Diferencia de riesgo, ratio de riesgo y odds ratio como medidas de efectos en el diseño de cohortes

Un diseño de estudio de cohortes persigue el efecto de la exposición, como el tratamiento, de forma prospectiva. En el estudio de cohortes, se extrae un tamaño adecuado de una muestra aleatoria de la población objetivo y, a continuación, se asignan aleatoriamente los sujetos al grupo expuesto o al grupo no expuesto. El efecto de la exposición se observa como los cambios en el resultado de interés a lo largo del tiempo. El riesgo se calcula fácilmente como el número de personas que padecen la enfermedad en los grupos expuestos y no expuestos dividido por el número de todas las personas de ambos grupos. En el estudio de cohortes, tenemos un denominador claro: el número de personas asignadas en los grupos. La DR y el RR se utilizan con frecuencia para evaluar la asociación entre los grupos expuestos y de control. La DR, que también se conoce como RA o riesgo excesivo, representa la cantidad de riesgo, que disminuye o aumenta cuando existe la exposición en comparación con la que existe cuando la exposición está ausente. Un valor de DR positivo significa un aumento del riesgo y uno negativo significa una disminución del riesgo por la exposición. El RR se calcula como el riesgo de un grupo expuesto dividido por el riesgo de un grupo no expuesto. Un valor de RR de 1 significa que no hay diferencia en el riesgo entre los grupos, y valores mayores o menores significan un aumento o una disminución del riesgo en un grupo expuesto en comparación con el riesgo en un grupo no expuesto, lo que puede interpretarse como que la aparición de la enfermedad es más o menos probable en el grupo expuesto, respectivamente.

Además, también podemos utilizar OR para el mismo propósito en los estudios de cohortes. La OR es la relación de probabilidades de enfermedad en un grupo expuesto y en un grupo no expuesto. La interpretación OR no es tan intuitiva como RR. Un valor de OR de 1 significa que no hay diferencia en las probabilidades entre los grupos, y un valor mayor que 1 significa un aumento de las probabilidades en el grupo expuesto, lo que se interpreta como una asociación positiva entre tener la enfermedad y estar expuesto. Por el contrario, un valor de OR inferior a 1 significa una disminución de las probabilidades en el grupo expuesto, lo que se interpreta como una asociación entre tener la enfermedad y no estar expuesto. Aunque la interpretación de la OR es similar a la del RR, sólo tienen valores similares cuando los riesgos de ambos grupos son muy bajos, por ejemplo, p < 0,1. En caso contrario, muestran valores diferentes. Como se observa en la Tabla 2, los valores de RR y OR son aproximadamente los mismos sólo cuando el riesgo de ambos grupos es muy bajo (p < 0,1, Ejemplos 1 – 5 en la Tabla 2). Sin embargo, cuando los riesgos de uno o ambos grupos no son muy bajos (p > 0,1), hay una discrepancia considerable entre los valores de RR y OR (Ejemplos 6 – 14, Tabla 2). Una regla general es que un valor de OR siempre refleja un mayor tamaño del efecto o una asociación más fuerte, mostrando valores de OR más pequeños que los valores de RR correspondientes cuando el RR < 1 y valores de OR más grandes cuando el RR > 1. En la Tabla 2, podemos confirmar que todos los casos con un RR mayor que 1 tenían valores de OR mucho más grandes (Ejemplos 6 – 8 y 10 – 14), y un caso con un RR menor que 1 tenía un valor de OR más pequeño que el valor de RR correspondiente (Ejemplo 9). Por lo tanto, una interpretación incorrecta del valor de la OR como del RR conducirá a una exageración del efecto, aumentando o disminuyendo erróneamente los riesgos reales. La figura 1 muestra que las diferencias entre los valores de OR y RR son mayores a medida que aumentan los niveles de riesgo inicial en el grupo de control (I0).1 Especialmente cuando el riesgo basal es tan grande como 0,5, el valor máximo de RR se limita a 2, mientras que el valor de OR se aproxima al infinito.

OR se ha utilizado como una estimación del efecto muy popular en los estudios epidemiológicos. Como la regresión logística se ha utilizado con frecuencia en la evaluación multivariante de resultados binarios, la OR, que es el coeficiente de regresión exponencial de la regresión logística, también ha sido popular. La regresión logística tiene la ventaja computacional de que la convergencia es eficiente porque el enlace logit relacionado puede convertir los valores de riesgo (p), confinados de 0 a 1, en valores de probabilidades logarítmicas que van de infinito negativo a infinito positivo. Afortunadamente, muchas enfermedades potencialmente mortales suelen tener un riesgo (o prevalencia) muy bajo, por ejemplo, inferior a 0,1, por lo que el uso de OR puede justificarse como un buen estimador de RR. Sin embargo, cuando analizamos datos de enfermedades prevalentes como la caries dental o la periodontitis, debemos tener cuidado de no interpretar la fuerte asociación por OR como si fuera por RR. Dado que el valor de la OR está muy lejos de 1 que el valor del RR correspondiente cuando la enfermedad no es rara, para evitar el posible error de exagerar el efecto, el valor de la OR resultante puede convertirse en RR utilizando la siguiente ecuación sólo cuando el riesgo de referencia puede asumirse adecuadamente:

RR=OR1-I0*1-OR, donde I0 es el riesgo de referencia del grupo de control.2

Cuando el resultado no es raro, se prefiere la regresión de Poisson o el modelo log-binomial para obtener el RR en lugar de la regresión logística.