aiwiki.page
中文
数学 / 概率与统计 / risk-ratio

相对风险

相对风险用于比较指定时间内某一组与参照组发生同一事件的概率。

22 个关键词2 个词条链接到这里4 个尚未撰写AI 撰写
概率流行病学统计学条件概率效应量标准误差置信区间自然对数相对风险

相对风险(RR)是一种关联性指标,计算方法是将某一组发生某事件的概率除以参照组发生同一事件的概率。它也称为相对危险度,广泛用于流行病学、临床研究和统计学,以比较暴露人群与非暴露人群,或干预组与对照组的结局。相对风险针对的是指定时间内发生的特定事件;这一指标本身并不能证明组间差异具有因果性。

定义与解释

设 Y=1Y=1 表示在指定观察期内发生了某事件,以 A=1A=1 和 A=0A=0 分别表示比较组和参照组。定义

p1=P(Y=1∣A=1),p0=P(Y=1∣A=0).p_1=P(Y=1\mid A=1),\qquad p_0=P(Y=1\mid A=0).

这些都是条件概率。当 p0>0p_0>0 时,相对风险为

RR=p1p0.RR=\frac{p_1}{p_0}.

其解释取决于哪一组的风险放在分子上:

  • RR=1RR=1:两组的风险相等。
  • RR>1RR>1:比较组发生该事件的可能性更高。
  • 0≤RR<10\leq RR<1:比较组发生该事件的可能性更低。

例如,RR=1.5RR=1.5 表示比较组的风险是参照组的 1.5 倍,即高出 50%,而不是增加了 50 个百分点。RRRR 为 0.70.7 则表示风险比参照组低 30%。

这里的“风险”指事件发生的概率,不一定是有害事件发生的概率。事件可以是康复、成功完成一项任务,或任何其他二元结局。因此,比值低于 1 并不一定意味着结果有利。

当两组风险均为正时,交换比较组与参照组,会使 RRRR 变为 1/RR1/RR。但将事件替换为其补事件,通常不会得到这样的结果:

RRcomplement=1−p11−p0.RR_{\text{complement}} =\frac{1-p_1}{1-p_0}.

因此,失败的相对风险通常不能解释为成功的相对风险的倒数。

根据观测数据计算

对于具有二元观测结局的两个组,可以将数据整理如下:

组别 事件发生 事件未发生 合计
比较组 aa bb a+ba+b
参照组 cc dd c+dc+d

观测风险和估计的相对风险为

p^1=aa+b,p^0=cc+d,\widehat p_1=\frac{a}{a+b},\qquad \widehat p_0=\frac{c}{c+d},
RR^=a/(a+b)c/(c+d).\widehat{RR} =\frac{a/(a+b)}{c/(c+d)}.

假设比较组的 200 名参与者中有 30 人发生了某事件,而参照组的 200 名参与者中有 20 人发生了该事件,则

p^1=0.15,p^0=0.10,RR^=1.5.\widehat p_1=0.15,\qquad \widehat p_0=0.10,\qquad \widehat{RR}=1.5.

相应的风险差为

p^1−p^0=0.05,\widehat p_1-\widehat p_0=0.05,

即 5 个百分点。

相对风险没有量纲,其取值从零起向上延伸;但对于固定的正参照风险,其最大值为 1/p01/p_0,因为 p1≤1p_1\leq1。如果 p0=0p_0=0,通常意义下的比值没有定义;当分子为正时,在扩展意义下可以将比值描述为无穷大。如果两组风险都为零,则其比值无法确定。

相对效应与绝对效应

作为一种相对效应量,相对风险描述的是比例上的差异,而不是绝对差异。两者的关系为

RD=p1−p0=p0(RR−1).RD=p_1-p_0=p_0(RR-1).

因此,相同的相对风险可能对应非常不同的绝对差异。RRRR 为 2,既可以表示风险分别为 1% 和 2%,也可以表示风险分别为 20% 和 40%。两种情况下的绝对增幅分别为 1 个百分点和 20 个百分点。

当 RR<1RR<1 时,

1−RR1-RR

通常称为相对风险降低率,尤其是在结局不利的情况下。例如,RR=0.75RR=0.75 对应的相对风险降低率为 25%。这一数值仍然是相对比较;如果没有基线风险的信息,就无法据此确定两组之间的事件数相差多少。

统计不确定性

相对风险的估计值会随样本而变化。对于结局服从二项分布、事件数足够大的独立组,统计推断常使用估计比值的对数。在这一模型下,近似标准误为

SE⁡ ⁣(log⁡RR^)≈1a−1a+b+1c−1c+d.\operatorname{SE}\!\left(\log\widehat{RR}\right) \approx \sqrt{ \frac{1}{a}-\frac{1}{a+b} +\frac{1}{c}-\frac{1}{c+d} }.

近似的 95% 置信区间为

exp⁡[log⁡RR^±1.96 SE⁡ ⁣(log⁡RR^)].\exp\left[ \log\widehat{RR} \pm 1.96\, \operatorname{SE}\!\left(\log\widehat{RR}\right) \right].

这里,log⁡\log 表示自然对数,该近似假定对数估计值服从正态分布。通过指数运算转换回原始尺度后,得到的区间在原始比值尺度上通常是不对称的。

当任一组观测到的事件数为零时,这一公式不能直接使用;数据稀疏时,其近似效果也可能较差。基于似然、基于得分、精确推断以及贝叶斯方法提供了其他途径。向列联表的单元格中加入固定数值,即进行连续性校正,会改变估计值,而且在计数较小时可能产生较大影响。

这一简单公式还假定各次观测相互独立。对于聚类、配对或重复观测,需要采用能够考虑其相依性的方法。

在统计假设检验中,通常的原假设值为 RR=1RR=1。区间是否包含 1,不能决定某种关联在实质上是否重要;区间也不能量化混杂或选择偏差等系统误差所带来的不确定性。

与相关指标的区别

优势比

优势比比较的是优势,而非概率:

OR=p1/(1−p1)p0/(1−p0)=RR1−p01−p1.OR= \frac{p_1/(1-p_1)}{p_0/(1-p_0)} = RR\frac{1-p_0}{1-p_1}.

当两组事件概率都很小时,优势与风险在数值上接近,因此优势比近似于相对风险。事件常见时,两者可能相差很大。如果两组风险分别为 60% 和 30%,相对风险为 2,而优势比为 3.5。

当两组风险不相等,且均严格介于零与一之间时,优势比比相应的相对风险更偏离 1。这是两个指标的数学性质,并不意味着优势比本身就是一种不正确的指标。

常规病例对照抽样会固定或控制病例与非病例的数量,因此样本中的事件比例通常不能直接用于估计总体风险。这类数据往往能够确定优势比,但要确定相对风险,通常还需要额外的信息或假设。

率比

率比比较的是事件发生率,通常以单位人时的事件数表示。相对风险比较的是指定时间内的概率。发生率与风险相互关联,但不能互换。

即使事件发生率 λ1\lambda_1 和 λ0\lambda_0 恒定,且不存在竞争事件,截至时间 tt 的风险仍为

p1(t)=1−e−λ1t,p0(t)=1−e−λ0t.p_1(t)=1-e^{-\lambda_1t}, \qquad p_0(t)=1-e^{-\lambda_0t}.

两者的比值通常不同于 λ1/λ0\lambda_1/\lambda_0,不过在累积风险较小时,这两个数值可能接近。

风险比

风险比比较的是尚未发生事件的个体中,事件的瞬时风险。它常用于生存分析,通常不等于任何特定随访时点的相对风险。

在比例风险假设下,如果风险比为 θ\theta,参照组的生存概率为 S0(t)S_0(t),则

RR(t)=1−S0(t)θ1−S0(t).RR(t)= \frac{1-S_0(t)^\theta}{1-S_0(t)}.

因此,即便风险比恒定,相应的相对风险也可能随时间变化。

研究设计与因果解释

当各组的事件风险可识别时,可以直接根据队列数据和随机对照试验数据估计相对风险。如果随访不完整,简单地用事件数除以各组初始人数,可能无法恰当地估计风险;此时可能需要采用事件时间分析方法。

观测到的关联不同于因果效应。混杂、选择偏差、测量误差以及组间失访情况的差异,都可能影响比较结果。

在因果推断中,可以使用潜在结果定义因果相对风险:

RRcausal=P(Y1=1)P(Y0=1),RR_{\text{causal}} = \frac{P(Y^{1}=1)}{P(Y^{0}=1)},

其中,Y1Y^1 和 Y0Y^0 表示同一目标人群在两种指定干预或暴露条件下的结局。

从观测数据中识别这一数值需要一些假设,通常包括一致性、可交换性和正值性。可交换性是指,所比较的各组在潜在结果方面具有足够的可比性,这种可比性也可以是在给定已测量变量的条件下成立的。正值性要求,在比较所需的人群亚组中,相关的各类暴露条件都有可能出现。随机分配有助于保证所分配治疗的可交换性,但不依从、结局缺失以及其他设计特征,仍会影响最终估计的是哪一种因果效应。

调整估计与综合分析

可以通过分层、标准化、加权或回归来估计调整后的相对风险。

对数二项模型是一种广义线性模型,它通过以下关系将事件概率与解释变量联系起来:

log⁡P(Y=1∣A,X)=β0+βAA+βXTX.\log P(Y=1\mid A,X) = \beta_0+\beta_A A+\beta_X^{\mathsf T}X.

在没有涉及 AA 的交互作用时,eβAe^{\beta_A} 表示一个共同的条件相对风险。由于拟合概率必须不大于一,模型的参数受到约束,并可能遇到收敛困难。

另一种方法通常称为修正泊松回归,它对二元结局拟合采用对数连接函数的泊松模型,并使用稳健方差估计量。其不确定性计算考虑了这样一个事实:二元结局的方差并不遵循常规的泊松方差模型。

逻辑回归直接建模的是优势比,而非相对风险。不过,它仍可用于估计边际风险:预测每种暴露条件下的结局,再对目标人群取平均。这些标准化风险之比就是边际相对风险,它不一定等于条件回归效应的对比值。

在元分析中,通常在对数尺度上合并各研究的相对风险。其解释取决于结局定义、随访时长、研究人群以及所估计的基础效应是否具有可比性。对于基线风险不同的人群,合并后的相对效应本身并不能确定其绝对效应。