Risikodifference, risikokvotient og odds ratio som mål for effekter i kohortedesign

Et kohorteundersøgelsesdesign undersøger effekten af eksponering, f.eks. behandling, prospektivt. I kohorteundersøgelsen udtager vi en passende størrelse af en tilfældig stikprøve fra målpopulationen og fordeler derefter tilfældigt forsøgspersonerne i enten den eksponerede gruppe eller den ueksponerede gruppe. Effekten af eksponeringen observeres som ændringerne i det pågældende resultat over tid. Risikoen kan let beregnes som antallet af personer, der har sygdommen i den eksponerede og den ueksponerede gruppe, divideret med antallet af alle personer i begge grupper. I kohorteundersøgelsen har vi en klar nævner: antallet af personer, der er fordelt på grupperne. RD og RR anvendes ofte til at vurdere sammenhængen mellem de udsatte og kontrolgrupperne. RD, som også er kendt som AR eller overdreven risiko, repræsenterer størrelsen af den risiko, der er faldet eller steget, når eksponeringen findes, sammenlignet med den risiko, der er, når eksponeringen er fraværende. En positiv RD-værdi betyder øget risiko, og en negativ værdi betyder nedsat risiko som følge af eksponeringen. RR beregnes som risikoen for en eksponeret gruppe divideret med risikoen for en ueksponeret gruppe. En RR-værdi på 1 betyder ingen forskel i risiko mellem grupperne, og større eller mindre værdier betyder øget eller nedsat risiko i en eksponeret gruppe sammenlignet med risikoen i en ikke-eksponeret gruppe, hvilket kan fortolkes som, at forekomsten af sygdom er mere eller mindre sandsynlig i henholdsvis den eksponerede gruppe.

Dertil kommer, at vi også kan bruge OR til samme formål i kohorteundersøgelser. OR er forholdet mellem oddsene for sygdom i en eksponeret gruppe og en ikke-eksponeret gruppe. Fortolkningen OR er ikke lige så intuitiv som RR. En OR-værdi på 1 betyder ingen forskel i odds mellem grupperne, og en større værdi end 1 betyder øget odds i den eksponerede gruppe, hvilket fortolkes som en positiv sammenhæng mellem at have sygdom og at være eksponeret. Omvendt betyder en OR-værdi på mindre end 1 et fald i oddsene i den eksponerede gruppe, hvilket fortolkes som en sammenhæng mellem at have sygdom og ikke at være eksponeret. Selv om fortolkningen af OR svarer til fortolkningen af RR, har de kun samme værdier, når risikoen for begge grupper er meget lav, f.eks. p < 0,1. Ellers viser de forskellige værdier. Som det fremgår af tabel 2, er værdierne for RR og OR kun omtrent de samme, når risikoen for begge grupper er meget lav (p < 0,1, eksempel 1 – 5 i tabel 2). Men når risikoen for enten den ene eller begge grupper ikke er meget lav (p > 0,1), er der betydelige forskelle mellem RR- og OR-værdierne (eksempel 6-14, tabel 2). En generel regel er, at en OR-værdi altid afspejler en større effektstørrelse eller en stærkere sammenhæng ved at vise mindre OR-værdier end de tilsvarende RR-værdier, når RR < 1, og større OR-værdier, når RR > 1. I tabel 2 kan vi bekræfte, at alle tilfælde med RR større end 1 havde meget større OR-værdier (eksempel 6-8 og 10-14), og at et tilfælde med RR mindre end 1 havde en mindre OR-værdi end den tilsvarende RR-værdi (eksempel 9). Derfor vil en ukorrekt fortolkning af OR-værdien som RR føre til en overvurdering af effekten ved enten fejlagtigt at øge eller mindske de sande risici. Figur 1 viser, at forskellene mellem OR- og RR-værdierne bliver større, efterhånden som niveauet af baseline-risikoen i kontrolgruppen (I0)1 stiger. Især når basisrisikoen er så stor som 0,5, er den maksimale RR-værdi begrænset til 2, mens OR-værdien nærmer sig uendelig.

OR er blevet anvendt som et meget populært estimat af effekten i epidemiologiske undersøgelser. Da den logistiske regression ofte er blevet anvendt i multivariat vurdering af binære udfald, har OR, som er den eksponentierede regressionskoefficient fra logistisk regression, også været populær. Den logistiske regression har den beregningsmæssige fordel, at konvergensen er effektiv, fordi den tilhørende logit-forbindelse kan konvertere risikoværdier (p), der er begrænset fra 0 til 1, til log oddsværdier, der spænder fra negativ uendelig til positiv uendelig. Heldigvis har mange livstruende sygdomme heldigvis en tendens til at have en meget lav risiko (eller prævalens), f.eks. mindre end 0,1, og derfor kan det være berettiget at anvende OR som en god estimator for RR. Når vi analyserer data om udbredte sygdomme som f.eks. caries eller parodontitis, skal vi imidlertid være forsigtige med ikke at fortolke den stærke sammenhæng ved OR som om den er ved RR. Da OR-værdien er langt fra 1 end den tilsvarende RR-værdi, når sygdommen ikke er sjælden, kan den resulterende OR-værdi kun konverteres til RR ved hjælp af følgende ligning for at undgå en eventuel fejltagelse med overvurdering af effekten, når basisrisikoen kan antages på passende vis:

RR=OR1-I0*1-OR, hvor I0 er basisrisikoen for kontrolgruppen2 .

Når resultatet ikke er sjældent, foretrækkes Poisson-regression eller log-binomialmodel til at opnå RR i stedet for logistisk regression.