相对危险度relativeriskrrn.ppt

* 相对危险度的数学模型配合 （相对危险度的多因素分析方法） 报告人 余松林 一、流行病学调查方法与危险度分析指标 1、队列研究：相对危险度(relative risk, RR) p0=c/n0 p1=a/n1 发病率 d c n0 无暴露组 b a n1 暴露组 未发病 发病 随访结果 观察人数 暴露分组 队列研究模式 是两个发病率之比, incidence rate ratio 2、横断面研究： 相对危险度 (relative risk,RR) N 合计 p0=c/N p1=a/N 患病率 d c n0 无暴露组 b a n1 暴露组 无病 有病 疾病状况 观察人数 暴露分组 横断面研究模式 是两个患病率之比，prevalence rate ratio发病率比与患病率比等价，概率型指标 3、病例-对照研究：优势比 (odds ratio,OR) 是两个暴露率之比， 无流行病学意义 N? 合计 P’0=c/n0 P’1=a/n1 暴露率 d c n0 对照组 b a n1 病例组 无暴露 有暴露 暴露状况 观察人数 暴露分组 病例-对照研究模式 是病例组暴露优势比对照 组暴露优势非概率型指标 优势比: 二、优势比与相对危险度的关系 当发病率很低时，两者相等。否则，两者不等。 25.0 75.0 129.2 50.0 12.5 18.5 % 相差 1.50 1.20 0.50 0.60 3.50 2.00 0.30 0.60 13.75 6.00 0.10 0.60 6.00 4.00 0.10 0.40 2.25 2.00 0.10 0.20 4.75 4.00 0.05 0.20 OR RR p0 p1 优势比 相对危险度 非暴露组发病率 暴露组发病率 不同发病率下的相对危险度与优势比的比较 1. 发病率越高，两者相差越大。 2. 发病率差别越大，两者相差越大。 相差越大。相差越大。 Adopted from: Occupational Environmental Medicine 1994;51:143-144. 不同发病率与不同暴露率下的相对危险度与优势比关系的曲线图 三、多因素分析的优势比统计模型 由于疾病发生与否属于2分类（0/1）资料，通常用logistic regression 作因素筛选。 logistic regression 模型： 当暴露x为0/1分类时 参数的解释为OR型 logistic regression 的概率计算公式为： 可以利用这一公式计算不同暴露水平下的概率（p1(x=1), p0(x=0）)后，再计算相对危险度。 但这一公式有３个弱点： 1. 不适用于病例-对照研究的资料； 没有标准误，故估计不出可信区间。 对参数估计值的解释为“优势比”，不便理解． 四、多因素的相对危险度数学模型 1. 修改的logistic regression: GEE-logistic regression。 如为病例对照研究，可将观察资料中的所有病例复制成非病例，使非病例人数变成为全部观察人数。再用logistic regression配合得到的参数估计值b就是相对危险度的对数，即由 由于病例和复制的非病例间存在相关性，用GEE（广义估计方程，generalized estimation equation）求解方程，得到参数估计值及其标准误。 GEE-logistic regression 2. 对数二项分布回归模型：log-binomial regression. 对上式的等式两边取反对数，得到： 如果 x1 是（0/1）分类的自变量，其对数相对危险度的计算为： 3. Breslow-Cox 比例风险回归 （Breslow-Cox proportional hazard regression） Cox 比例风险回归模型是用于临床病人治疗效果随访资料分析的多因素生存分析模型。模型结构为： 如果 x1 是（0/1）分类的自变量，其相对风险度的计算为： Breslow 证明，当t等于一个常数时，模型中的 b 就是相对危险度。 因此，有三个多因素分析的相对危险度模型: 1. 修改的logistic regression: GEE-logistic regression。 2. 对数二项分布回归模型：log-binomial regression. 3. Breslow-Cox 比例风险回归模型: 五、例子：外伤与性别、年龄、永久残疾的关系 表1 外伤与性别、年龄、残疾的关系的调查资料 6751 35215 合计 31 109 有 65+ 女 178 636