Emne 1.4 — Hazard ratioer

I én sætning: En hazard ratio er et kompakt, flittigt rapporteret og flittigt misforstået resumé af, hvor hurtigt hændelser indtræffer i den ene gruppe sammenlignet med en anden – og at læse den godt betyder altid at spørge "over hvilken opfølgningstid, i hvilken population, og hvad giver den i absolutte tal?", før du lader den drive en beslutning om bestilling, evaluering eller rapportering.

Hvorfor det er vigtigt i sundhed og pleje#

Når en leverandørs slide siger "vores intervention opnåede en hazard ratio på 0,75", bliver en leder inviteret til at føle en nedgang på 25 % i noget dårligt. Fornemmelsen er som regel stærkere, end kendsgerningen berettiger. En hazard ratio (HR) er en af de mest almindelige statistikker i klinisk og folkesundhedsmæssig evidens og en af dem, der mest pålideligt misforstås – ikke af statistikere, men af de bestyrelser, bestillere og kommunikationsteams, der handler på den. I sundhed og pleje er kløften mellem, hvad en HR siger, og hvad folk tror, den siger, ikke en akademisk ulempe. Den ændrer, hvad der købes, hvad der skaleres, og hvad patienter får at vide, de kan forvente.

Dette emne er en praktisk ledsager til emne 1.3 — Evidensbaserede beslutninger. Det emne argumenterede for, at du bør afstemme evidensens styrke efter risikoniveauet og holde klinisk evidens og leveringsevidens adskilt. Dette emne går ét lag dybere ned i en enkelt statistik, der går igen i den kliniske evidens, du vil blive bedt om at vurdere: hvordan den læses, hvor den vildleder, og hvad du skal kræve ved siden af. Du behøver ikke at beregne en hazard ratio. Du skal vide, at den samme overskrifts-HR kan svare til en livsforandrende gevinst eller en knap målbar, afhængigt af fakta, sliden udelod – og at en leder, der ikke kan bede om disse fakta, er prisgivet den, der valgte rammen. Fordi disse tal former offentlig kommunikation og kliniske forløb, er det et spørgsmål om tillid og lighed, ikke blot om nøjagtighed, at få dem forkerte.

Kernebegreber#

Hazarden og hazard ratioen. En hazard er den øjeblikkelige rate, hvormed en hændelse (død, indlæggelse, tilbagefald) indtræffer blandt dem, der stadig er i risiko på et givet tidspunkt. En hazard ratio er forholdet mellem den rate i en behandlingsgruppe og raten i en kontrolgruppe. En HR under 1 betyder, at hændelsen indtræffer langsommere i behandlingsgruppen; over 1, hurtigere; præcis 1, ingen forskel. Den udspringer af overlevelsesanalyse – den gren af statistikken, der beskæftiger sig med "tid til hændelse"-data – og estimeres som regel med proportional hazards-modellen, kendt efter sin ophavsmand som Cox-modellen. Afgørende er, at en HR beskriver en rate, ikke en sandsynlighed og ikke en mængde vundet tid.

Antagelsen om proportionale hazards. Cox-modellens bekvemmelighed hviler på en antagelse: at hazard ratioen er konstant – den samme efter tre måneder som efter tre år, den samme for en 50-årig som for en 80-årig. Det er antagelsen om proportionale hazards, og den er ofte falsk. Reelle effekter varierer over opfølgningstiden (en kirurgisk intervention kan øge risikoen tidligt og mindske den senere) og på tværs af delgrupper (alder, køn, komorbiditet, afsavn). Når antagelsen svigter, er den enkelte rapporterede HR et gennemsnit over forsøgets specifikke opfølgningsvindue og populationssammensætning – en vægtet blanding, ikke en universel konstant, du kan løfte over i en anden sammenhæng.

Relative, odds og absolutte. En HR forveksles let med tre naboer. Relativ risiko (eller risikoratio) sammenligner den kumulative sandsynlighed for en hændelse inden et fast tidspunkt, ikke raten; den ligger tæt på HR, når hændelser er sjældne, men afviger, når de er almindelige. Odds ratioen sammenligner odds frem for sandsynligheder og kan se dramatisk ud, når den underliggende risiko er høj. Alle tre er relative mål. Det, patienter og betalere faktisk bekymrer sig om, er absolut: den absolutte risikoreduktion (risikoforskel) – hvor mange færre hændelser pr. hundrede mennesker – og dens reciprokke, number needed to treat (NNT), antallet af mennesker, du skal behandle for at forhindre én hændelse. Et relativt mål uden sin absolutte partner er en halv sætning.

Censurering og overlevelseskurven. Forsøg slutter; folk flytter, trækker sig eller har simpelthen ikke haft hændelsen, når data låses. Censurering (statistik) er den måde, overlevelsesanalyse håndterer disse delvist observerede liv på, og det er en styrke – men kraftig eller ubalanceret censurering svækker, hvad en HR kan fortælle dig. Det ærlige visuelle supplement til enhver HR er Kaplan–Meier-estimatorens kurve, det trappeformede plot af andelen uden hændelse over tid. To kurver, der skilles støt, fortæller en anden historie end to, der krydser eller konvergerer – men alle tre kan give den samme overskrifts-HR.

Confounding og ikke-kollapsibilitet. En HR fra et observationsstudie kan være forvrænget af confounding: en tredje faktor driver både, hvem der får behandlingen, og hvem der får hændelsen. Randomiserede forsøg beskytter mod dette; virkelighedsnære sammenligninger gør ikke, medmindre de omhyggeligt justeres. Der er også en mere subtil fælde, specifik for forhold som HR, kaldet ikke-kollapsibilitet: selv uden confounding kan forholdet, du får efter justering for en risikofaktor, afvige fra det ujusterede, alene som en artefakt af, hvordan forhold opfører sig. Lektien er den samme – en HR er bundet til den præcise model og population, der frembragte den, og rejser ikke så frit, som dens rene enkeltstående tal antyder.

Hvad en HR giver i år. Folk oversætter "HR 0,75" til "jeg kommer til at leve længere", men størrelsen af den gevinst afhænger helt af baselinerisikoen og af, hvor sammenpresset en befolknings dødelighed allerede er. Tænk på det som at løsne ét kammer i et hasardspil: at reducere en rate giver en stor mængde ekstra tid, når baselinerisikoen er høj og spredt, og meget lidt, når de fleste allerede overlever til høj alder, og dødsfald er pakket ind i et smalt sent vindue. Den samme relative reduktion omsættes til forskellige mængder forventet levetid afhængigt af den baseline – hvorfor en HR ikke kan aflæses som et fast antal ekstra år uden at kende den population, den kom fra.

Statistisk versus klinisk signifikans. Endelig kan en HR være statistisk signifikant – dens konfidensinterval udelukker 1 – mens den effekt, den peger på, er klinisk triviel, især i et meget stort forsøg. Signifikans besvarer "kan dette skelnes fra tilfældighed?"; den besvarer ikke "er det værd at ændre et forløb for?" Begge spørgsmål er vigtige, og kun det andet bør afgøre investering.

Bedste praksis#

1. Spørg altid "over hvilken opfølgningstid og i hvilken population?" En HR er et gennemsnit over et specifikt forsøgsvindue og en specifik inkluderet gruppe. Før du handler på den, skal du fastslå opfølgningstidens længde og inklusions- og eksklusionskriterierne – forsøg, der udelukkede de meget gamle, de meget unge eller folk med almindelige komorbiditeter, beskriver måske slet ikke din population. Behandl en HR uden denne kontekst som et ufuldstændigt tal, ikke en overskrift.

2. Kræv absolutte tal ved siden af hvert relativt. For enhver HR eller relativ risiko skal du bede om den absolutte risikoreduktion og number needed to treat i den relevante population. "HR 0,75" føles stort; "én undgået hændelse pr. 200 behandlede over tre år" fortæller dig, om det er omkostningen, arbejdsgangsændringen og bivirkningerne værd. Relative og absolutte mål bør altid optræde sammen, og kommunikation til offentligheden bør indlede med det absolutte.

3. Insistér på at se Kaplan–Meier-kurverne. En enkelt HR komprimerer en hel historie til ét tal og skjuler, om effekten er tidlig, sen, voksende, aftagende eller vendende. Bed om overlevelseskurverne og se på deres form: skilles de rent, krydser de, eller konvergerer de? Kurver, der krydser, er et synligt tegn på, at antagelsen om proportionale hazards er svigtet, og at den enkelte HR er vildledende.

4. Ekstrapolér ikke et kort forsøg til et helt liv. En hazard ratio målt over tre år giver ikke tilladelse til en påstand om tredive. Effekter kan aftage, vende eller akkumulere, og antagelsen om proportionale hazards holder næsten aldrig over en levetid. Vær særligt på vagt over for økonomiske modeller og pressebudskaber, der projicerer en kortsigtet HR frem til dramatiske gevinster i leveår; spørg, hvilken antagelse der udfører det arbejde, som beskrevet i emne 6.1 — Sundhedsøkonomi.

5. Adskil statistisk fra klinisk signifikans. Et konfidensinterval, der udelukker 1, fortæller dig, at en effekt sandsynligvis er reel; det siger intet om, hvorvidt effekten er stor nok til at betyde noget. I store forsøg bliver trivielle forskelle "signifikante". Bedøm størrelsen – den absolutte gevinst – mod interventionens byrde og omkostning, og lad klinikere og patienter definere, hvad der er umagen værd.

6. Behandl observationelle HR’er med ekstra mistænksomhed. Uden for et randomiseret forsøg kan en HR afspejle confounding – sundere eller sygere mennesker, der selekterer sig til behandling – frem for en sand effekt. Spørg, hvad der blev justeret for, og om umålte confoundere er plausible. Virkelighedsnær evidens er værdifuld (se emne 8.6 — Forskning og evaluering i praksis), men dens hazard ratioer har brug for mere granskning, ikke mindre.

7. Tjek, om HR’en genbruges ude af kontekst. En HR fra én population, dosis eller opfølgning citeres rutinemæssigt, som om den var universel. Når et tal citeres, skal du spore det til dets kildeundersøgelse og bekræfte, at populationen og endepunktet svarer til din beslutning. Ikke-kollapsibilitet og forskellige baselines betyder, at et tal, der var sandt dér, stille kan være forkert her.

8. Rapportér ærligt, og indled med det, folk kan handle på. Når din egen organisation offentliggør resultater, skal hver HR parres med absolutte tal og formidling i et letforståeligt sprog, opfølgning og population angives, og du skal undgå at antyde livslang gevinst ud fra kortsigtede data. Dette hænger direkte sammen med, hvordan du vælger mål i emne 10.1 — Nøgleindikatorer (KPI’er): den metrik, du sætter i overskriften, former, hvad folk tror.

Spørgsmål at drøfte med dit team#

1. Når en hazard ratio lander i vores bestyrelse, ved vi så, hvordan vi beder om opfølgningstiden, populationen og den absolutte gevinst – eller handler vi alene på det relative tal? Dette spørgsmål afprøver, om jeres ledelse kan udspørge den mest misforståede statistik, de vil møde. Det er vigtigt, fordi en HR er et gennemsnit over et bestemt forsøgsvindue og en bestemt inkluderet gruppe, og det samme tal kan repræsentere en transformerende gevinst eller en ubetydelig afhængigt af den baselinerisiko og opfølgning, sliden udelod. Spændingen er, at det relative tal er følelsesmæssigt overbevisende og let at gentage, mens det absolutte – number needed to treat, undgåede hændelser pr. hundrede mennesker – er kedeligere og sværere at få fat i, så det droppes rutinemæssigt. Gennemgå et reelt nyligt eksempel: tag en HR, der påvirkede en beslutning, og rekonstruér, hvilken opfølgning den dækkede, hvem der var udelukket, og hvilken absolut gevinst den indebar for jeres population. Spørg, om nogen bad om de fakta dengang, og om svaret ville have ændret beslutningen. En god drøftelse ender med en stående forventning om, at ingen HR handles på uden sin opfølgning, sin population og sin absolutte partner ved siden af.

2. Hvor ekstrapolerer vi måske en kortsigtet hazard ratio til en langsigtet eller livslang påstand – i en business case, en gevinstmodel eller et offentligt budskab? Emnet advarer om, at en HR målt over nogle få år ikke giver tilladelse til påstande om årtier, fordi effekter aftager, vender eller akkumulerer, og antagelsen om proportionale hazards sjældent holder over en levetid. Det er vigtigt, fordi både sundhedsøkonomiske modeller og kommunikationsteams har stærke incitamenter til at projicere kortsigtede relative reduktioner frem til overskriftsgevinster i leveår eller besparelser, og de projektioner kan stille og roligt blive begrundelsen for store investeringer. Afvejningen er reel: du skal planlægge og modellere ud over forsøgshorisonten, men hvert år, du projicerer ud over evidensen, er en antagelse, ikke et fund. Tag en business case i drift eller en gevinstrealiseringsmodel frem og spørg, hvilken tidshorisont dens HR-udledte gevinster forudsætter, og hvad der ville ske med sagen, hvis effekten fladede ud efter forsøgsperioden. Overvej også, om noget patientvendt budskab antyder et helt liv med ekstra år ud fra kortsigtede data. Et ærligt svar nævner, hvor ekstrapolation udfører det tunge arbejde, og forpligter sig til at angive antagelsen åbent frem for at begrave den i et regneark.

3. Skelner vi konsekvent mellem "er dette reelt?" og "er det stort nok til at betyde noget?" – eller driver statistisk signifikans alene vores beslutninger? Dette spørgsmål konfronterer forvekslingen mellem statistisk og klinisk signifikans, hvor et konfidensinterval, der udelukker 1, behandles som grønt lys uanset effektens størrelse. Det er vigtigt, fordi store forsøg og store virkelighedsnære datasæt gør trivielle forskelle statistisk signifikante, og en digital sundhedsintervention kan opnå en "signifikant" hazard ratio, mens den leverer en gevinst for lille til at retfærdiggøre sin omkostning, forstyrrelse af arbejdsgange eller alternativomkostning ved andre anvendelser af de samme penge. Den dybere spænding er, at størrelse er en klinisk og værdimæssig vurdering – hvad der er umagen værd, afhænger af tilstanden, behandlingens byrde og patientens præference – så den kan ikke uddelegeres til en p-værdi eller automatiseres. Tag en beslutning, jeres team traf delvist på grundlag af et signifikant resultat, og spørg, hvad den absolutte effektstørrelse faktisk var, og hvem der besluttede, at den var stor nok til at handle på. Undersøg, om klinikere og helst patienter var involveret i at vurdere, at gevinsten var værd at have. Et stærkt svar viser, at teamet rutinemæssigt beder om størrelse, ikke kun signifikans, og behandler de to som separate porte, begge skal passeres.

4. Når en hazard ratio kommer fra rutinedata eller en leverandørs virkelighedsnære datasæt frem for et randomiseret forsøg, spørger vi så, hvad der blev justeret for, og om umålt confounding kunne forklare effekten? Stadig oftere stammer de hazard ratioer, der når en beslutning, ikke fra rene forsøg, men fra observationelle kilder – en leverandørs før-og-efter-analyse, et register eller jeres egne rutinemæssigt indsamlede journaler – hvor de mennesker, der modtog en intervention, systematisk adskiller sig fra dem, der ikke gjorde. Det er vigtigt, fordi confounding by indication er normen frem for undtagelsen: sundere eller sygere patienter selekterer sig til behandling, og medmindre det omhyggeligt justeres for, måler den resulterende HR lige så meget, hvem der blev behandlet, som hvad behandlingen gjorde. Spændingen er, at virkelighedsnær evidens er reelt værdifuld og ofte den eneste tilgængelige evidens for en digital tjeneste udrullet i stor skala, men dens bekvemmelighed frister teams til at læse den som kausal, når den blot er associationel. Udspørg en reel observationel HR, jeres team har støttet sig til: spørg, hvilke variable der blev justeret for, hvilke plausible confoundere der blev efterladt umålt, og om retningen af den sandsynlige bias smigrer eller deflaterer effekten. Overvej, om ikke-kollapsibilitet – måden hvorpå justering for en risikofaktor kan flytte et forhold selv uden confounding – er taget højde for i den måde, tallet citeres på. Et ærligt svar behandler observationelle hazard ratioer som hypoteser, der har brug for mere granskning, ikke mindre, og kan sige klart, hvad der ville skulle være sandt, for at effekten er reel.

5. Ser vi rutinemæssigt på Kaplan–Meier-kurverne bag en hazard ratio, og ville vi genkende, når antagelsen om proportionale hazards er svigtet? En enkelt HR gennemsnitliggør lydløst hele effektens form til ét tal og skjuler, om gevinsten er tidlig, sen, voksende, aftagende eller vendende over opfølgningen. Det er vigtigt, fordi den Cox-model, der producerer de fleste hazard ratioer, antager, at forholdet er konstant over tid, og den antagelse er ofte falsk – en kirurgisk eller proceduremæssig intervention kan øge risikoen tidligt og mindske den senere, og kurver, der krydser eller konvergerer, kan give den samme pæne overskrifts-HR som kurver, der skilles rent. Afvejningen er, at det kræver mere indsats og mere ekspertise at læse overlevelseskurver end at gentage et enkelt tal, og kurverne mangler ofte på resuméslidet netop fordi de komplicerer historien. Tag en hazard ratio, jeres team har handlet på, og spørg, om nogen så Kaplan–Meier-plottet, hvad kurvernes form indebar om, hvornår gevinsten indløb, og om antagelsen om proportionale hazards nogensinde blev testet. Drøft, hvem på teamet der har den statistiske færdighed til at opdage krydsende eller konvergerende linjer og sige, hvad de betyder for jeres population. Et godt svar gør det til en stående forventning at se kurverne, ikke en specialistgunst, og behandler en manglende kurve som en grund til at spørge frem for en detalje at springe over.

6. Har vi tjekket, om en enkelt hazard ratio skjuler en ujævn fordeling af gevinst på tværs af alder, komorbiditet og afsavn hos de mennesker, vi faktisk tjener? Én overskrifts-HR præsenterer en effekt, som om den lander ensartet, men en gevinst gennemsnitliggjort over et forsøgs inkluderede gruppe kan falde meget forskelligt blandt de ældre, sygere og mere dårligt stillede mennesker, der udgør en stor del af en reel sundheds- og plejepopulation. Det er vigtigt, fordi det at handle på det aggregerede tal kan udvide uligheder, mens det ser ud til at forbedre udfaldet samlet set: en intervention, der hjælper en friskere delgruppe og gør lidt for en skrøbeligere, opnår stadig en attraktiv gennemsnits-HR. Spændingen er, at disaggregering kræver data, statistisk styrke og villighed til at se ubehagelig variation, mens det enkelte tal er enklere at rapportere og lettere at gå ind for. Se på en beslutning drevet af én hazard ratio og spørg, om effekten nogensinde blev opdelt efter aldersgruppe, komorbiditet eller afsavn, og om forsøget overhovedet inkluderede nok af jeres population til at understøtte en sådan opdeling. Overvej, hvordan I ville overvåge for ulige gevinst, når en tjeneste er i drift, i tråd med jeres virkelighedsnære evaluering og ligestillingspligter. Et ærligt svar accepterer, at en ensartet-udseende HR kan maskere en ulige virkelighed, og forpligter sig til at se på det disaggregerede, absolutte billede, før der skaleres.

I praksis: et eksempel fra sundhed og pleje#

Et integreret plejesystem (ICS) tilbydes en fjernovervågningstjeneste til mennesker med hjertesvigt. Leverandørens centrale påstand er en hazard ratio på 0,72 for det sammensatte udfald død eller uplanlagt indlæggelse, beskrevet som "en reduktion på 28 %" og parret med en projektion af betydelige vundne leveår i hele befolkningen.

De digitale og kliniske ledere behandler tallet som et indledende spørgsmål, ikke en konklusion. De beder om kildeundersøgelsen og finder et enkelt randomiseret forsøg med en median opfølgning på atten måneder, der inkluderede patienter under 75 år med en nylig indlæggelse og uden betydelig kognitiv svækkelse – en friskere, yngre gruppe end ICS’ets reelle hjertesvigtpopulation, der hælder mod ældre og mere komorbide. De beder om Kaplan–Meier-estimatorens kurver og ser, at de to linjer hovedsageligt skilles i de første seks måneder og derefter løber nogenlunde parallelt – et fingerpeg om, at gevinsten er koncentreret tidligt, og at antagelsen om konstant HR er usikker over en længere horisont.

Så beder de om absolutte tal. Oversat til forsøgspopulationen svarer HR’en til en beskeden absolut risikoreduktion og et number needed to treat på omkring 20 over atten måneder for at forhindre én sammensat hændelse – meningsfuldt, men langt mindre dramatisk end "28 % reduktion" antydede, og muligvis endnu mindre i deres ældre population. Sundhedsøkonomiteamet bliver bedt om at genopbygge sin model uden at ekstrapolere atten-måneders-HR’en over et helt liv og om at teste, hvad der sker, hvis den tidlige gevinst ikke varer ved. Lederne for klinisk sikkerhed og informationsstyring vurderer tjenesten på dens egne betingelser (emne 1.6 — Klinisk sikkerhed og risikostyring). ICS’et går videre – men som en overvåget, trinvis udrulning med sin egen virkelighedsnære evaluering, og det briefer sit kommunikationsteam til at indlede med den absolutte gevinst og de ærlige begrænsninger, ikke den relative overskrift. Da en lokalavis senere spørger til "28 %-tallet", kan ICS’et forklare præcis, hvad det betyder, og hvad det ikke betyder.

Sektorperspektiver#

Alle, der læser en HR, skylder den samme pligt til fortolkning, men presset og sikkerhedsforanstaltningerne varierer efter organisation.

Startup#

En startups incitament er at præsentere det mest smigrende sande tal, og en relativ hazard ratio er ofte det mest smigrende sande tal, der findes – så "HR 0,7" optræder i pitchdækket uden den opfølgning, population eller absolutte gevinst, der ville få det i den rette størrelse. Det ærlige og i sidste ende mere troværdige træk er at indlede med den absolutte effekt og number needed to treat, angive forsøgets opfølgning og eksklusioner tydeligt og modstå at projicere kortsigtede resultater over et helt liv i business casen. Due diligence-orienterede NHS-vurderere og seriøse investorer ved i stigende grad, at de skal stille disse spørgsmål, så et team, der frivilligt giver konteksten, ser stærkere ud, ikke svagere. Disciplinen koster næsten ingenting og beskytter grundlæggerne mod en senere, mere skadelig korrektion.

Lille virksomhed#

En etableret lille udbyder – en lægepraksis, et lokalt apotek, et plejehjem eller en enkelt klinik, der overvejer et overvågningsværktøj eller en leverandørs påstand – har rigtige patienter på spil, men ingen statistiker internt og lidt tid til at læse et forsøg. Den praktiske risiko er, at leverandørens relative hazard ratio tages for pålydende, fordi ingen kan rekonstruere opfølgningen, populationen og den absolutte gevinst, og intet analyseteam kan teste den mod praksissens egen liste. Det forholdsmæssige svar er ikke at mestre overlevelsesanalyse, men at stille enhver leverandør tre enkle spørgsmål – over hvilken opfølgning, i hvilke patienter, og hvor mange mennesker ville vi behandle for at forhindre én hændelse – og at læne sig op ad fælles ressourcer som NICE-vejledning, en ICS-farmaceut eller et kollegialt netværk frem for at bedømme tallet alene. En lille udbyder, der insisterer på det absolutte tal og forsøgets eksklusioner, før den underskriver, beskytter sine patienter og sit budget uden at have brug for et stort hospitals statistiske ildkraft.

Stor virksomhed#

Et NHS-hospital eller ICS har analysekapaciteten og patientvolumenerne til at udspørge en HR ordentligt – og det ansvar, der kræver det, fordi udrulning i stor skala på en misforstået statistik samtidig er en risiko for klinisk sikkerhed og offentlige midler. Det karakteristiske fejlmønster er institutionel begejstring: et overbevisende relativt tal, forfægtet af en respekteret kliniker, taget i brug, før nogen rekonstruerer den absolutte gevinst for hospitalets faktiske, ofte ældre og sygere population. Modgiften er en stående vane – hver HR i et bestyrelsesnotat ankommer med sin opfølgning, population, absolutte risikoreduktion og Kaplan–Meier-kurver, og hver ekstrapolation nævner sin antagelse. Store virksomheder genererer også deres egne observationelle HR’er fra rutinedata, hvor confounding er den evige fare, og justering skal være eksplicit.

Myndighed#

Et nationalt organ – NICE, NHS England, UK Health Security Agency, DHSC – afgør ofte, hvordan evidens rammesættes for hele systemet, så dets håndtering af hazard ratioer former offentlig forståelse i befolkningsskala. Beslutninger her tiltrækker tilsyns-, parlamentarisk og mediemæssig granskning, og et relativt tal citeret uden sin absolutte partner kan vildlede millioner og undergrave tilliden, når det senere korrigeres. Pligten er at offentliggøre absolutte tal sammen med relative, angive population og opfølgning og være åben om, hvor antagelsen om proportionale hazards og korte forsøgshorisonter begrænser, hvad der kan påstås. På denne skala er ærlig rammesætning ikke en høflighed, men et instrument for lighed: en gevinst, der ser ensartet ud i en enkelt HR, kan falde ujævnt på tværs af alder og afsavn, og kun det disaggregerede, absolutte billede afslører det.

Typiske fejlmønstre#

• Kun relativ rapportering. At citere "28 % reduktion" uden absolut risikoreduktion eller number needed to treat. Modgift: par hvert relativt mål med dets absolutte partner, og indled offentlig formidling med det absolutte.
• Livslang ekstrapolation. At projicere en kortvarig forsøgs-HR over årtier i en økonomisk model eller et pressebudskab. Modgift: modellér kun til evidenshorisonten, og navngiv hver antagelse ud over den.
• Ignorering af populationen. At anvende et forsøgs HR på ældre, sygere eller mere dårligt stillede grupper, som forsøget udelukkede. Modgift: tjek inklusions- og eksklusionskriterier mod din reelle population.
• Antagelse om konstans. At behandle én HR som gyldig i enhver alder og på ethvert tidspunkt. Modgift: inspicér Kaplan–Meier-kurverne for krydsende eller konvergerende linjer.
• Signifikans forvekslet med vigtighed. At handle på en statistisk signifikant HR, hvis effekt er klinisk triviel. Modgift: bedøm størrelse separat med klinisk og patientmæssigt input.
• Ukritisk tillid til observationelle HR’er. At læse en virkelighedsnær HR som kausal uden at spørge til confounding. Modgift: spørg, hvad der blev justeret for, og om umålte confoundere er plausible.
• Talvask. At genbruge en HR ude af sin oprindelige kontekst, som om den var universel. Modgift: spor hvert citeret tal til dets kildeundersøgelse og endepunkt.

Modenhedsmodel#

Tjekliste#

• Hver hazard ratio ankommer med sin opfølgningslængde og forsøgets inklusions- og eksklusionskriterier.
• Hvert relativt mål (HR, relativ risiko) er parret med absolut risikoreduktion og number needed to treat.
• Kaplan–Meier-kurver gennemgås for effektens form og enhver krydsning eller konvergens.
• Forsøgspopulationen er tjekket mod din reelle, lokale population, før der handles.
• Ingen kortvarig HR ekstrapoleres til et helt liv uden en eksplicit angivet antagelse.
• Statistisk signifikans og klinisk signifikans bedømmes som separate porte.
• Observationelle HR’er granskes for confounding og for, hvad der blev justeret for.
• Hver citeret HR spores til sin kildeundersøgelse, sit endepunkt og sin opfølgning.
• Offentlig kommunikation og bestyrelseskommunikation indleder med absolut gevinst og ærlige begrænsninger.

Centrale kilder#

• Wikipedia — Hazard ratio, Proportional hazards model, Survival analysis (grundlæggende definitioner).
• BMJ / The BMJ Statistics Notes-serien — Douglas Altman og J. Martin Bland — letforståelige forklaringer af hazard ratioer, overlevelseskurver og absolut versus relativ risiko.
• David Spiegelhalter — The Art of Statistics: Learning from Data (Pelican, 2019) — om at kommunikere relativ og absolut risiko ærligt.
• Gerd Gigerenzer et al. — Helping Doctors and Patients Make Sense of Health Statistics (Psychological Science in the Public Interest, 2007) — om hvorfor relative tal vildleder.
• Cochrane — Handbook for Systematic Reviews of Interventions — om fortolkning af effektmål.
• dynomight — essay om hazard ratioer og forventet levetid (dynomight.net) — den russiske-roulette-intuition for, hvorfor relative reduktioner ikke er lig med leveår, og hvorfor interventioner har forskellige hazard ratioer i forskellige aldre.
• Equator Network — rapporteringsretningslinjen CONSORT — om hvordan forsøgseffekter, herunder tid-til-hændelse-udfald, bør rapporteres.

Referencer#

1. Hazard ratio — Wikipedia — https://en.wikipedia.org/wiki/Hazard_ratio
2. Proportional hazards model — Wikipedia — https://en.wikipedia.org/wiki/Proportional_hazards_model
3. Survival analysis — Wikipedia — https://en.wikipedia.org/wiki/Survival_analysis
4. Relative risk — Wikipedia — https://en.wikipedia.org/wiki/Relative_risk
5. Odds ratio — Wikipedia — https://en.wikipedia.org/wiki/Odds_ratio
6. Risk difference (absolute risk reduction) — Wikipedia — https://en.wikipedia.org/wiki/Risk_difference
7. Number needed to treat — Wikipedia — https://en.wikipedia.org/wiki/Number_needed_to_treat
8. Censoring (statistics) — Wikipedia — https://en.wikipedia.org/wiki/Censoring_(statistics)
9. Kaplan–Meier estimator — Wikipedia — https://en.wikipedia.org/wiki/Kaplan%E2%80%93Meier_estimator
10. Confounding — Wikipedia — https://en.wikipedia.org/wiki/Confounding
11. Life expectancy — Wikipedia — https://en.wikipedia.org/wiki/Life_expectancy
12. Statistical significance — Wikipedia — https://en.wikipedia.org/wiki/Statistical_significance
13. The Art of Statistics: Learning from Data — David Spiegelhalter, Pelican — https://www.penguin.co.uk/books/294857/the-art-of-statistics-by-spiegelhalter-david/9780241398630
14. Helping Doctors and Patients Make Sense of Health Statistics — Gerd Gigerenzer et al., Psychological Science in the Public Interest — https://doi.org/10.1111/j.1539-6053.2008.00033.x
15. Statistics Notes (survival and risk) — Douglas Altman & J. Martin Bland, The BMJ — https://www.bmj.com/specialties/statistics-notes
16. Cochrane Handbook for Systematic Reviews of Interventions — Cochrane — https://training.cochrane.org/handbook
17. Hazard ratios and life expectancy — dynomight — https://dynomight.net/
18. CONSORT reporting guideline — Equator Network — https://www.equator-network.org/reporting-guidelines/consort/