486. OR a RR – dlaczego nie zawsze są podobne?

Lekcja 486 z 560. Moduł 25: Biostatystyka i epidemiologia.

Iloraz szans (odds ratio, OR) i ryzyko względne (relative risk, RR) są miarami względnymi, które porównują częstość zdarzenia w dwóch grupach. Obie mogą wskazywać na zwiększenie, zmniejszenie albo brak związku, lecz nie zawsze mają zbliżoną wartość liczbową. Najważniejszym powodem rozbieżności jest częstość badanego zdarzenia: gdy zdarzenie jest rzadkie, OR i RR bywają podobne, natomiast przy zdarzeniach częstych OR może wyraźnie oddalać się od RR i sprawiać wrażenie silniejszego efektu.

Problem ten jest szczególnie ważny w badaniach klinicznych, kohortowych, przekrojowych i w analizie regresji logistycznej. W publicznym szkoleniu na statystyk.edu.pl traktujemy tę lekcję jako rozwinięcie wcześniejszych omówień OR i RR: nie chodzi o wybór jednej „zawsze lepszej” miary, lecz o dopasowanie miary do pytania badawczego, schematu badania i sposobu komunikowania wyników.

1. Ryzyko, szanse i dwie różne miary porównania

Ryzyko

Ryzyko jest prawdopodobieństwem wystąpienia zdarzenia w określonym czasie i w określonej populacji. Jeżeli w grupie 100 pacjentów u 20 wystąpiło ponowne przyjęcie do szpitala w ciągu 30 dni, ryzyko wynosi 20/100, czyli 0,20 lub 20%.

W tabeli 2 × 2 można zapisać dane następująco:

Zdarzenie wystąpiło Zdarzenie nie wystąpiło Razem
Ekspozycja lub leczenie a b a + b
Brak ekspozycji lub kontrola c d c + d

Ryzyko w grupie eksponowanej wynosi R1 = a/(a+b), a ryzyko w grupie nieeksponowanej lub kontrolnej R0 = c/(c+d).

Ryzyko względne

Ryzyko względne porównuje dwa prawdopodobieństwa:

RR = R1 / R0 = [a/(a+b)] / [c/(c+d)]

  • RR = 1 oznacza równe ryzyko w obu grupach;
  • RR > 1 wskazuje na większe ryzyko w grupie eksponowanej;
  • RR < 1 wskazuje na mniejsze ryzyko w grupie eksponowanej.

Jeżeli RR = 2, ryzyko zdarzenia w jednej grupie jest dwukrotnie większe niż w drugiej. Nie oznacza to jednak, że zdarzenie wystąpi u 200% osób ani że znamy ryzyko absolutne. Do oceny znaczenia praktycznego potrzebne są również ryzyka bezwzględne, różnica ryzyka i przedział ufności.

Szanse i iloraz szans

Szanse nie są tym samym co prawdopodobieństwo. Szanse wystąpienia zdarzenia to stosunek prawdopodobieństwa zdarzenia do prawdopodobieństwa jego niewystąpienia:

odds = R/(1-R)

Jeżeli ryzyko wynosi 20%, szanse wynoszą 0,20/0,80 = 0,25. Można to ująć jako 1 do 4: na jedną osobę, u której zdarzenie wystąpiło, przypadają cztery osoby bez zdarzenia.

Iloraz szans jest stosunkiem szans w dwóch grupach:

OR = [a/b] / [c/d] = ad/bc

OR = 1 oznacza równe szanse, OR > 1 większe szanse w grupie eksponowanej, a OR < 1 mniejsze szanse. W badaniu kliniczno-kontrolnym OR ma szczególne znaczenie, ponieważ sposób doboru uczestników zwykle nie pozwala bezpośrednio oszacować ryzyka w populacji. W badaniach kohortowych i randomizowanych, gdy można obliczyć ryzyko, RR bywa łatwiejsze do interpretacji.

2. Dlaczego przy rzadkich zdarzeniach OR i RR są podobne?

Różnica między ryzykiem a szansami polega na mianowniku. Ryzyko ma mianownik równy całej grupie, natomiast szanse mają mianownik równy liczbie osób bez zdarzenia. Gdy zdarzenie jest rzadkie, liczba osób bez zdarzenia jest prawie równa liczebności całej grupy. Wtedy 1-R jest bliskie 1, a szanse są zbliżone do ryzyka.

Przykład: w grupie leczonej zdarzenie wystąpiło u 2% osób, a w kontrolnej u 1%.

  • RR = 0,02/0,01 = 2,00;
  • OR = (0,02/0,98)/(0,01/0,99) ≈ 2,02.

Wartości są niemal identyczne. Nie wynika z tego jednak uniwersalna zasada, że OR można zawsze czytać jako RR. Przyjmuje się czasem orientacyjnie, że przy częstości zdarzenia mniejszej niż około 10% różnica może być niewielka, ale jest to reguła praktyczna, a nie matematyczny próg obowiązujący w każdej sytuacji (McNutt i in., 2003).

3. Dlaczego przy częstych zdarzeniach OR może zawyżać efekt?

Załóżmy, że ryzyko zdarzenia wynosi 40% w grupie eksponowanej i 20% w grupie kontrolnej.

  • RR = 0,40/0,20 = 2,00;
  • szanse w grupie eksponowanej = 0,40/0,60 = 0,667;
  • szanse w grupie kontrolnej = 0,20/0,80 = 0,25;
  • OR = 0,667/0,25 ≈ 2,67.

RR mówi, że ryzyko jest dwukrotnie większe. OR wynosi około 2,67, czyli jest wyraźnie większy. Gdyby ktoś napisał, że „ekspozycja zwiększyła ryzyko 2,67 raza”, zastąpiłby interpretację ilorazu szans interpretacją ryzyka względnego. Byłoby to niepoprawne.

W przypadku efektu ochronnego kierunek rozbieżności jest analogiczny, lecz odwrotny liczbowo. Jeżeli ryzyko wynosi 10% w grupie leczonej i 20% w kontrolnej, RR = 0,50, natomiast OR wynosi około 0,44. OR sugeruje więc większą redukcję względną niż RR. Nie oznacza to, że OR jest błędnie policzony. Oznacza to, że mierzy inną wielkość.

Zakres rozbieżności zależy przede wszystkim od ryzyka bazowego i wielkości efektu. Im częstsze zdarzenie i im bardziej OR oddala się od 1, tym ostrożniej należy utożsamiać OR z RR (Davies, Crombie i Tavakoli, 1998).

4. Przykład medyczny: często występujące powikłanie

W badaniu porównano dwie strategie opieki po zabiegu. W grupie standardowej powikłanie wystąpiło u 30 spośród 100 pacjentów, a w grupie programu profilaktycznego u 15 spośród 100.

Grupa Powikłanie Brak powikłania Ryzyko
Program profilaktyczny 15 85 15%
Opieka standardowa 30 70 30%

RR wynosi 0,15/0,30 = 0,50. Ryzyko powikłania zmniejszyło się o połowę w sensie względnym. Różnica ryzyka wynosi 15 punktów procentowych, czyli program wiąże się z uniknięciem około 15 powikłań na 100 leczonych osób, jeśli założenia badania pozwalają na takie porównanie.

OR wynosi (15/85)/(30/70) ≈ 0,41. Można więc powiedzieć, że szanse powikłania były około 59% mniejsze, ale nie należy bezpośrednio pisać, że ryzyko było o 59% mniejsze. Dla decyzji klinicznej różnica ma znaczenie: 50% względnej redukcji ryzyka i 15 punktów procentowych redukcji bezwzględnej opisują wynik pełniej niż sam OR.

5. Przykład z psychologii i zdrowia publicznego: depresja jako częsty wynik

Załóżmy, że w badaniu studentów oceniono związek przewlekłego stresu z objawami depresyjnymi. Objawy spełniające przyjęte kryterium stwierdzono u 45% osób z wysokim stresem i u 20% osób z niskim stresem.

  • RR = 0,45/0,20 = 2,25;
  • OR = (0,45/0,55)/(0,20/0,80) ≈ 3,27.

OR jest znacznie większy niż RR. Jeżeli wynik regresji logistycznej wynosi OR = 3,27, właściwa interpretacja brzmi: „iloraz szans wystąpienia objawów był około 3,27 razy większy”. Nie należy automatycznie zastępować tego zdaniem: „ryzyko było 3,27 razy większe”. Ponadto w badaniu przekrojowym nie powinno się bez dodatkowych założeń używać języka przyczynowego. Można mówić o związku między stresem a objawami, nie zaś o tym, że stres spowodował depresję.

6. OR z regresji logistycznej a RR

Regresja logistyczna modeluje logarytm szans zdarzenia. Po eksponentacji współczynnika otrzymuje się OR skorygowany względem innych zmiennych w modelu. Jest to bardzo użyteczne, zwłaszcza gdy wynik jest binarny, występują zmienne zakłócające, a badacz chce uwzględnić wiele predyktorów.

Skorygowany OR nie jest jednak automatycznie skorygowanym RR. Nawet jeśli w analizie surowej OR i RR są do siebie podobne, po uwzględnieniu zmiennych w modelu mogą różnić się z powodu właściwości modelu logistycznego, w tym niekollapsowalności OR. Oznacza to, że zmiana wartości OR po dodaniu zmiennej do modelu nie zawsze wynika wyłącznie z klasycznego zakłócenia.

Gdy wynik jest częsty, można rozważyć modele pozwalające bezpośrednio estymować RR, na przykład regresję Poissona z odpornym wariantem estymacji wariancji albo model log-binomialny, zależnie od sytuacji, założeń i oprogramowania. Wybór modelu powinien być uzasadniony przed analizą, a nie dopasowywany wyłącznie do oczekiwanej wartości miary (McNutt i in., 2003).

7. OR w badaniu kliniczno-kontrolnym

W badaniu kliniczno-kontrolnym najpierw wybiera się osoby z chorobą i bez choroby, a następnie odtwarza wcześniejszą ekspozycję. Ponieważ liczebności przypadków i kontroli są ustalone przez projekt badania, nie można zwykle obliczyć bezpośredniego ryzyka zachorowania w populacji. OR jest wtedy naturalną miarą związku.

Przy rzadkiej chorobie OR może przybliżać iloraz ryzyka lub iloraz zapadalności, ale wymaga to odpowiednich założeń dotyczących projektu, doboru kontroli i populacji źródłowej. Nie należy więc uzasadniać użycia OR wyłącznie tym, że „tak robi regresja logistyczna”. Decydujący jest również schemat badania.

8. Jak raportować OR i RR?

Dobre sprawozdanie powinno jasno określać:

  • jakie było zdarzenie i w jakim czasie je obserwowano;
  • która grupa była punktem odniesienia;
  • czy podana miara jest OR, RR, ilorazem częstości czy ilorazem hazardów;
  • wartość oszacowania i 95% przedział ufności;
  • ryzyka lub częstości bezwzględne w porównywanych grupach;
  • czy wynik jest surowy, czy skorygowany;
  • jakie zmienne uwzględniono w modelu i dlaczego;
  • czy projekt badania pozwala na interpretację przyczynową.

Zgodnie z dobrą praktyką raportowania badań obserwacyjnych należy opisać projekt, uczestników, zmienne, metody analizy i ograniczenia, co jest zgodne z zaleceniami STROBE (von Elm i in., 2007). Czytelnik powinien móc odróżnić istotność statystyczną od znaczenia praktycznego. Przedział ufności opisuje precyzję oszacowania, lecz nie zastępuje oceny klinicznej lub społecznej.

Najczęstsze błędy

  1. Traktowanie OR jak RR. OR = 2 nie oznacza automatycznie dwukrotnie większego ryzyka.
  2. Ignorowanie częstości zdarzenia. Przy wyniku częstym różnica między OR i RR może być duża.
  3. Raportowanie wyłącznie miary względnej. Bez ryzyka absolutnego trudno ocenić znaczenie wyniku.
  4. Mylenie szans z prawdopodobieństwem. Ryzyko 20% odpowiada szansom 0,25, a nie 0,20.
  5. Używanie języka przyczynowego w badaniu przekrojowym. Związek statystyczny nie dowodzi kierunku przyczynowego.
  6. Uzależnianie interpretacji od wartości p. Mała wartość p nie informuje sama o wielkości ani praktycznej ważności efektu.
  7. Pomijanie grupy odniesienia. OR lub RR bez wskazania kategorii referencyjnej jest niepełny interpretacyjnie.
  8. Konwersja OR do RR bez ryzyka bazowego. Do przeliczenia potrzebna jest informacja o ryzyku bazowym lub odpowiedni model predykcyjny; pojedynczy OR nie wystarcza.

Przykład praktyczny: jak napisać wynik?

Badacz otrzymał z regresji logistycznej OR = 2,40; 95% PU: 1,40–4,10. W grupie nieeksponowanej ryzyko wynosiło 10%, a w eksponowanej 21%.

Niepoprawny zapis: „Ekspozycja zwiększyła ryzyko o 140%”.

Lepszy zapis: „Po uwzględnieniu zmiennych wskazanych w modelu iloraz szans wystąpienia zdarzenia w grupie eksponowanej wynosił 2,40 w porównaniu z grupą nieeksponowaną; 95% PU: 1,40–4,10. Ryzyko bezwzględne wynosiło odpowiednio 21% i 10%, co odpowiada różnicy 11 punktów procentowych. Ze względu na obserwacyjny charakter badania wynik interpretuje się jako związek, a nie dowód przyczynowości”.

Jeżeli celem jest komunikacja kliniczna lub zdrowotna, warto podać zarówno OR wynikający z modelu, jak i przewidywane ryzyka dla reprezentatywnych wartości zmiennych. Pozwala to uniknąć sytuacji, w której odbiorca słyszy dużą względną liczbę, ale nie zna prawdopodobieństwa zdarzenia.

Co warto zapamiętać?

  • RR porównuje ryzyka, a OR porównuje szanse.
  • Gdy zdarzenie jest rzadkie, OR i RR mogą być podobne.
  • Przy częstym zdarzeniu OR zwykle bardziej oddala się od 1 niż RR: zawyża efekt dla OR > 1 i silniej sugeruje ochronę dla OR < 1.
  • OR jest właściwą i często konieczną miarą w badaniach kliniczno-kontrolnych oraz naturalnym wynikiem regresji logistycznej, ale wymaga poprawnej interpretacji.
  • W badaniach kohortowych i randomizowanych, gdy można obliczyć ryzyko, RR bywa bardziej intuicyjne.
  • Najlepszy opis obejmuje miarę względną, ryzyko absolutne, różnicę ryzyka i przedział ufności.
  • Żadna z tych miar nie zastępuje oceny projektu badania, błędu systematycznego, precyzji i znaczenia praktycznego.

Reguła robocza: zanim zinterpretujesz OR jak RR, sprawdź częstość zdarzenia, projekt badania, grupę odniesienia i ryzyka bezwzględne.

Źródła i dalsza lektura

  1. Bland, J. M.; Altman, D. G. (2000). The odds ratio. BMJ, 320(7247), 1468. DOI: 10.1136/bmj.320.7247.1468.
  2. 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.
  3. McNutt, L.-A.; Wu, C.; Xue, X.; Hafner, J. P. (2003). Estimating the Relative Risk in Cohort Studies and Clinical Trials of Common Outcomes. American Journal of Epidemiology, 157(10), 940–943. DOI: 10.1093/aje/kwg074.
  4. von Elm, E.; Altman, D. G.; Egger, M.; Pocock, S. J.; Gøtzsche, P. C.; Vandenbroucke, J. P.; for the STROBE Initiative (2007). The Strengthening the Reporting of Observational Studies in Epidemiology (STROBE) Statement: Guidelines for Reporting Observational Studies. PLoS Medicine, 4(10), e296. DOI: 10.1371/journal.pmed.0040296.
  5. Greenland, S.; Thomas, D. C. (1982). On the Need for the Rare Disease Assumption in Case-Control Studies. American Journal of Epidemiology, 116(4), 547–553. DOI: 10.1093/oxfordjournals.aje.a113442.

Podobne wpisy

Dodaj komentarz

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