60 może być klinicznie interesujący, lecz mieć szeroki przedział ufności obejmujący zarówno duży efekt, jak i brak różnicy, jeśli liczba zdarzeń była mała.

W raportowaniu warto więc podawać jednocześnie: liczbę osób, liczbę zdarzeń, czas obserwacji, HR, 95% przedział ufności, metodę estymacji, zmienne uwzględnione w modelu oraz ocenę założenia proporcjonalnego hazardu. Takie podejście jest zgodne z dobrą praktyką raportowania badań obserwacyjnych i analiz czasu do zdarzenia (Altman et al., 1995; STROBE, 2007).

Najczęstsze błędy

  • Traktowanie HR jak ryzyka względnego. HR jest ilorazem hazardów, a nie automatycznie ilorazem prawdopodobieństw zdarzenia.
  • Pomijanie grupy odniesienia. Każdy HR trzeba interpretować względem jasno opisanej kategorii lub wartości referencyjnej.
  • Brak jednostki zmiennej ciągłej. HR dla wieku, ciśnienia lub stężenia biomarkera musi odnosić się do konkretnej zmiany.
  • Interpretowanie HR bez przedziału ufności. Wartość punktowa może być niestabilna i obarczona dużą niepewnością.
  • Zakładanie przyczynowości w badaniu obserwacyjnym. Korekta statystyczna nie eliminuje automatycznie błędu pomiaru, selekcji ani niezmierzonych czynników zakłócających.
  • Ignorowanie naruszenia proporcjonalności hazardów. Jeden HR może uśredniać zmienny efekt w czasie.
  • Mylenie hazardu ze skumulowanym ryzykiem. Do komunikacji klinicznej często potrzebne są także przeżycia lub ryzyka w konkretnych punktach czasu.
  • Uznawanie wartości p za miarę wielkości efektu. O znaczeniu wyniku decydują również HR, przedział ufności, liczba zdarzeń i kontekst kliniczny.

Przykład praktyczny: jak zredagować wynik

Załóżmy, że badanie kohortowe dotyczyło czasu do rehospitalizacji po niewydolności serca. Dla programu zdalnego monitorowania uzyskano HR = 0,82; 95% CI: 0,69–0,98; p = 0,03. Analiza uwzględniała wiek, płeć, frakcję wyrzutową i liczbę wcześniejszych hospitalizacji.

Dobrze sformułowany wynik może brzmieć: „Po uwzględnieniu wieku, płci, frakcji wyrzutowej i liczby wcześniejszych hospitalizacji uczestnictwo w programie zdalnego monitorowania wiązało się z niższym hazardem rehospitalizacji: HR = 0,82; 95% CI: 0,69–0,98; p = 0,03. Odpowiada to oszacowanemu względnemu zmniejszeniu hazardu o 18%, jednak interpretacja pojedynczego HR wymaga założenia proporcjonalnego hazardu oraz nie opisuje bezpośrednio bezwzględnej różnicy ryzyka rehospitalizacji”.

Jeżeli badanie nie było randomizowane, lepiej użyć sformułowania „wiązało się z” zamiast „spowodowało”. Następnie warto dodać ryzyko rehospitalizacji po 6 lub 12 miesiącach w obu grupach. Taki zestaw informacji jest bardziej użyteczny niż samo HR.

Co warto zapamiętać?

  1. Hazard ratio porównuje chwilowe tempo występowania zdarzeń wśród osób pozostających bez zdarzenia.
  2. HR = 1 oznacza brak względnej różnicy hazardu; HR > 1 wskazuje na wyższy hazard, a HR < 1 na niższy hazard.
  3. HR = 0,70 można opisać jako około 30% niższy hazard, ale nie jako 30% niższe ryzyko skumulowane bez dodatkowych obliczeń.
  4. Przedział ufności jest niezbędny do oceny precyzji i zgodności wyniku z brakiem różnicy.
  5. Wartość p nie jest prawdopodobieństwem prawdziwości hipotezy zerowej ani miarą ważności klinicznej.
  6. Interpretacja HR zależy od grupy odniesienia, jednostki zmiennej i założenia proporcjonalnego hazardu.
  7. W badaniach obserwacyjnych HR opisuje zależność skorygowaną o zmienne w modelu, ale nie musi oznaczać efektu przyczynowego.
  8. Najpełniejszy opis obejmuje HR, 95% CI, liczbę zdarzeń, czas obserwacji, zmienne korygujące i wyniki diagnostyki modelu.

W ramach publicznego szkolenia na statystyk.edu.pl warto traktować tę lekcję jako pomost między technicznym dopasowaniem modelu Coxa a odpowiedzialną interpretacją wyników. Samo uzyskanie HR z programu statystycznego jest dopiero początkiem analizy; właściwy wniosek musi uwzględniać znaczenie miary, strukturę danych i ograniczenia projektu badania.

Źródła i dalsza lektura

  1. Cox, D. R. (1972). Regression Models and Life-Tables. Journal of the Royal Statistical Society: Series B (Methodological), 34(2), 187–220. DOI: 10.1111/j.2517-6161.1972.tb00899.x.
  2. Altman, D. G., Deeks, J. J., Sackett, D. L. (1995). Odds ratios should be avoided when events are common. BMJ, 311(7015), 619. DOI: 10.1136/bmj.311.7015.619.
  3. Schoenfeld, D. (1982). Partial residuals for the proportional hazards regression model. Biometrika, 69(1), 239–241. DOI: 10.1093/biomet/69.1.239.
  4. Grambsch, P. M., Therneau, T. M. (1994). Proportional hazards tests and diagnostics based on weighted residuals. Biometrika, 81(3), 515–526. DOI: 10.1093/biomet/81.3.515.
  5. Kleinbaum, D. G., Klein, M. (2012). Survival Analysis: A Self-Learning Text. 3rd edition. Springer New York. Informacja wydawcy / źródło.
  6. STROBE Initiative (2007). Strengthening the Reporting of Observational Studies in Epidemiology (STROBE): guidelines for reporting observational studies. STROBE Initiative. Źródło.

Podobne wpisy

Dodaj komentarz

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