Riskskillnad, riskkvot och oddskvot som effektmått i kohortstudier

En kohortstudie syftar till att prospektivt undersöka effekten av exponering, t.ex. behandling. I kohortstudien tar vi ut ett slumpmässigt urval av lämplig storlek från målpopulationen och tilldelar sedan slumpmässigt försökspersonerna till antingen den exponerade gruppen eller den oexponerade gruppen. Effekten av exponeringen observeras som förändringar i utfallet av intresse över tiden. Risken kan enkelt beräknas som antalet personer som har sjukdomen i den exponerade och den oexponerade gruppen dividerat med antalet personer i båda grupperna. I kohortstudien har vi en tydlig nämnare: antalet personer som tilldelats grupperna. RD och RR används ofta för att bedöma sambandet mellan de exponerade grupperna och kontrollgrupperna. RD, som också kallas AR eller överrisk, representerar den mängd risk som minskat eller ökat när exponeringen finns jämfört med när exponeringen är frånvarande. Ett positivt RD-värde innebär ökad risk och ett negativt värde innebär minskad risk till följd av exponeringen. RR beräknas som risken för en exponerad grupp dividerad med risken för en oexponerad grupp. Ett RR-värde på 1 innebär ingen skillnad i risk mellan grupperna, och större eller mindre värden innebär ökad eller minskad risk i en exponerad grupp jämfört med risken i en oexponerad grupp, vilket kan tolkas som att förekomsten av sjukdom är mer eller mindre sannolik i den exponerade gruppen, respektive.

Därutöver kan vi också använda OR för samma syfte i kohortstudier. OR är förhållandet mellan oddsen för sjukdom i en exponerad grupp och en oexponerad grupp. Tolkningen OR är inte lika intuitiv som RR. Ett OR-värde på 1 innebär ingen skillnad i odds mellan grupperna, och ett större värde än 1 innebär ökade odds i den exponerade gruppen, vilket tolkas som ett positivt samband mellan att ha sjukdom och att vara exponerad. Ett OR-värde som är mindre än 1 innebär däremot minskade odds i den exponerade gruppen, vilket tolkas som att det finns ett samband mellan att ha sjukdomen och att inte ha exponerats. Även om tolkningen av OR liknar tolkningen av RR har de liknande värden endast när riskerna för båda grupperna är mycket låga, t.ex. p < 0,1. I annat fall visar de olika värden. Som framgår av tabell 2 är värdena för RR och OR ungefär desamma endast när risken för båda grupperna är mycket låg (p < 0,1, exempel 1 – 5 i tabell 2). När riskerna för antingen en eller båda grupperna inte är mycket låga (p > 0,1) finns det dock betydande skillnader mellan RR- och OR-värdena (exempel 6-14, tabell 2). En allmän regel är att ett OR-värde alltid återspeglar en större effektstorlek eller ett starkare samband, genom att visa mindre OR-värden än motsvarande RR-värden när RR < 1 och större OR-värden när RR > 1. I tabell 2 kan vi bekräfta att alla fall med RR större än 1 hade mycket större OR-värden (exempel 6-8 och 10-14), och ett fall med RR mindre än 1 hade ett mindre OR-värde än motsvarande RR-värde (exempel 9). En felaktig tolkning av OR-värdet som RR-värde kommer därför att leda till en överskattning av effekten genom att de verkliga riskerna antingen felaktigt ökas eller minskas. Figur 1 visar att skillnaderna mellan OR- och RR-värden blir större när risknivåerna i kontrollgruppen (I0) ökar.1 Särskilt när grundrisken är så stor som 0,5 begränsas det maximala RR-värdet till 2, medan OR-värdet närmar sig oändligheten.

OR har använts som en mycket populär uppskattning av effekten i epidemiologiska studier. Eftersom logistisk regression ofta har använts vid multivariat bedömning av binära utfall har OR, som är den exponentierade regressionskoefficienten från logistisk regression, också varit populär. Den logistiska regressionen har den beräkningsmässiga fördelen att konvergensen är effektiv eftersom den relaterade logitlänken kan omvandla riskvärden (p), som är begränsade från 0 till 1, till logaritmiska oddsvärden som sträcker sig från negativ oändlighet till positiv oändlighet. Lyckligtvis tenderar många livshotande sjukdomar att ha en mycket låg risk (eller prevalens), t.ex. lägre än 0,1, och därför kan OR motiveras som en bra skattare av RR. När vi analyserar data om utbredda sjukdomar, t.ex. karies eller parodontit, måste vi dock vara försiktiga så att vi inte tolkar det starka sambandet med OR som om det vore med RR. Eftersom OR-värdet är långt ifrån 1 än motsvarande RR-värde när sjukdomen inte är sällsynt, kan det resulterande OR-värdet omvandlas till RR med hjälp av följande ekvation endast när grundrisken kan antas på lämpligt sätt, för att undvika eventuella misstag som innebär att effekten överskattas:

RR=OR1-I0*1-OR, där I0 är kontrollgruppens grundrisk.2

När utfallet inte är sällsynt är Poissonregression eller log-binomialmodell att föredra för att få fram RR i stället för logistisk regression.