Différence de risque, rapport de risque et odds ratio comme mesures des effets dans le design de cohorte

Un design d’étude de cohorte poursuit l’effet d’une exposition telle qu’un traitement, de manière prospective. Dans l’étude de cohorte, nous extrayons une taille adéquate d’un échantillon aléatoire de la population cible, puis nous répartissons aléatoirement les sujets dans le groupe exposé ou le groupe non exposé. L’effet de l’exposition est observé comme les changements dans le résultat d’intérêt au fil du temps. Le risque est facilement calculé comme le nombre de personnes atteintes de la maladie dans les groupes exposés et non exposés, divisé par le nombre total de personnes dans les deux groupes. Dans l’étude de cohorte, nous avons un dénominateur clair : le nombre de personnes assignées dans les groupes. Le DR et le RR sont fréquemment utilisés pour évaluer l’association entre le groupe exposé et le groupe témoin. Le DR, également connu sous le nom de RA ou risque excessif, représente la quantité de risque, qui a diminué ou augmenté lorsque l’exposition existe par rapport à celle qui existe lorsque l’exposition est absente. Une valeur RD positive signifie un risque accru et une valeur négative signifie un risque réduit par l’exposition. Le RR est calculé comme le risque d’un groupe exposé divisé par le risque d’un groupe non exposé. Une valeur RR de 1 signifie qu’il n’y a pas de différence de risque entre les groupes, et des valeurs plus grandes ou plus petites signifient une augmentation ou une diminution du risque dans un groupe exposé par rapport au risque dans un groupe non exposé, ce qui peut être interprété comme le fait que la survenue de la maladie est plus ou moins probable dans le groupe exposé, respectivement.

En outre, nous pouvons également utiliser OR dans le même but dans les études de cohorte. L’OR est le rapport des probabilités de maladie dans un groupe exposé et un groupe non exposé. L’interprétation de OR n’est pas aussi intuitive que celle de RR. Une valeur OR de 1 signifie qu’il n’y a pas de différence de probabilité entre les groupes, et une valeur supérieure à 1 signifie une augmentation de la probabilité dans le groupe exposé, ce qui est interprété comme une association positive entre le fait d’avoir la maladie et le fait d’avoir été exposé. A l’inverse, un OR inférieur à 1 signifie une diminution de la probabilité dans le groupe exposé, ce qui est interprété comme une association entre le fait d’avoir la maladie et le fait de ne pas avoir été exposé. Bien que l’interprétation de l’OR soit similaire à celle du RR, ils ont des valeurs similaires uniquement lorsque les risques des deux groupes sont très faibles, par exemple, p < 0,1. Sinon, ils présentent des valeurs différentes. Comme on peut le voir dans le tableau 2, les valeurs de RR et OR ne sont approximativement les mêmes que lorsque le risque des deux groupes est très faible (p < 0,1, exemples 1 à 5 du tableau 2). Cependant, lorsque les risques de l’un ou des deux groupes ne sont pas très faibles (p > 0,1), il existe un écart considérable entre les valeurs de RR et de OR (exemples 6 – 14, tableau 2). Une règle générale est qu’une valeur OR reflète toujours une taille d’effet plus grande ou une association plus forte, en montrant des valeurs OR plus petites que les valeurs RR correspondantes lorsque RR < 1 et des valeurs OR plus grandes lorsque RR > 1. Dans le tableau 2, nous pouvons confirmer que tous les cas avec RR plus grand que 1 avaient des valeurs OR beaucoup plus grandes (Exemples 6 – 8 et 10 – 14), et un cas avec RR plus petit que 1 avait une valeur OR plus petite que la valeur RR correspondante (Exemple 9). Par conséquent, une interprétation incorrecte de la valeur du RC en tant que RR entraînera une surestimation de l’effet en augmentant ou en diminuant par erreur les risques réels. La figure 1 montre que les différences entre les valeurs du RC et du RR augmentent à mesure que les niveaux de risque de base dans le groupe témoin (I0) augmentent1. En particulier, lorsque le risque de base est aussi important que 0,5, la valeur maximale du RR est confinée à 2, tandis que la valeur du RO se rapproche de l’infini.

OR a été utilisé comme une estimation très populaire de l’effet dans les études épidémiologiques. Comme la régression logistique a été fréquemment utilisée dans l’évaluation multivariée des résultats binaires, le RO, qui est le coefficient de régression exponentiel de la régression logistique, a également été populaire. La régression logistique présente un avantage informatique, à savoir que la convergence est efficace car le lien logit correspondant peut convertir les valeurs de risque (p), confinées de 0 à 1, en valeurs de probabilité logarithmique allant de l’infini négatif à l’infini positif. Heureusement, de nombreuses maladies mortelles ont tendance à avoir un risque (ou une prévalence) très faible, par exemple inférieur à 0,1, et l’utilisation de l’OR peut donc être justifiée comme un bon estimateur du RR. Cependant, lorsque nous analysons les données de maladies prévalentes telles que les caries dentaires ou la parodontite, nous devons faire attention à ne pas interpréter la forte association par l’OR comme si elle était par le RR. Parce que la valeur OR est loin de 1 que la valeur RR correspondante lorsque la maladie n’est pas rare, pour éviter l’erreur possible de surestimer l’effet, la valeur OR résultante peut être convertie en RR en utilisant l’équation suivante seulement lorsque le risque de base peut être supposé de manière appropriée :

RR=OR1-I0*1-OR, où I0 est le risque de base du groupe de contrôle2.

Lorsque le résultat n’est pas rare, la régression de Poisson ou le modèle log-binomial sont préférés pour obtenir le RR au lieu de la régression logistique.