i sin enkleste form kan ha .ard ratio fortolkes som chancen for en begivenhed, der forekommer i behandlingsarmen divideret med chancen for, at begivenheden forekommer i kontrolarmen eller omvendt af en undersøgelse. Opløsningen af disse endepunkter er normalt afbildet ved hjælp af Kaplan-Meier overlevelseskurver. Disse kurver relaterer andelen af hver gruppe, hvor slutpunktet ikke er nået., Endepunktet kan være enhver afhængig variabel, der er forbundet med den kovariate (uafhængige variabel), f.eks. død, remission af sygdom eller sammentrækning af sygdom. Kurven repræsenterer oddsene for, at et slutpunkt har fundet sted på hvert tidspunkt (faren). Fareforholdet er simpelthen forholdet mellem de øjeblikkelige farer i de to grupper og repræsenterer i et enkelt tal størrelsen af afstanden mellem Kaplan–Meier-plottene.

Ha Hazardard ratio afspejler ikke en tidsenhed for undersøgelsen., Forskellen mellem farebaserede og tidsbaserede foranstaltninger er beslægtet med forskellen mellem oddsene for at vinde et løb og sejrsmarginen. Når en undersøgelse rapporterer et Ha .ard ratio per tidsperiode, antages det, at forskellen mellem grupper var proportional. Fareforhold bliver meningsløse, når denne antagelse om proportionalitet ikke er opfyldt.

Hvis proportional hazard antagelse holder, en hazard ratio af en betyder ækvivalens i hazard rate af de to grupper, der henviser til, at en hazard ratio andre end én angiver, at forskel i risiko priser mellem grupper., Forskeren angiver sandsynligheden for, at denne prøveforskel skyldes tilfældigheder ved at rapportere sandsynligheden forbundet med nogle teststatistikker. For eksempel kan β {\displaystyle \beta } fra Co.-modellen eller log-rank testen derefter bruges til at vurdere betydningen af eventuelle forskelle observeret i disse overlevelseskurver.

Konventionelt, sandsynligheder, der er lavere end 0,05 betragtes som væsentlig og forskere give et 95% konfidensinterval for hazard ratio, fx stammer fra standardafvigelsen af Cox-model regression koefficient, dvs, β {\displaystyle \beta } . Statistisk signifikante fareforhold kan ikke omfatte unity (one) i deres konfidensintervaller.

de proportionale farer assumptionEdit

den proportionale farer antagelse for Ha .ard ratio estimation er stærk og ofte urimeligt. Komplikationer, bivirkninger og sene virkninger er alle mulige årsager til ændring i farefrekvensen over tid. For eksempel kan en kirurgisk procedure have høj tidlig risiko, men gode langsigtede resultater.

Hvis fareforholdet mellem grupper forbliver konstant, er dette ikke et fortolkningsproblem., Imidlertid, fortolkning af Ha .ard ratio bliver umuligt, når udvælgelse skævhed eksisterer mellem grupper. For eksempel, en særdeles risikabel operation, kan resultere i, at overlevelsen af en systematisk mere robust gruppe, der ville have klaret sig bedre under nogen af de konkurrerende behandling forhold, hvilket gør det ser ud som om risikabel procedure var bedre. Opfølgningstid er også vigtig. En kræftbehandling forbundet med bedre remission kan ved opfølgning være forbundet med højere tilbagefaldshastigheder., Forskernes beslutning om, hvornår de skal følge op, er vilkårlig og kan føre til meget forskellige rapporterede fareforhold.

hazard ratio og survivalEdit

Mens hazard ratios mulighed for hypotese-test, bør de betragtes sammen med andre foranstaltninger, der er for fortolkning af effekt af behandling, fx forholdet mellem medianen gange (median ratio) på, hvilken behandling og kontrol gruppe deltagere er på nogle endpoint., Hvis en races analogi anvendes, svarer fareforholdet til Oddsene for, at en person i gruppen med den højere fare når slutningen af løbet først. Sandsynligheden for at være først kan udledes af oddsene, hvilket er sandsynligheden for først at blive divideret med sandsynligheden for ikke at være først:

• HR = P/(1 − p); p = HR/(1 + time).

i det foregående eksempel svarer et Ha .ard ratio på 2 til en 67% chance for en tidlig død. Fareforholdet formidler ikke information om, hvor hurtigt døden vil forekomme.,

ha .ard ratio, behandlingseffekt og tidsbaseret endpointsEdit

behandlingseffekt afhænger af den underliggende sygdom relateret til overlevelsesfunktion, ikke kun ha .ard ratio. Da hazard ratio giver os ikke direkte time-to-event oplysninger, forskere har for at rapportere median endpoint gange og beregne median endpoint tid-forholdet ved at dividere kontrolgruppen median værdien af den behandling, gruppe median værdi.

selvom medianendepunktforholdet er en relativ hastighedsmåling, er Ha .ard ratio ikke., Forholdet mellem behandlingseffekt og ha .ard ratio er angivet som e {{\displaystyle e^{\beta }} . En vigtig statistisk set, men næsten ubetydelig effekt kan producere en stor hazard ratio, fx en behandling, der øger antallet af et-årig overlevende i en population fra en 10.000 til én ud af 1.000, der har en hazard ratio på 10. Det er usandsynligt, at en sådan behandling ville have haft stor indflydelse på median endpoint time ratio, som sandsynligvis ville have været tæt på enhed, dvs.dødeligheden var stort set den samme uanset gruppemedlemskab og klinisk ubetydelig.,

derimod giver en behandlingsgruppe, hvor 50% af infektionerne er løst efter en uge (mod 25% i kontrollen), et Ha .ard ratio på to. Hvis det tager ti uger for alle tilfælde i behandlingsgruppen og halvdelen af tilfældene i kontrolgruppen at løse, forbliver ti-ugers ha .ard ratio på to, men median endpoint time ratio er ti, en klinisk signifikant forskel.