Odds-Ratio-Rechner

Was ist ein Odds Ratio?

Das Odds Ratio (OR) vergleicht die Chancen eines Ergebnisses zwischen zwei Gruppen. Es ist das Verhältnis zweier Odds:

OR = (Odds in exponierter Gruppe) / (Odds in nicht-exponierter Gruppe)

Ein OR von 2,0 bedeutet, dass die exponierte Gruppe doppelt so hohe Chancen auf das Ergebnis hat wie die nicht-exponierte Gruppe. Ein OR von 0,5 bedeutet halbierte Chancen.

Odds vs. Wahrscheinlichkeit

Wahrscheinlichkeit: Erfolge / Gesamtversuche „3 von 10 Patienten erholten sich" = P = 0,30

Odds: Erfolge / Misserfolge „3 erholten sich auf 7, die es nicht taten" = Odds = 3/7 = 0,43

Umrechnung: Odds = P / (1-P)

Wenn die Wahrscheinlichkeit gering ist (< 0,1), gilt Odds ≈ Wahrscheinlichkeit. Bei hoher Wahrscheinlichkeit können die Odds viel größer sein.

Die 2×2-Tabelle

Odds Ratios stammen typischerweise aus Kontingenztabellen:

$OR = \frac{a/b}{c/d} = \frac{a \times d}{b \times c}$

Dies ist das Kreuzprodukt-Verhältnis.

Beispiel:

OR = (40 × 80) / (60 × 20) = 3200 / 1200 = 2,67

Raucher haben 2,67-mal höhere Chancen auf die Krankheit im Vergleich zu Nichtrauchern.

Anwendungen

Fall-Kontroll-Studien

Wenn Sie basierend auf dem Ergebnis (Fälle und Kontrollen) stichprobenartig auswählen, können Sie das Risiko nicht direkt berechnen. Das Odds Ratio bleibt jedoch gültig.

„Wir verglichen 100 Lungenkrebspatienten mit 100 gesunden Kontrollen. OR für Rauchen = 4,5."

Logistische Regression

Das OR ist das natürliche Effektmaß in der logistischen Regression. Jeder Koeffizient wird zu einem OR exponenziert:

„Für jedes Lebensjahr gilt OR = 1,05 (5 % höhere Chancen pro Jahr)"

Meta-Analyse

Das OR wird häufig verwendet, um Ergebnisse verschiedener Studien zu kombinieren, insbesondere bei seltenen Ergebnissen.

Medizinische Forschung

„Die Behandlung reduzierte die Sterbewahrscheinlichkeit: OR = 0,65, 95 % KI [0,48; 0,88]"

OR < 1 zeigt eine schützende Wirkung an; OR > 1 zeigt ein erhöhtes Risiko an.

Interpretation von Odds Ratios

Statistische Signifikanz

Wenn das 95 %-KI den Wert 1,0 einschließt, ist das OR nicht statistisch signifikant – es kann nicht geschlussfolgert werden, dass sich die Gruppen unterscheiden.

Symmetrie-Eigenschaft

OR für „Exposition verursacht Ergebnis" = 1 / OR für „Ergebnis verursacht Exposition"

Wenn OR (Rauchen → Krebs) = 3,0, dann OR (Krebs → Rauchen) = 0,33.

Konfidenzintervall für OR

Der $\log(OR)$ ist annähernd normalverteilt:

$\ln(OR) \pm z^* \times SE(\ln(OR))$

Wobei:

$SE(\ln(OR)) = \sqrt{\frac{1}{a} + \frac{1}{b} + \frac{1}{c} + \frac{1}{d}}$

Dann exponenzieren, um das KI auf der OR-Skala zu erhalten.

Beispiel:

ln(2,67) = 0,982 SE = √(1/40 + 1/60 + 1/20 + 1/80) = 0,316 95 %-KI für ln(OR): 0,982 ± 1,96(0,316) = [0,36; 1,60] 95 %-KI für OR: [e^0,36; e^1,60] = [1,44; 4,96]

Da 1,0 nicht im Intervall liegt, ist die Assoziation statistisch signifikant.

OR vs. Relatives Risiko

Relatives Risiko (RR): Verhältnis von Wahrscheinlichkeiten

RR = P(Ergebnis|exponiert) / P(Ergebnis|nicht exponiert)

Odds Ratio (OR): Verhältnis von Odds

Bei seltenen Ergebnissen (< 10 %) gilt OR ≈ RR. Je häufiger die Ergebnisse werden, desto stärker weicht das OR vom RR ab und wird extremer.

Beispiel:

Wenn P(exponiert) = 0,40 und P(nicht exponiert) = 0,20:

• RR = 0,40/0,20 = 2,0
• OR = (0,40/0,60)/(0,20/0,80) = 2,67

Das OR überschätzt das RR bei häufigen Ergebnissen.

Wann welches Maß verwenden

RR verwenden, wenn:

• Sie eine Kohorten- oder experimentelle Studie haben
• Sie absolute Risiken berechnen können
• Das Ergebnis häufig ist (> 10 %)

OR verwenden, wenn:

• Fall-Kontroll-Studiendesign
• Logistische Regressionsanalyse
• Das Ergebnis selten ist (< 10 %, wobei OR ≈ RR)
• Die Symmetrie-Eigenschaft benötigt wird

Historischer Kontext

Das Odds Ratio entstand aus der statistischen Genetik und Epidemiologie im frühen 20. Jahrhundert.

R.A. Fisher verwendete Odds Ratios in seinem exakten Test für 2×2-Tabellen (1935).

Jerome Cornfield (1951) zeigte, dass das Odds Ratio aus Fall-Kontroll-Studien das Populations-Odds-Ratio schätzt, auch wenn absolute Risiken nicht berechnet werden können. Dies war eine entscheidende Erkenntnis, die das Fall-Kontroll-Design validierte.

David Cox (1958, 1970) entwickelte die logistische Regression und machte das OR zum Standard-Effektmaß für binäre Ergebnisse mit mehreren Prädiktoren.

Die Annahme seltener Erkrankungen

Bei niedriger Prävalenz:

OR = (p₁/(1-p₁)) / (p₂/(1-p₂)) ≈ p₁/p₂ = RR

Bei seltenen Erkrankungen (< 10 % Prävalenz) approximiert das OR das RR sehr genau, was eine Interpretation als relatives Risiko ermöglicht. Bei häufigen Ergebnissen versagt diese Näherung.

OR in gematchten Studien

Für gematchte Fall-Kontroll-Paare:

OR = b/c

Dies verwendet nur diskordante Paare (bei denen sich Fall und Kontrolle in der Exposition unterscheiden).

Multiple Expositionen und Confounding

In Beobachtungsstudien kann das rohe OR aufgrund von Confounding vom adjustierten OR abweichen. Stratifikation oder logistische Regression adjustiert für Confounder:

„Rohes OR = 2,5; altersadjustiertes OR = 1,8"

Das adjustierte OR kontrolliert für den Effekt des Confounders.

Verwandte Berechnungen

• Relatives-Risiko-Rechner — Risikoverhältnis für Kohortenstudien
• KI für Differenz von Anteilen — Absolute Risikodifferenz
• Konfidenzintervall für Anteil — Einzelner Anteil
• Chi-Quadrat-Rechner — Test auf Assoziation

Zusammenfassung

Das Odds Ratio vergleicht die Chancen zwischen Gruppen und liefert ein Maß für die Assoziation bei binären Ergebnissen. Unverzichtbar für Fall-Kontroll-Studien (bei denen das relative Risiko nicht berechnet werden kann) und logistische Regression (bei der das OR der natürliche Parameter ist), wird das Odds Ratio als multiplikative Änderung der Chancen interpretiert. Ein OR von 1 zeigt keine Assoziation an; Konfidenzintervalle, die 1 ausschließen, zeigen statistische Signifikanz an. Während das OR das relative Risiko bei seltenen Ergebnissen approximiert, überschätzt es systematisch die Effektgröße bei häufigen Ergebnissen. Berichten Sie immer Konfidenzintervalle, um die Präzision neben der Punktschätzung zu vermitteln.