Risikodifferenz, Risikoverhältnis und Odds Ratio als Wirkungsmaße im Kohorten-Design

Ein Kohorten-Studiendesign verfolgt die Wirkung einer Exposition, z. B. einer Behandlung, prospektiv. Bei der Kohortenstudie wird eine ausreichend große Zufallsstichprobe aus der Zielpopulation entnommen und die Probanden werden dann nach dem Zufallsprinzip entweder der exponierten oder der nicht exponierten Gruppe zugeordnet. Die Wirkung der Exposition wird als Veränderung des interessierenden Ergebnisses im Laufe der Zeit beobachtet. Das Risiko lässt sich leicht berechnen als die Anzahl der Personen mit der Krankheit in der exponierten und der nicht exponierten Gruppe geteilt durch die Anzahl aller Personen in beiden Gruppen. In der Kohortenstudie haben wir einen klaren Nenner: die Anzahl der Personen, die den Gruppen zugeordnet sind. RD und RR werden häufig verwendet, um den Zusammenhang zwischen der exponierten und der Kontrollgruppe zu bewerten. Der RD-Wert, der auch als AR oder übermäßiges Risiko bezeichnet wird, gibt das Ausmaß des Risikos an, das bei bestehender Exposition im Vergleich zu dem bei fehlender Exposition ab- oder zunimmt. Ein positiver RD-Wert bedeutet ein erhöhtes Risiko und ein negativer Wert bedeutet ein verringertes Risiko durch die Exposition. RR wird berechnet als das Risiko einer exponierten Gruppe geteilt durch das Risiko einer nicht exponierten Gruppe. Ein RR-Wert von 1 bedeutet keinen Unterschied im Risiko zwischen den Gruppen, und größere bzw. kleinere Werte bedeuten ein erhöhtes bzw. verringertes Risiko in einer exponierten Gruppe im Vergleich zum Risiko in einer nicht exponierten Gruppe, was dahingehend interpretiert werden kann, dass das Auftreten einer Krankheit in der exponierten Gruppe wahrscheinlicher bzw. unwahrscheinlicher ist.

Darüber hinaus können wir für den gleichen Zweck in Kohortenstudien auch OR verwenden. OR ist das Verhältnis der Erkrankungswahrscheinlichkeit in einer exponierten Gruppe und einer nicht exponierten Gruppe. Die Interpretation OR ist nicht so intuitiv wie RR. Ein OR-Wert von 1 bedeutet keinen Unterschied in der Wahrscheinlichkeit zwischen den Gruppen, und ein größerer Wert als 1 bedeutet eine erhöhte Wahrscheinlichkeit in der exponierten Gruppe, was als positiver Zusammenhang zwischen Krankheit und Exposition interpretiert wird. Im Gegensatz dazu bedeutet ein OR-Wert von weniger als 1 eine verringerte Chance in der exponierten Gruppe, was als Assoziation zwischen Krankheit und nicht vorhandener Exposition interpretiert wird. Obwohl die Interpretation von OR ähnlich wie die von RR ist, haben sie nur dann ähnliche Werte, wenn die Risiken beider Gruppen sehr niedrig sind, z. B. p < 0,1. Andernfalls weisen sie unterschiedliche Werte auf. Wie in Tabelle 2 zu sehen ist, sind die Werte von RR und OR nur dann annähernd gleich, wenn das Risiko beider Gruppen sehr niedrig ist (p < 0,1, Beispiele 1 – 5 in Tabelle 2). Wenn jedoch die Risiken einer oder beider Gruppen nicht sehr niedrig sind (p > 0,1), besteht eine erhebliche Diskrepanz zwischen den RR- und OR-Werten (Beispiele 6 – 14, Tabelle 2). Eine allgemeine Regel besagt, dass ein OR-Wert immer einen größeren Effekt oder eine stärkere Assoziation widerspiegelt, indem er kleinere OR-Werte als die entsprechenden RR-Werte zeigt, wenn RR < 1 und größere OR-Werte, wenn RR > 1. In Tabelle 2 können wir bestätigen, dass alle Fälle mit RR größer als 1 viel größere OR-Werte hatten (Beispiele 6 – 8 und 10 – 14), und ein Fall mit RR kleiner als 1 hatte einen kleineren OR-Wert als der entsprechende RR-Wert (Beispiel 9). Daher führt eine falsche Interpretation des OR-Werts als RR zu einer Überbewertung des Effekts, indem die wahren Risiken entweder fälschlicherweise erhöht oder verringert werden. Abbildung 1 zeigt, dass die Unterschiede zwischen OR- und RR-Werten größer werden, je höher das Ausgangsrisiko in der Kontrollgruppe (I0) ist.1 Insbesondere wenn das Ausgangsrisiko so groß wie 0,5 ist, beschränkt sich der maximale RR-Wert auf 2, während der OR-Wert sich unendlich nähert.

OR wurde als eine sehr beliebte Schätzung des Effekts in epidemiologischen Studien verwendet. Da die logistische Regression häufig bei der multivariaten Bewertung binärer Ergebnisse verwendet wurde, ist auch das OR, das der potenzierte Regressionskoeffizient der logistischen Regression ist, sehr beliebt. Die logistische Regression hat den rechnerischen Vorteil, dass die Konvergenz effizient ist, da die zugehörige Logit-Verknüpfung Risikowerte (p), die von 0 bis 1 reichen, in logarithmische Odds-Werte umwandeln kann, die von negativ unendlich bis positiv unendlich reichen. Glücklicherweise haben viele lebensbedrohliche Krankheiten in der Regel ein sehr geringes Risiko (oder Prävalenz), z. B. weniger als 0,1, so dass die Verwendung von OR als guter Schätzer von RR gerechtfertigt werden kann. Bei der Analyse von Daten über weit verbreitete Krankheiten wie Zahnkaries oder Parodontitis müssen wir jedoch aufpassen, dass wir die starke Assoziation durch OR nicht so interpretieren, als sei sie durch RR gegeben. Da der OR-Wert weit von 1 entfernt ist als der entsprechende RR-Wert, wenn die Krankheit nicht selten ist, kann der resultierende OR-Wert nur dann in RR umgewandelt werden, wenn das Ausgangsrisiko angemessen angenommen werden kann:

RR=OR1-I0*1-OR, wobei I0 das Ausgangsrisiko der Kontrollgruppe ist.2

Wenn das Ergebnis nicht selten ist, werden Poisson-Regression oder log-binomiales Modell bevorzugt, um RR anstelle von logistischer Regression zu erhalten.