The Relationship between Odds Ratios and Relative Risks
Notice bibliographique
Résumé
PURPOSE: Many articles provide only odds ratios (OR) and not relative risks (RR) as the effect estimate. For a variety of important reasons, multiple logistic regression used to adjust for confounders routinely provides only the adjusted OR (ORadj). However, from the clinician's perspective, the ORadj is only easily interpretable when it approximates the adjusted RR (RRadj). In general, the relationship between the OR and RR (adjusted or non-adjusted) is dependent on prevalence of disease in the control group (Po) and has always been presented as non-linear. Therefore, it is difficult for the clinician to convert the OR to RR when reading published data. A formula was proposed by Zhang and Yu, but the relationship remains non-linear. Therefore, the objective of this project is to develop a simple formula that can convert OR to RR without the use of computer. METHODS: Algebraic manipulation. RESULTS: Through algebraic manipulation, we show that although the OR and RR relationship is non-linear over the range Po, the ratio OR/RR has a linear relationship with Po with a slope of “OR-1”: OR/RR = (OR-1)*Po + 1. Previous problems with confidence intervals noted with the old version of the formula remain (i.e. they are too narrow under some conditions) and the result should be interpreted with this limitation. Relationships between ORadj and risk difference or number needed to treat remain curvilinear but some overall approximations can be made. CONCLUSIONS: A simple relationship exists that allows readers to easily convert ORadj to RRadj. Limitations of the approach remain but appear to be less restrictive than the limitations of not converting ORadj to RRadj.Figure
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,050 | 0,278 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,009 | 0,009 |
| Études des sciences et des technologies | 0,000 | 0,004 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».