DOI: https://doi.org/10.4097/kja.25973
PMID: https://pubmed.ncbi.nlm.nih.gov/41918244
تاريخ النشر: 2026-04-01
المؤلف: Jonghae Kim وآخرون
الموضوع الرئيسي: تقنيات الاستدلال السببي المتقدمة
نظرة عامة
في هذا القسم، يناقش المؤلفون آثار استخدام المخاطر النسبية (RRs) ونسب الأرجحية (ORs) في الدراسات الرصدية، وخاصة بعد المطابقة بناءً على درجة الميل (PSM). يبرزون الفروق النظرية والعملية بين RRs وORs، مشيرين إلى أن سلوك هذه المقاييس يختلف مع احتمالات الأحداث. على وجه التحديد، بينما تتقارب كلا المقاييس للاحتمالات التي تقل عن 0.10، فإن OR ينحرف بشكل أكثر حدة عن الوحدة مقارنةً بـ RR مع زيادة احتمالات الأحداث. يوضح المؤلفون هذه الفروق باستخدام مجموعة بيانات محاكاة مع نتيجة ثنائية تتأثر بالمتغيرات مثل العمر والجنس ومؤشر كتلة الجسم، مما يوضح كيف تغير PSM معدلات الأحداث وتوزيعات RRs وORs.
تؤكد النتائج أن PSM تعدل توزيعات المتغيرات، مما يؤدي إلى تغييرات كبيرة في كل من RRs وORs، خاصة عندما تتجاوز معدلات الأحداث 0.10. بينما تعتبر ORs مستقرة رياضيًا ومناسبة للتحليلات بعد PSM، فإن عدم قابليتها للتقليص يتطلب الحذر، خاصة مع النتائج الشائعة. يوصي المؤلفون بالتحقق من تقديرات OR مع مقاييس قابلة للتقليص مثل RR الهامشي لتقييم قوة تقديرات التأثير، خاصة عند تعميم النتائج على مجموعات سكانية سريرية أوسع. تؤثر طرق بديلة مثل وزن احتمال العلاج العكسي (IPTW) أيضًا على توزيعات المتغيرات، ومع ذلك، تظل الفروق بين التأثيرات الشرطية والهامشية ذات صلة عبر هذه الأساليب.
مقدمة
في مقدمة هذه الورقة البحثية، يؤكد المؤلفون على الدور الحاسم للتفسير الإحصائي الدقيق في البحث السريري، خاصة فيما يتعلق بالمخاطر النسبية (RR) ونسب الأرجحية (OR) كمقاييس للارتباط بين التعرضات والنتائج. يُفضل RR في دراسات المجموعات لقدرته على مقارنة احتمالات الأحداث بين المجموعات المعرضة وغير المعرضة، بينما يُستخدم OR عادةً في دراسات الحالة والشاهد حيث يكون قياس الحدوث المباشر غير عملي. يناقش المؤلفون التحديات التي تطرحها التحيزات المربكة في الدراسات الرصدية ويقدمون المطابقة بناءً على درجة الميل (PSM) ك تقنية لتخفيف هذه التحيزات من خلال إنشاء مجموعات متطابقة من المشاركين ذوي الخصائص الأساسية المماثلة.
تسلط الورقة الضوء على أنه بينما تعدل PSM توزيع المتغيرات وتخلق مجموعة شرطية من السكان الأصليين، لم يتم استكشاف الآثار المتعلقة بـ RR وOR بشكل شامل في سياق PSM. يشير المؤلفون إلى أن العلاقة الرياضية بين RR وOR يمكن أن تنحرف بشكل كبير مع زيادة معدلات الأحداث، مما يعقد تفسير تأثيرات العلاج. يجادلون بأن فهم الفروق بين هذه المقاييس، خاصة بعد PSM، أمر ضروري للأطباء الذين يقيمون الدراسات الرصدية. تهدف الورقة إلى تقديم إرشادات عملية حول تفسير RR وOR في سياق PSM، مدعومة برؤى نظرية وأدلة تجريبية، مما يوضح نقاط القوة والقيود لكل مقياس للتطبيق السريري.
نقاش
في هذا القسم، تناقش الورقة الفروق النظرية والعملية بين نسبة المخاطر (RR) ونسبة الأرجحية (OR)، مع التأكيد على خصائصهما الرياضية المميزة وآثارهما في البحث السريري. تقارن RR احتمالات الأحداث، بينما تقارن OR الأرجحية، التي تُعرف بأنها نسبة حدوث الأحداث إلى عدم حدوثها. مع زيادة معدلات الأحداث، ينحرف OR بشكل أكثر وضوحًا عن RR، خاصة عندما تتجاوز معدل الأحداث في مجموعة العلاج ذلك في مجموعة التحكم. يتم توضيح هذا الانحراف من خلال أمثلة وجدول 2 × 2، مما يبرز أنه بينما يمكن أن تشير كلا المقاييس إلى قوة الارتباط، قد يبالغ OR في هذا الارتباط عندما تكون معدلات الأحداث أعلى.
تناقش الورقة أيضًا كيف تغير المطابقة بناءً على درجة الميل (PSM) RR وOR من خلال موازنة المتغيرات بين مجموعات العلاج والتحكم، مما يؤدي إلى تقديرات تأثير شرطية بدلاً من هامشية. تعتبر RR قابلة للتقليص، مما يعني أنه يمكن التعبير عنها كمتوسط مرجح من RRs الخاصة بالمجموعات الفرعية، بينما تعتبر OR غير قابلة للتقليص، مما يؤدي إلى تحولات محتملة في قيمتها بسبب التغيرات في توزيعات المتغيرات. هذه الفروق مهمة للأطباء، حيث تؤثر على تفسير وعمومية النتائج. تختتم القسم بالإشارة إلى أنه بينما تعتبر ORs مستقرة رياضيًا ومفيدة في دراسات الحالة والشاهد، فإن تفسيرها يمكن أن يكون معقدًا، خاصة عندما لا تكون معدلات الأحداث منخفضة، مما يبرز أهمية فهم كلا المقياسين في سياقات البحث السريري.
DOI: https://doi.org/10.4097/kja.25973
PMID: https://pubmed.ncbi.nlm.nih.gov/41918244
Publication Date: 2026-04-01
Author(s): Jonghae Kim et al.
Primary Topic: Advanced Causal Inference Techniques
Overview
In this section, the authors discuss the implications of using relative risks (RRs) and odds ratios (ORs) in observational studies, particularly following propensity-score matching (PSM). They highlight the theoretical and practical differences between RRs and ORs, noting that the behavior of these measures varies with event probabilities. Specifically, while both measures converge for probabilities below 0.10, the OR diverges more steeply from unity than the RR as event probabilities increase. The authors illustrate these differences using a simulated dataset with a binary outcome influenced by covariates such as age, sex, and body mass index, demonstrating how PSM alters event rates and the distributions of RRs and ORs.
The findings emphasize that PSM modifies covariate distributions, leading to significant changes in both RRs and ORs, particularly as event rates exceed 0.10. While ORs are mathematically stable and suitable for analyses post-PSM, their non-collapsibility necessitates caution, especially with common outcomes. The authors recommend cross-checking OR estimates with collapsible measures like the marginal RR to assess the robustness of effect estimates, particularly when generalizing results to broader clinical populations. Alternative methods such as inverse probability of treatment weighting (IPTW) also affect covariate distributions, yet the distinction between conditional and marginal effects remains relevant across these approaches.
Introduction
In the introduction of this research paper, the authors emphasize the critical role of accurate statistical interpretation in clinical research, particularly concerning relative risk (RR) and odds ratio (OR) as measures of association between exposures and outcomes. The RR is favored in cohort studies for its intuitive comparison of event probabilities between exposed and unexposed groups, while the OR is commonly used in case-control studies where direct incidence measurement is impractical. The authors discuss the challenges posed by confounding biases in observational studies and introduce propensity-score matching (PSM) as a technique to mitigate these biases by creating matched sets of participants with similar baseline characteristics.
The paper highlights that while PSM modifies the covariate distribution and creates a conditional subset of the original population, the implications for RR and OR have not been thoroughly explored in the context of PSM. The authors note that the mathematical relationship between RR and OR can diverge significantly as event rates increase, complicating the interpretation of treatment effects. They argue that understanding the differences between these measures, particularly after PSM, is essential for clinicians evaluating observational studies. The paper aims to provide practical guidance on interpreting RR and OR in the context of PSM, supported by both theoretical insights and empirical evidence, thereby clarifying the strengths and limitations of each measure for clinical application.
Discussion
In this section, the paper discusses the theoretical and practical differences between the risk ratio (RR) and the odds ratio (OR), emphasizing their distinct mathematical properties and implications in clinical research. The RR compares probabilities of events, while the OR compares odds, defined as the ratio of event occurrences to non-occurrences. As event rates increase, the OR diverges more significantly from the RR, particularly when the event rate in the treatment group exceeds that in the control group. This divergence is illustrated through examples and a 2 × 2 table, highlighting that while both measures can indicate the strength of association, the OR may exaggerate this association when event rates are higher.
The paper also addresses how propensity score matching (PSM) alters the RR and OR by balancing covariates between treatment and control groups, resulting in conditional rather than marginal effect estimates. The RR is collapsible, meaning it can be expressed as a weighted average of subgroup-specific RRs, while the OR is non-collapsible, leading to potential shifts in its value due to changes in covariate distributions. This distinction is crucial for clinicians, as it affects the interpretation and generalizability of results. The section concludes by noting that while ORs are mathematically stable and useful in case-control studies, their interpretation can be complex, especially when event rates are not low, underscoring the importance of understanding both measures in clinical research contexts.