Ämne 1.4 — Hazardkvoter

I en mening: En hazardkvot är ett kompakt, flitigt rapporterat och flitigt feltolkat sammandrag av hur snabbt händelser inträffar i en grupp jämfört med en annan — och att läsa den väl innebär att alltid fråga ”över vilken uppföljning, i vilken population, och vad köper den i absoluta termer?” innan ni låter den driva ett beslut om beställning, utvärdering eller rapportering.

Varför detta är viktigt inom hälsa och vård#

När en leverantörs bild säger ”vår insats uppnådde en hazardkvot på 0,75” inbjuds en ledare att känna en minskning med 25 % av något dåligt. Känslan är vanligen starkare än fakta motiverar. En hazardkvot (hazard ratio) (HR) är en av de vanligaste statistiska storheterna i klinisk och folkhälsomässig evidens, och en av de mest tillförlitligt missförstådda — inte av statistiker, utan av de styrelser, beställare och kommunikationsteam som agerar på den. Inom hälsa och vård är glappet mellan vad en HR säger och vad människor tror att den säger inte en akademisk olägenhet. Det ändrar vad som köps, vad som skalas upp och vad patienter får höra att de kan förvänta sig.

Det här ämnet är en praktisk följeslagare till Ämne 1.3 — Evidensdrivna beslut. Det ämnet hävdade att ni bör anpassa evidensens styrka efter risknivån och hålla klinisk evidens och leveransevidens åtskilda. Det här går ett lager djupare in i en enskild statistisk storhet som återkommer i den kliniska evidens ni ombeds väga: hur man läser den, var den vilseleder och vad man ska kräva vid sidan av den. Ni behöver inte beräkna en hazardkvot. Ni behöver veta att samma rubrik-HR kan motsvara en livsförändrande nytta eller en knappt märkbar beroende på fakta som bilden utelämnade — och att en ledare som inte kan be om de fakta står till förfogande för den som valde inramningen. Eftersom dessa tal formar offentlig kommunikation och kliniska vårdförlopp är det en fråga om förtroende och jämlikhet att få dem fel, inte bara om träffsäkerhet.

Grundläggande begrepp#

Hazarden och hazardkvoten. En hazard är den momentana takt med vilken en händelse (död, sjukhusinläggning, återfall) inträffar bland dem som fortfarande löper risk vid en given tidpunkt. En hazardkvot är kvoten mellan den takten i en behandlingsgrupp och takten i en kontrollgrupp. En HR under 1 innebär att händelsen inträffar långsammare i behandlingsgruppen; över 1, snabbare; exakt 1, ingen skillnad. Den uppstår ur överlevnadsanalys — den gren av statistiken som hanterar data om ”tid till händelse” — och skattas vanligen med modellen för proportionella hazarder, känd efter sin upphovsman som Cox-modellen. Avgörande är att en HR beskriver en takt, inte en sannolikhet och inte en mängd vunnen tid.

Antagandet om proportionella hazarder. Cox-modellens bekvämlighet vilar på ett antagande: att hazardkvoten är konstant — densamma efter tre månader som efter tre år, densamma för en 50-åring som för en 80-åring. Detta är antagandet om proportionella hazarder, och det är ofta falskt. Verkliga effekter varierar över uppföljningstiden (en kirurgisk insats kan höja risken tidigt och sänka den senare) och över delgrupper (ålder, kön, samsjuklighet, deprivation). När antagandet brister är den enda rapporterade HR ett genomsnitt över prövningens specifika uppföljningsfönster och populationsmix — en vägd blandning, inte en universell konstant ni kan lyfta in i en annan miljö.

Relativa mått, oddskvoter och absoluta mått. En HR förväxlas lätt med tre grannar. Relativ risk (eller riskkvot) jämför den kumulativa sannolikheten för en händelse vid en fast tidpunkt, inte takten; den ligger nära HR när händelser är sällsynta men avviker när de är vanliga. Oddskvoten jämför odds snarare än sannolikheter och kan se dramatisk ut när den underliggande risken är hög. Alla tre är relativa mått. Det patienter och betalare faktiskt bryr sig om är absolut: den absoluta riskreduktionen (riskdifferensen) — hur många färre händelser per hundra människor — och dess reciproka, antal som behöver behandlas (number needed to treat, NNT), antalet människor ni måste behandla för att förebygga en händelse. Ett relativt mått utan sin absoluta partner är en halv mening.

Censurering och överlevnadskurvan. Prövningar slutar; människor flyttar, drar sig ur eller har helt enkelt inte haft händelsen när data låses. Censurering (statistik) är hur överlevnadsanalys hanterar dessa delvis observerade liv, och det är en styrka — men kraftig eller obalanserad censurering försvagar vad en HR kan säga er. Den ärliga visuella följeslagaren till varje HR är kurvan för Kaplan–Meier-estimatorn, den trappstegsformade grafen över andelen händelsefria över tid. Två kurvor som separerar stadigt berättar en annan historia än två som korsas eller konvergerar — men alla tre kan ge samma rubrik-HR.

Confounding och icke-kollapsibilitet. En HR från en observationsstudie kan snedvridas av confounding: någon tredje faktor driver både vem som får behandlingen och vem som får händelsen. Randomiserade prövningar skyddar mot detta; verkliga jämförelser gör det inte, om de inte justeras noggrant. Det finns också en subtilare fälla specifik för kvoter som HR, kallad icke-kollapsibilitet: även utan confounding kan kvoten ni får efter att ha justerat för en riskfaktor skilja sig från den ojusterade, enbart som en artefakt av hur kvoter beter sig. Lärdomen är densamma — en HR är knuten till exakt den modell och population som producerade den, och reser inte så fritt som dess rena enda tal antyder.

Vad en HR köper i år. Människor översätter ”HR 0,75” till ”jag kommer att leva längre”, men storleken på den vinsten beror helt på baslinjerisken och hur hhoptryckt en populations dödlighet redan är. Tänk på det som att lossa en kammare i ett lotterispel: att minska en takt köper mycket extra tid när baslinjerisken är hög och utspridd, och mycket litet när de flesta redan överlever till hög ålder och dödsfallen är packade i ett smalt sent fönster. Samma relativa reduktion omvandlas till olika mängder förväntad livslängd beroende på den baslinjen — vilket är skälet till att en HR inte kan avläsas som ett fast antal tillagda år utan att känna till den population den kom från.

Statistisk kontra klinisk signifikans. Slutligen kan en HR vara statistiskt signifikant — dess konfidensintervall utesluter 1 — medan effekten den pekar på är kliniskt trivial, särskilt i en mycket stor prövning. Signifikans besvarar ”går detta att skilja från slumpen?”; den besvarar inte ”är detta värt att ändra ett vårdförlopp för?” Båda frågorna spelar roll, och bara den andra bör avgöra investering.

Bästa praxis#

1. Fråga alltid ”över vilken uppföljning, och i vilken population?” En HR är ett genomsnitt över ett specifikt prövningsfönster och en specifik inskriven grupp. Innan ni agerar på den, fastställ uppföljningens längd och inklusions- och exklusionskriterierna — prövningar som uteslöt de mycket gamla, de mycket unga eller människor med vanlig samsjuklighet kanske inte beskriver er population alls. Behandla en HR utan detta sammanhang som en ofullständig siffra, inte en rubrik.

2. Kräv absoluta tal vid sidan av varje relativt. För varje HR eller relativ risk, be om den absoluta riskreduktionen och antalet som behöver behandlas i den relevanta populationen. ”HR 0,75” känns stor; ”en undviken händelse per 200 behandlade människor över tre år” talar om för er om det är värt kostnaden, arbetsflödesförändringen och biverkningarna. Relativa och absoluta mått bör alltid redovisas tillsammans, och kommunikation till allmänheten bör inleda med det absoluta.

3. Insistera på att se Kaplan–Meier-kurvorna. En enda HR komprimerar en hel historia till ett tal och döljer om effekten är tidig, sen, växande, krympande eller vändande. Be om överlevnadskurvorna och se på deras form: separerar de rent, korsas de eller konvergerar de? Kurvor som korsas är ett synligt tecken på att antagandet om proportionella hazarder har brustit och att den enda HR vilseleder.

4. Extrapolera inte en kort prövning till en livstid. En hazardkvot uppmätt över tre år ger ingen rätt till ett påstående om trettio. Effekter kan avta, vända eller ackumuleras, och antagandet om proportionella hazarder håller nästan aldrig över en livslängd. Var särskilt vaksam mot ekonomiska modeller och pressuttalanden som projicerar en kortsiktig HR framåt till dramatiska vinster i levnadsår; fråga vilket antagande som gör det arbetet, såsom behandlas i Ämne 6.1 — Hälsoekonomi.

5. Skilj statistisk från klinisk signifikans. Ett konfidensintervall som utesluter 1 talar om att en effekt sannolikt är verklig; det säger ingenting om huruvida effekten är stor nog att spela roll. I stora prövningar blir triviala skillnader ”signifikanta”. Bedöm storleken — den absoluta nyttan — mot insatsens börda och kostnad, och låt kliniker och patienter definiera vad som räknas som värt.

6. Behandla observationella HR med extra misstänksamhet. Utanför en randomiserad prövning kan en HR spegla confounding — sjukare eller friskare människor som selekteras till behandling — snarare än en sann effekt. Fråga vad som justerades för och om omätta confounders är rimliga. Verklighetsevidens är värdefull (se Ämne 8.6 — Forskning och utvärdering i verklig vård) men dess hazardkvoter behöver mer granskning, inte mindre.

7. Kontrollera om HR återanvänds ur sitt sammanhang. En HR från en population, dos eller uppföljning citeras rutinmässigt som om den vore universell. När en siffra åberopas, spåra den till sin källstudie och bekräfta att populationen och effektmåttet matchar ert beslut. Icke-kollapsibilitet och skilda baslinjer innebär att ett tal som var sant där i tysthet kan vara fel här.

8. Rapportera ärligt, och led med det människor kan agera på. När er egen organisation publicerar resultat, para varje HR med absoluta tal och formuleringar i klarspråk, ange uppföljning och population och undvik att antyda livslång nytta av kortsiktiga data. Detta hänger direkt ihop med hur ni väljer mått i Ämne 10.1 — Nyckeltal (KPI): det mått ni lyfter fram formar vad människor tror.

Frågor att diskutera med ditt team#

1. När en hazardkvot landar i vår styrelse, vet vi hur vi ber om uppföljningen, populationen och den absoluta nyttan — eller agerar vi enbart på den relativa siffran? Frågan prövar om er ledning kan förhöra den enskilt mest feltolkade statistiska storhet de kommer att möta. Den spelar roll eftersom en HR är ett genomsnitt över ett särskilt prövningsfönster och en särskild inskriven grupp, och samma siffra kan representera en omvälvande nytta eller en försumbar beroende på den baslinjerisk och uppföljning som bilden utelämnade. Spänningen är att det relativa talet är känslomässigt övertygande och lätt att upprepa, medan det absoluta talet — antalet som behöver behandlas, händelser som undvikits per hundra människor — är tråkigare och svårare att få fram, så det tappas rutinmässigt. Gå igenom ett verkligt nyligt exempel: ta en HR som påverkade ett beslut och rekonstruera vilken uppföljning den täckte, vem som uteslöts och vilken absolut nytta den implicerade för er population. Fråga om någon begärde dessa fakta vid tillfället, och om svaret hade ändrat beslutet. En bra diskussion slutar med en stående förväntan att ingen HR agerar man på utan dess uppföljning, population och absoluta partner bredvid sig.

2. Var kan vi extrapolera en kortsiktig hazardkvot till ett långsiktigt eller livslångt påstående — i ett affärscase, en nyttomodell eller ett offentligt budskap? Ämnet varnar för att en HR uppmätt över några år ger ingen rätt till påståenden om decennier, eftersom effekter avtar, vänder eller ackumuleras och antagandet om proportionella hazarder sällan håller över en livslängd. Detta spelar roll eftersom både hälsoekonomiska modeller och kommunikationsteam har starka incitament att projicera kortsiktiga relativa reduktioner framåt till rubrikvinster i levnadsår eller kostnadsbesparingar, och dessa projektioner kan i tysthet bli motiveringen för stora investeringar. Avvägningen är verklig: ni måste planera och modellera bortom prövningens horisont, men varje år ni projicerar förbi evidensen är ett antagande, inte ett fynd. Lyft fram ett levande affärscase eller en nyttorealiseringsmodell och fråga vilken tidshorisont dess HR-härledda nyttor förutsätter, och vad som skulle hända med caset om effekten planade ut efter prövningsperioden. Beakta också om något patientvänt budskap antyder en livstid av tillagda år från kortsiktiga data. Ett ärligt svar namnger var extrapolering gör tungt arbete och förbinder sig till att ange antagandet öppet snarare än att begrava det i ett kalkylblad.

3. Skiljer vi konsekvent ”är detta verkligt?” från ”är detta stort nog att spela roll?” — eller driver enbart statistisk signifikans våra beslut? Frågan konfronterar sammanblandningen av statistisk och klinisk signifikans, där ett konfidensintervall som utesluter 1 behandlas som grönt ljus oavsett effektens storlek. Den spelar roll eftersom stora prövningar och stora verklighetsdataset gör triviala skillnader statistiskt signifikanta, och en digital hälsoinsats kan uppvisa en ”signifikant” hazardkvot medan den levererar en nytta för liten för att motivera sin kostnad, sin störning av arbetsflödet eller sin alternativkostnad mot andra användningar av samma pengar. Den djupare spänningen är att storlek är ett kliniskt och värdemässigt omdöme — vad som räknas som värt beror på tillståndet, behandlingsbördan och patientens preferens — så det kan inte delegeras till ett p-värde eller automatiseras. Ta ett beslut ert team fattade delvis på styrkan i ett signifikant resultat och fråga vad den absoluta effektstorleken faktiskt var, och vem som avgjorde att den var stor nog att agera på. Utforska om kliniker och, helst, patienter var involverade i att bedöma att nyttan var värd att ha. Ett starkt svar visar att teamet rutinmässigt frågar efter storlek, inte bara signifikans, och behandlar de två som separata grindar som båda måste passeras.

4. När en hazardkvot kommer från rutindata eller en leverantörs verklighetsdataset snarare än från en randomiserad prövning, frågar vi vad som justerades för och om omätt confounding kan förklara effekten? Alltmer är de hazardkvoter som når ett beslut inte från rena prövningar utan från observationella källor — en leverantörs före-och-efter-analys, ett register eller era egna rutinmässigt insamlade journaler — där de människor som fick en insats systematiskt skiljer sig från dem som inte gjorde det. Detta spelar roll eftersom confounding by indication är normen snarare än undantaget: friskare eller sjukare patienter selekteras till behandling, och om inte det justeras noggrant mäter den resulterande HR vem som behandlades lika mycket som vad behandlingen gjorde. Spänningen är att verklighetsevidens genuint är värdefull och ofta den enda evidens som finns för en digital tjänst som driftsatts i skala, men dess bekvämlighet frestar team att läsa den som kausal när den bara är associativ. Förhör en verklig observationell HR ert team har förlitat sig på: fråga vilka variabler som justerades för, vilka rimliga confounders som lämnades omätta och om den sannolika snedvridningens riktning smickrar eller dämpar effekten. Beakta om icke-kollapsibilitet — hur justering för en riskfaktor kan förskjuta en kvot även utan confounding — har beaktats i hur talet citeras. Ett ärligt svar behandlar observationella hazardkvoter som hypoteser som behöver mer granskning, inte mindre, och kan uttryckligen säga vad som skulle behöva vara sant för att effekten ska vara verklig.

5. Tittar vi rutinmässigt på Kaplan–Meier-kurvorna bakom en hazardkvot, och skulle vi känna igen när antagandet om proportionella hazarder har brustit? En enda HR medelvärdesbildar tyst hela formen på en effekt till ett tal och döljer om nyttan är tidig, sen, växande, krympande eller vändande över uppföljningen. Detta spelar roll eftersom den Cox-modell som producerar de flesta hazardkvoter antar att kvoten är konstant över tid, och det antagandet är ofta falskt — en kirurgisk eller procedurell insats kan höja risken tidigt och sänka den senare, och kurvor som korsas eller konvergerar kan ge samma prydliga rubrik-HR som kurvor som separerar rent. Avvägningen är att det tar mer ansträngning och mer expertis att läsa överlevnadskurvor än att upprepa en enda siffra, och kurvorna saknas ofta på sammanfattningsbilden just därför att de komplicerar historien. Ta en hazardkvot ert team agerade på och fråga om någon såg Kaplan–Meier-grafen, vad kurvornas form implicerade om när nyttan tillföll och om antagandet om proportionella hazarder någonsin prövades. Diskutera vem i teamet som har den statistiska läskunnighet som behövs för att upptäcka korsande eller konvergerande linjer och säga vad de betyder för er population. Ett bra svar gör det till en stående förväntan att se kurvorna, inte en specialistgreja, och behandlar en saknad kurva som ett skäl att fråga snarare än en detalj att hoppa över.

6. Har vi kontrollerat om en enda hazardkvot döljer en ojämn fördelning av nyttan över ålder, samsjuklighet och deprivation hos de människor vi faktiskt betjänar? En enda rubrik-HR presenterar en effekt som om den landade enhetligt, men en nytta medelvärdesbildad över en prövnings inskrivna grupp kan falla mycket olika över de äldre, sjukare och mer missgynnade människor som utgör en stor del av en verklig hälso- och sjukvårdspopulation. Detta spelar roll eftersom att agera på den aggregerade siffran kan vidga ojämlikhet medan det ser ut att förbättra utfall överlag: en insats som hjälper en friskare delgrupp och gör litet för en skörare postar ändå en attraktiv genomsnitts-HR. Spänningen är att uppdelning kräver data, statistisk styrka och en vilja att se obekväm variation, medan det enda talet är enklare att rapportera och lättare att driva. Se på ett beslut drivet av en hazardkvot och fråga om effekten någonsin delades upp efter åldersband, samsjuklighet eller deprivation, och om prövningen ens inkluderade tillräckligt många av er population för att stödja en sådan uppdelning. Beakta hur ni skulle bevaka ojämn nytta när en tjänst väl är i drift, kopplat till er utvärdering i verklig vård och era jämlikhetsplikter. Ett ärligt svar godtar att en till synes enhetlig HR kan dölja en ojämlik verklighet och förbinder sig att se på den uppdelade, absoluta bilden innan det skalar upp.

I praktiken: ett exempel från hälsa och vård#

Ett integrerat vårdsystem (ICS) erbjuds en tjänst för fjärrövervakning av personer med hjärtsvikt. Leverantörens centrala påstående är en hazardkvot på 0,72 för det sammansatta utfallet död eller oplanerad inläggning, beskriven som ”en minskning med 28 %” och parad med en projektion av betydande vunna levnadsår över hela populationen.

De digitala och kliniska ledarna behandlar siffran som en startfråga, inte en slutsats. De ber om källstudien och finner en enda randomiserad prövning med en mediantid för uppföljning på arton månader, som inkluderade patienter under 75 år med en nylig inläggning och utan betydande kognitiv nedsättning — en friskare, yngre grupp än ICS:s verkliga hjärtsviktspopulation, som lutar äldre och mer samsjuklig. De ber om kurvorna för Kaplan–Meier-estimatorn och ser de två linjerna separera huvudsakligen under de första sex månaderna och sedan löpa ungefär parallellt — en antydan om att nyttan är koncentrerad tidigt och att antagandet om konstant HR är skakigt över en längre horisont.

Sedan ber de om absoluta tal. Översatt till prövningspopulationen motsvarar HR en blygsam absolut riskreduktion och ett antal som behöver behandlas på omkring 20 över arton månader för att förebygga en sammansatt händelse — meningsfullt, men långt mindre dramatiskt än ”28 % minskning” antydde, och möjligen ännu mindre i deras äldre population. Hälsoekonomiteamet ombeds bygga om sin modell utan att extrapolera artonmånaders-HR över en livstid, och testa vad som händer om den tidiga nyttan inte består. Ansvariga för klinisk säkerhet och informationsstyrning bedömer tjänsten på dess egna meriter (Ämne 1.6 — Klinisk säkerhet och riskhantering). ICS går vidare — men som en bevakad, stegvis utrullning med en egen utvärdering i verklig vård, och instruerar sitt kommunikationsteam att inleda med den absoluta nyttan och de ärliga begränsningarna, inte den relativa rubriken. När en lokaltidning senare frågar om ”28 %-siffran” kan ICS förklara exakt vad den betyder och inte betyder.

Sektorperspektiv#

Alla som läser en HR har samma tolkningsplikt, men trycken och skydden skiljer sig mellan organisationer.

Startup-företag#

Ett startup-företags incitament är att presentera det mest smickrande sanna talet, och en relativ hazardkvot är ofta det mest smickrande sanna tal som finns — så ”HR 0,7” dyker upp på pitchpresentationen utan den uppföljning, population eller absoluta nytta som skulle ge den rätt storlek. Det ärliga och i slutändan mer trovärdiga draget är att inleda med den absoluta effekten och antalet som behöver behandlas, ange prövningens uppföljning och uteslutningar tydligt och motstå att projicera kortsiktiga resultat över en livstid i affärscaset. NHS-bedömare som gör due diligence och seriösa investerare vet alltmer att ställa dessa frågor, så ett team som självmant lämnar sammanhanget ser starkare ut, inte svagare. Disciplinen kostar nästan ingenting och skyddar grundarna från en senare, mer skadlig korrigering.

Småföretag#

En etablerad liten vårdgivare — en läkarpraktik, ett närapotek, ett vårdhem eller en klinik på en enda ort som överväger ett övervakningsverktyg eller en leverantörs påstående — har verkliga patienter på spel men ingen intern statistiker och lite tid att läsa en prövning. Den praktiska risken är att leverantörens relativa hazardkvot tas för god utan att någon kan rekonstruera uppföljningen, populationen och den absoluta nyttan, och utan något analysteam att pröva den mot praktikens egen lista. Det proportionerliga svaret är inte att bemästra överlevnadsanalys utan att ställa tre enkla frågor till varje leverantör — över vilken uppföljning, i vilka patienter och hur många människor skulle vi behandla för att förebygga en händelse — och att luta sig mot delade resurser såsom NICE-vägledning, en farmaceut vid ICS eller ett kollegialt nätverk snarare än att bedöma talet ensamt. En liten vårdgivare som insisterar på den absoluta siffran och prövningens uteslutningar innan den skriver under skyddar sina patienter och sin budget utan att behöva ett stort sjukhus statistiska eldkraft.

Storföretag#

Ett NHS-sjukhus (trust) eller ICS har analysförmågan och patientvolymerna att förhöra en HR ordentligt — och det ansvarsutkrävande som kräver det, eftersom att driftsätta i skala på en feltolkad statistisk storhet samtidigt är en risk för klinisk säkerhet och offentliga medel. Det karakteristiska felmönstret är institutionell entusiasm: en övertygande relativ siffra som drivs av en respekterad kliniker och införs innan någon rekonstruerat den absoluta nyttan för sjukhusets faktiska, ofta äldre och sjukare, population. Botemedlet är en stående vana — varje HR i ett styrelsedokument anländer med sin uppföljning, population, absoluta riskreduktion och Kaplan–Meier-kurvor, och varje extrapolering namnger sitt antagande. Stora organisationer genererar också egna observationella HR från rutindata, där confounding är den ständigt närvarande faran och justering måste vara explicit.

Staten#

Ett nationellt organ — NICE, NHS England, UK Health Security Agency, DHSC — avgör ofta hur evidens ramas in för hela systemet, så dess hantering av hazardkvoter formar allmänhetens förståelse i befolkningsskala. Beslut här drar till sig regulatorisk, parlamentarisk och medial granskning, och en relativ siffra som citeras utan sin absoluta partner kan vilseleda miljoner och fräta på förtroendet när den senare korrigeras. Plikten är att publicera absoluta tal vid sidan av relativa, ange population och uppföljning och vara uppriktig om var antagandet om proportionella hazarder och korta prövningshorisonter begränsar vad som kan hävdas. I denna skala är ärlig inramning inte en artighet utan ett instrument för jämlikhet: en nytta som ser enhetlig ut i en enda HR kan falla ojämnt över ålder och deprivation, och bara den uppdelade, absoluta bilden avslöjar det.

Vanliga felmönster#

• Enbart relativ rapportering. Att citera ”28 % minskning” utan absolut riskreduktion eller antal som behöver behandlas. Motmedel: para varje relativt mått med dess absoluta partner och led offentlig kommunikation med det absoluta.
• Livstidsextrapolering. Att projicera en HR från en kort prövning över decennier i en ekonomisk modell eller ett pressuttalande. Motmedel: modellera endast till evidenshorisonten och namnge varje antagande bortom den.
• Att ignorera populationen. Att tillämpa en prövnings HR på äldre, sjukare eller mer missgynnade grupper som prövningen uteslöt. Motmedel: kontrollera inklusions- och exklusionskriterier mot er verkliga population.
• Att anta konstans. Att behandla en HR som giltig vid varje ålder och tidpunkt. Motmedel: granska Kaplan–Meier-kurvorna efter korsande eller konvergerande linjer.
• Signifikans förväxlad med vikt. Att agera på en statistiskt signifikant HR vars effekt är kliniskt trivial. Motmedel: bedöm storleken separat, med klinisk och patientmedverkan.
• Att lita okritiskt på observationella HR. Att läsa en verklighets-HR som kausal utan att fråga om confounding. Motmedel: fråga vad som justerades för och om omätta confounders är rimliga.
• Taltvätt. Att återanvända en HR ur sitt ursprungliga sammanhang som om den vore universell. Motmedel: spåra varje åberopad siffra till dess källstudie och effektmått.

Mognadsmodell#

Checklista#

• Varje hazardkvot anländer med sin uppföljningslängd och prövningens inklusions- och exklusionskriterier.
• Varje relativt mått (HR, relativ risk) paras med absolut riskreduktion och antal som behöver behandlas.
• Kaplan–Meier-kurvor granskas för effektens form och eventuell korsning eller konvergens.
• Prövningspopulationen kontrolleras mot er verkliga, lokala population innan ni agerar.
• Ingen kortsiktig HR extrapoleras till en livstid utan ett uttryckligt angivet antagande.
• Statistisk signifikans och klinisk signifikans bedöms som separata grindar.
• Observationella HR granskas för confounding och för vad som justerades för.
• Varje åberopad HR spåras till sin källstudie, sitt effektmått och sin uppföljning.
• Offentlig kommunikation och kommunikation till styrelsen leder med absolut nytta och ärliga begränsningar.

Viktiga källor#

• Wikipedia — Hazard ratio, Proportional hazards model, Survival analysis (grundläggande definitioner).
• BMJ / serien The BMJ Statistics Notes — Douglas Altman och J. Martin Bland — begripliga förklaringar av hazardkvoter, överlevnadskurvor och absolut kontra relativ risk.
• David Spiegelhalter — The Art of Statistics: Learning from Data (Pelican, 2019) — om att kommunicera relativ och absolut risk ärligt.
• Gerd Gigerenzer m.fl. — Helping Doctors and Patients Make Sense of Health Statistics (Psychological Science in the Public Interest, 2007) — om varför relativa siffror vilseleder.
• Cochrane — Handbook for Systematic Reviews of Interventions — om tolkning av effektmått.
• dynomight — essä om hazardkvoter och förväntad livslängd (dynomight.net) — rysk roulette-intuitionen för varför relativa reduktioner inte är lika med levnadsår, och varför insatser har olika hazardkvoter vid olika åldrar.
• Equator Network — riktlinjen CONSORT för rapportering — om hur prövningseffekter, inklusive utfall av typen tid-till-händelse, bör rapporteras.

Referenser#

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/