Różnica ryzyka, współczynnik ryzyka i iloraz szans jako miary efektów w projekcie kohortowym

A cohort study design pursues the effect of exposure such as treatment, prospectively. W badaniu kohortowym wyodrębniamy odpowiedniej wielkości próbę losową z populacji docelowej, a następnie losowo przypisujemy badanych do grupy eksponowanej lub nieeksponowanej. Efekt ekspozycji jest obserwowany jako zmiany w interesującym nas wyniku w czasie. Ryzyko można łatwo obliczyć jako liczbę osób z chorobą w grupie narażonej i nie narażonej podzieloną przez liczbę wszystkich osób w obu grupach. W badaniu kohortowym mamy jasny mianownik: liczbę osób przypisanych do grup. RD i RR są często używane do oceny asocjacji między grupą narażoną i kontrolną. RD, który jest również znany jako AR lub nadmierne ryzyko, reprezentuje wielkość ryzyka, które zmniejszyło się lub zwiększyło, gdy istnieje ekspozycja w porównaniu do tego, gdy ekspozycja nie występuje. Dodatnia wartość RD oznacza zwiększone ryzyko, a ujemna – ryzyko zmniejszone przez ekspozycję. RR oblicza się jako ryzyko w grupie narażonej podzielone przez ryzyko w grupie nie narażonej. Wartość RR równa 1 oznacza brak różnicy w ryzyku między grupami, a większe lub mniejsze wartości oznaczają zwiększone lub zmniejszone ryzyko w grupie narażonej w porównaniu z ryzykiem w grupie nie narażonej, co można interpretować, że wystąpienie choroby jest odpowiednio bardziej lub mniej prawdopodobne w grupie narażonej.

W tym samym celu w badaniach kohortowych możemy również wykorzystać OR. OR to stosunek prawdopodobieństwa wystąpienia choroby w grupie narażonej i nie narażonej. Interpretacja OR nie jest tak intuicyjna jak RR. Wartość OR równa 1 oznacza brak różnicy w szansach między grupami, a wartość większa niż 1 oznacza zwiększone szanse w grupie narażonej, interpretowane jako pozytywny związek między zachorowaniem a narażeniem. Przeciwnie, wartość OR mniejsza niż 1 oznacza zmniejszenie szans w grupie narażonej, co interpretuje się jako asocjację pomiędzy posiadaniem choroby a brakiem narażenia. Chociaż interpretacja OR jest podobna do interpretacji RR, mają one podobne wartości tylko wtedy, gdy ryzyko w obu grupach jest bardzo niskie, np. p < 0,1. W pozostałych przypadkach wykazują one różne wartości. Jak widać w tabeli 2, wartości RR i OR są w przybliżeniu takie same tylko wtedy, gdy ryzyko obu grup jest bardzo niskie (p < 0,1, przykłady 1 – 5 w tabeli 2). Jednakże, gdy ryzyko jednej lub obu grup nie jest bardzo niskie (p > 0,1), występują znaczne rozbieżności między wartościami RR i OR (przykłady 6 – 14, tabela 2). Ogólna zasada mówi, że wartość OR zawsze odzwierciedla większą wielkość efektu lub silniejszy związek, wykazując mniejsze wartości OR niż odpowiadające im wartości RR, gdy RR < 1 i większe wartości OR, gdy RR > 1. W Tabeli 2 możemy potwierdzić, że wszystkie przypadki z RR większym niż 1 miały znacznie większe wartości OR (Przykłady 6 – 8 i 10 – 14), a przypadek z RR mniejszym niż 1 miał mniejszą wartość OR niż odpowiadająca mu wartość RR (Przykład 9). Dlatego też nieprawidłowa interpretacja wartości OR jako RR doprowadzi do zawyżenia efektu poprzez błędne zwiększenie lub zmniejszenie prawdziwego ryzyka. Rycina 1 pokazuje, że różnice między wartościami OR i RR zwiększają się wraz ze wzrostem poziomu ryzyka bazowego w grupie kontrolnej (I0)1. Szczególnie gdy ryzyko bazowe jest tak duże jak 0,5, maksymalna wartość RR jest ograniczona do 2, podczas gdy wartość OR zbliża się do nieskończoności.

OR został wykorzystany jako bardzo popularny szacunek efektu w badaniach epidemiologicznych. Ponieważ regresja logistyczna jest często stosowana w wielowariantowej ocenie wyników binarnych, popularnością cieszy się również OR, który jest wykładniczym współczynnikiem regresji z regresji logistycznej. Regresja logistyczna ma tę zaletę obliczeniową, że zbieżność jest wydajna, ponieważ powiązany związek logitowy może przekształcić wartości ryzyka (p), ograniczone od 0 do 1, w wartości szans logarytmicznych z zakresu od ujemnej nieskończoności do dodatniej nieskończoności. Na szczęście wiele chorób zagrażających życiu ma zwykle bardzo niskie ryzyko (lub częstość występowania), np. niższe niż 0,1, dlatego użycie OR może być uzasadnione jako dobry estymator RR. Jednakże, gdy analizujemy dane dotyczące chorób powszechnych, takich jak próchnica zębów lub zapalenie przyzębia, musimy być ostrożni, aby nie interpretować silnego związku za pomocą OR tak, jakby był on za pomocą RR. Ponieważ wartość OR jest daleka od 1 niż odpowiadająca jej wartość RR, gdy choroba nie jest rzadka, aby uniknąć możliwego błędu przeszacowania efektu, wynikową wartość OR można przekształcić w RR za pomocą następującego równania tylko wtedy, gdy można odpowiednio założyć ryzyko bazowe:

RR=OR1-I0*1-OR, gdzie I0 to ryzyko bazowe grupy kontrolnej.2

Gdy wynik nie jest rzadki, do uzyskania RR zamiast regresji logistycznej preferuje się regresję Poissona lub model log-binomialny.

.