Odds ratio
L’odds ratio, généralement abrégé OR, mesure le rapport entre deux odds.
Il est extrêmement utilisé en épidémiologie, notamment dans :
- les études cas-témoins ;
- les régressions logistiques.
Il ressemble au risque relatif mais ne mesure pas exactement la même chose.
Cette différence est faible lorsque l’événement est rare et peut devenir importante lorsque l’événement est fréquent.
Avant l’odds ratio : comprendre les odds
En français, odds est parfois traduit par cote ou rapport de chances, mais le terme anglais est souvent conservé.
Une probabilité compare :
événements / ensemble des possibilités.
Les odds comparent :
événements / non-événements.
Exemple
Supposons une probabilité d’événement de :
20 %.
Sur 100 personnes :
- 20 ont l’événement ;
- 80 ne l’ont pas.
La probabilité est :
20 / 100 = 0,20.
Les odds sont :
20 / 80 = 0,25.
Formule
Pour une probabilité p :
odds = p / (1 − p).
Inversement :
p = odds / (1 + odds).
Probabilité de 50 %
Si :
p = 0,50,
alors :
odds = 0,50 / 0,50 = 1.
On parle parfois d’odds de :
1 contre 1.
Probabilité de 75 %
Si :
p = 0,75,
alors :
odds = 0,75 / 0,25 = 3.
Il y a trois événements pour un non-événement.
Les odds sont :
3.
Probabilité de 10 %
Si :
p = 0,10,
alors :
odds = 0,10 / 0,90 ≈ 0,111.
La probabilité et les odds ne sont donc pas identiques.
Elles se ressemblent lorsque l’événement est rare
Pour :
p = 1 %,
odds :
0,01 / 0,99 ≈ 0,0101.
Les valeurs sont presque identiques.
Pour :
p = 50 %,
probabilité :
0,50
mais odds :
1.
La différence devient importante.
Définition de l’odds ratio
Supposons deux groupes.
Groupe traité
Odds d’événement :
odds₁.
Groupe contrôle
Odds d’événement :
odds₀.
L’odds ratio est :
OR = odds₁ / odds₀.
Exemple simple
Contrôle
Risque :
20 %.
Odds :
0,20 / 0,80 = 0,25.
Traitement
Risque :
10 %.
Odds :
0,10 / 0,90 ≈ 0,111.
OR :
0,111 / 0,25 ≈ 0,44.
Comparons avec le risque relatif
Le risque relatif est :
RR = 10 % / 20 % = 0,50.
Nous obtenons donc :
RR = 0,50
mais
OR ≈ 0,44.
Les chiffres sont déjà différents.
Interprétation de OR = 1
Si :
OR = 1,
les odds sont identiques dans les deux groupes.
Cela correspond à l’absence d’association sur l’échelle des odds.
OR < 1
Si :
OR < 1,
les odds de l’événement sont plus faibles dans le groupe exposé ou traité.
Par exemple :
OR = 0,60.
Les odds sont 40 % plus faibles relativement.
OR > 1
Si :
OR > 1,
les odds sont plus élevées.
Exemple :
OR = 2.
Les odds sont deux fois plus grandes.
Mais cela ne signifie pas automatiquement :
« le risque est deux fois plus élevé ».
C’est précisément l’erreur la plus fréquente.
Un OR de 2 n’est pas nécessairement un risque doublé
Supposons :
Non-exposés
Risque :
10 %.
Odds :
0,10 / 0,90 ≈ 0,111.
Si l’OR est :
2,
les nouvelles odds sont :
0,222.
La probabilité correspondante est :
0,222 / 1,222 ≈ 18,2 %.
Le risque passe donc :
10 % → 18,2 %.
Il n’est pas doublé.
Lorsque le risque initial est de 50 %
Odds initiales :
1.
OR = 2.
Odds exposées :
2.
Probabilité :
2 / 3 ≈ 66,7 %.
Le risque passe :
50 % → 66,7 %.
Pas de :
50 % → 100 %.
L’OR mesure bien autre chose qu’un rapport de probabilités.
Tableau comparatif
| Risque contrôle | Risque exposé | RR | OR |
|---|---|---|---|
| 1 % | 2 % | 2,00 | ≈ 2,02 |
| 10 % | 20 % | 2,00 | 2,25 |
| 25 % | 50 % | 2,00 | 3,00 |
| 40 % | 80 % | 2,00 | 6,00 |
À mesure que l’événement devient fréquent, l’OR s’éloigne fortement du RR.
Pourquoi OR et RR sont proches pour les événements rares
Lorsque :
p est très petit,
alors :
1 − p ≈ 1.
Donc :
odds = p / (1 − p) ≈ p.
Les odds ressemblent alors à la probabilité.
C’est la rare disease approximation.
Exemple
Risque :
1 % → 2 %.
RR :
2.
OR :
(0,02 / 0,98) / (0,01 / 0,99) ≈ 2,02.
La différence est minime.
Mais « rare » n’a pas de seuil magique
On utilise parfois des règles comme :
moins de 10 %.
Mais il n’existe pas de frontière universelle.
Plus le résultat devient fréquent, plus l’écart entre OR et RR mérite d’être examiné directement.
Pourquoi utilise-t-on alors l’odds ratio ?
Principalement pour deux raisons.
D’abord, il apparaît naturellement dans les études cas-témoins.
Ensuite, il est la mesure produite naturellement par la régression logistique, l’un des modèles statistiques les plus utilisés lorsque le résultat est binaire.
Le tableau 2 × 2
Considérons :
| Maladie | Pas de maladie | |
|---|---|---|
| Exposés | a | b |
| Non-exposés | c | d |
L’odds ratio peut être calculé :
OR = (a/b) / (c/d)
soit :
OR = ad / bc.
C’est le produit en croix.
Exemple
| Maladie | Pas de maladie | |
|---|---|---|
| Exposés | 60 | 40 |
| Non-exposés | 30 | 70 |
OR :
(60 × 70) / (40 × 30)
= 4 200 / 1 200
= 3,5.
Les odds de maladie sont 3,5 fois plus élevées chez les exposés.
Dans une étude de cohorte
Si les participants sont suivis à partir de l’exposition, on peut généralement calculer directement :
- risques ;
- RR ;
- différences absolues.
L’OR est possible, mais le RR est souvent plus intuitif lorsque les risques sont directement estimables.
Dans une étude cas-témoins, le problème est différent
Les chercheurs choisissent d’abord :
- des cas ;
- des témoins.
Le nombre de malades et de non-malades dépend donc en partie du plan d’étude.
On ne peut généralement pas calculer directement la prévalence ou le risque de maladie à partir de cet échantillon.
Exemple
Un chercheur recrute volontairement :
- 500 personnes atteintes d’un cancer ;
- 500 témoins.
Cela ne signifie évidemment pas que :
50 % de la population a ce cancer.
La proportion de cas a été fixée artificiellement par le protocole.
Mais on peut comparer l’exposition
Chez les cas :
quelle proportion avait été exposée ?
Chez les témoins :
quelle proportion avait été exposée ?
L’OR reste alors estimable.
Symétrie remarquable de l’OR
Dans un tableau 2 × 2, l’odds ratio d’exposition chez les malades par rapport aux non-malades est égal à l’odds ratio de maladie chez les exposés par rapport aux non-exposés.
Cette propriété explique en grande partie son importance dans les études cas-témoins.
Exemple
Supposons :
Cas
300 exposés, 200 non-exposés.
Odds d’exposition :
300 / 200 = 1,5.
Témoins
150 exposés, 350 non-exposés.
Odds :
150 / 350 ≈ 0,429.
OR :
1,5 / 0,429 ≈ 3,5.
L’exposition est beaucoup plus fréquente parmi les cas.
Peut-on dire que le risque de maladie est multiplié par 3,5 ?
Pas automatiquement.
L’OR est :
3,5.
Si la maladie est rare dans la population source, il peut approcher le RR.
Si elle est fréquente, l’écart peut être important.
L’étude cas-témoins classique et le RR
Dans une étude cas-témoins, le risque absolu n’est généralement pas identifiable à partir des seules proportions de l’échantillon.
Il faut donc être particulièrement prudent lorsque les résultats sont traduits en langage de « risque ».
Le choix des témoins est crucial
Les témoins doivent représenter correctement la distribution de l’exposition dans la population qui aurait pu produire les cas.
Un mauvais groupe témoin peut fortement biaiser l’OR.
Exemple
On étudie une exposition professionnelle.
Si les témoins sont recrutés dans une population ayant elle-même une exposition professionnelle anormalement élevée, l’association peut être sous-estimée.
Le calcul mathématique peut être impeccable tandis que le design est biaisé.
L’OR ne corrige aucun biais
Un OR précis peut être faux causalement si l’étude souffre de :
- confusion ;
- biais de sélection ;
- biais d’information.
Comme toute mesure d’association, il dépend de la qualité du design.
OR brut
L’OR brut compare directement les groupes sans ajustement.
Par exemple :
OR = 2,5.
OR ajusté
Une régression logistique peut tenir compte simultanément de plusieurs variables :
- âge ;
- sexe ;
- tabagisme.
On obtient alors un odds ratio ajusté.
Exemple
OR brut :
2,5.
OR ajusté sur âge et tabagisme :
1,4.
Une partie de l’association initiale était liée aux différences de composition entre groupes.
Mais « ajusté » ne signifie pas « causal »
Il peut persister :
- confusion résiduelle ;
- variables non mesurées ;
- mauvais ajustement.
Et, comme nous l’avons vu avec les DAG, ajuster sur certaines variables peut même introduire un biais.
Régression logistique
Lorsque le résultat est binaire, la régression logistique modélise le logarithme des odds.
Sous une forme simplifiée :
logit(p) = log[p/(1−p)] = β₀ + β₁X.
L’exponentielle du coefficient :
e^β₁
correspond à un odds ratio.
Exemple
Si :
β₁ = ln(2),
alors :
e^β₁ = 2.
Le modèle estime un OR de :
2.
Pourquoi la logistique est pratique
Les probabilités doivent rester entre :
0 et 1.
Une régression linéaire appliquée directement à un résultat binaire peut prédire des valeurs impossibles comme :
−0,2
ou
1,3.
La fonction logistique maintient les probabilités dans l’intervalle admissible.
Mais le coefficient brut n’est pas intuitif
Dire :
β = 0,693
parle peu.
L’exponentier donne :
OR = 2,
plus facilement interprétable.
OR par unité d’exposition
Supposons une variable continue :
âge en années.
La régression donne :
OR = 1,05 par année.
Cela signifie que les odds augmentent d’environ 5 % par année supplémentaire, sous le modèle considéré et à variables ajustées constantes.
Attention aux unités
Si on exprime l’âge par :
10 ans,
l’OR change.
Avec un effet log-linéaire constant :
1,05¹⁰ ≈ 1,63.
Il faut donc toujours regarder :
OR pour quelle augmentation de l’exposition ?
Exemple biologique
OR :
1,20 par 10 unités de biomarqueur.
Cela ne signifie pas :
20 % par unité.
L’échelle doit être explicitée.
Variables catégorielles
Supposons :
niveau d’activité :
- élevé ;
- moyen ;
- faible.
On choisit une catégorie de référence.
Par exemple :
activité élevée = référence.
Puis :
- moyenne : OR 1,3 ;
- faible : OR 2,0.
Chaque OR est interprété relativement à la catégorie de référence.
Le choix de la référence change la présentation
Si on choisissait :
faible = référence,
les OR numériques changeraient, mais l’information sous-jacente resterait la même.
Il faut donc toujours identifier le groupe de référence.
Intervalle de confiance
Comme pour le RR, l’OR doit être accompagné d’un intervalle.
Exemple :
OR = 1,80 ; IC 95 % : 1,40–2,30.
L’association est estimée assez précisément et l’intervalle reste au-dessus de 1.
Exemple imprécis
OR = 1,80 ; IC 95 % : 0,70–4,60.
Même estimation centrale.
Mais une grande incertitude.
Les données restent compatibles avec des effets très différents.
Le rôle de 1
Pour l’OR :
1 = absence d’association sur l’échelle des odds.
Si l’intervalle traverse 1, la conclusion statistique conventionnelle est moins nette.
Mais, encore une fois, il faut regarder l’ensemble de l’intervalle plutôt que transformer artificiellement le résultat en :
- « significatif » ;
- « non significatif ».
OR protecteur
Supposons :
OR = 0,50.
Les odds d’événement sont divisées par deux.
Cela ne signifie pas nécessairement que le risque est divisé par deux.
Exemple
Risque contrôle :
50 %.
Odds :
1.
OR :
0,50.
Odds traitées :
0,50.
Probabilité correspondante :
0,50 / 1,50 ≈ 33,3 %.
Le risque passe :
50 % → 33,3 %.
Le RR est :
0,667,
et non 0,50.
Transformer un OR en risque nécessite un risque de base
Si on connaît :
- OR ;
- risque contrôle p₀,
on peut estimer le risque correspondant dans le groupe exposé :
p₁ = OR × p₀ / [1 − p₀ + OR × p₀].
Exemple
OR :
2.
Risque contrôle :
20 %.
Alors :
p₁ = 2 × 0,20 / [0,80 + 0,40]
= 0,40 / 1,20
≈ 33,3 %.
Le risque relatif correspondant est :
33,3 / 20 ≈ 1,67.
Pas 2.
Même OR, risques absolus différents
OR = 2.
Risque initial 1 %
Risque exposé ≈ 1,98 %.
Risque initial 20 %
Risque exposé ≈ 33,3 %.
Risque initial 50 %
Risque exposé ≈ 66,7 %.
Un OR seul ne permet donc pas de connaître l’impact absolu.
De nouveau, le risque de base est indispensable
Pour communiquer cliniquement un résultat, il vaut souvent mieux convertir l’OR en :
- risques absolus ;
- différence de risque,
lorsque cela est possible.
Pourquoi les OR peuvent paraître spectaculaires
Supposons :
risque contrôle :
50 %.
Risque traité :
25 %.
RR :
0,50.
RAR :
25 points.
Mais :
odds contrôle = 1
odds traité = 0,333
OR ≈ 0,33.
Dire :
« odds réduites de 67 % »
donne une impression d’effet beaucoup plus fort que :
« risque réduit de 50 % ».
Les deux sont mathématiquement corrects mais ne parlent pas de la même quantité.
Erreur fréquente dans les médias
Une étude rapporte :
OR = 0,60.
Le communiqué devient :
« réduction du risque de 40 % ».
Cette reformulation n’est correcte que comme approximation lorsque l’événement est suffisamment rare.
Sinon, elle peut exagérer le changement du risque.
Une bonne question à poser
Face à un OR, demander :
« quelle était la probabilité de l’événement dans le groupe de référence ? »
Cela permet de reconstruire une échelle plus intuitive.
OR et événements rares
Lorsque l’événement est rare, l’approximation est souvent très pratique.
Exemple :
risque :
1 % → 0,5 %.
RR :
0,50.
OR :
environ 0,497.
La différence est négligeable.
Pourquoi les études cas-témoins sont souvent adaptées aux maladies rares
Si une maladie est rare, une cohorte devrait parfois suivre un nombre immense de personnes pour obtenir suffisamment de cas.
Une étude cas-témoins part directement des cas existants.
Elle est donc beaucoup plus efficace.
Exemple
Maladie :
1 cas pour 100 000 personnes.
Pour obtenir 500 cas dans une cohorte, il faudrait potentiellement suivre des dizaines de millions de personnes.
Une étude cas-témoins peut recruter directement :
- 500 cas ;
- témoins appropriés.
OR et incidence density sampling
Dans certaines études cas-témoins nichées dans une cohorte, les témoins sont sélectionnés parmi les personnes encore à risque au moment où chaque cas survient.
Avec ce risk-set sampling, l’OR peut estimer un rapport de taux d’incidence sans nécessiter que la maladie soit rare.
C’est une nuance méthodologique importante.
L’approximation « OR ≈ RR seulement si maladie rare » n’est donc pas universelle
Elle est correcte pour certaines interprétations classiques.
Mais selon le plan d’échantillonnage d’une étude cas-témoins, l’OR peut cibler une autre mesure causale ou d’incidence.
Il faut connaître le design exact.
Études cas-témoins appariées
On peut apparier cas et témoins sur :
- âge ;
- sexe ;
- lieu.
L’analyse doit alors tenir compte de l’appariement.
Une régression logistique conditionnelle est souvent utilisée.
Ignorer l’appariement peut être problématique
Le plan de l’étude et l’analyse statistique doivent être cohérents.
Un OR n’est jamais interprétable indépendamment de la manière dont les données ont été recueillies.
OR et rareté de l’exposition
La rareté pertinente pour l’approximation OR-RR concerne surtout la fréquence de l’événement, pas celle de l’exposition.
Confondre les deux est une erreur fréquente.
Non-collapsibilité de l’odds ratio
L’OR possède une propriété particulière : il est non collapsible.
Cela signifie qu’un OR ajusté peut différer de l’OR brut même en l’absence de véritable confusion, simplement en raison des propriétés mathématiques de la mesure.
Pourquoi c’est important
Supposons :
OR brut :
1,5.
OR ajusté :
1,8.
On pourrait penser :
« l’ajustement a révélé une forte confusion ».
Pas nécessairement.
Une partie de la différence peut venir de la non-collapsibilité de l’OR.
Ce phénomène est moins intuitif que pour la différence de risque
Sur certaines autres échelles, en l’absence de confusion et d’interaction pertinentes, les mesures marginales et conditionnelles peuvent s’aligner davantage.
L’OR demande donc une prudence supplémentaire lorsque l’on compare modèles ajustés et non ajustés.
OR conditionnel versus marginal
Une régression logistique ajustée estime généralement un effet conditionnel :
à valeurs fixées des autres variables du modèle.
Une estimation populationnelle marginale peut être différente.
Les deux ne répondent pas exactement à la même question.
Ce n’est pas seulement une subtilité théorique
Deux études peuvent présenter des OR ajustés différents parce qu’elles ajustent sur différents ensembles de variables, même sans biais évident.
La comparaison directe peut être délicate.
Pourquoi cela compte en méta-analyse
Mélanger :
- OR bruts ;
- OR ajustés différemment
peut parfois compliquer l’interprétation.
Il faut comprendre ce que chaque étude a réellement estimé.
OR et causalité
Même un OR ajusté parfaitement estimé n’est causal que sous certaines hypothèses.
Il faut notamment avoir correctement géré :
- confusion ;
- sélection ;
- temporalité.
La régression logistique est un outil statistique.
Elle ne crée pas automatiquement une identification causale.
« Toutes choses égales par ailleurs »
Les résultats de régression sont souvent présentés :
« à âge, sexe et tabagisme constants ».
C’est une description mathématique du modèle.
Mais elle ne garantit pas qu’on ait contrôlé tous les déterminants pertinents.
Confusion non mesurée
Une variable importante absente du modèle peut laisser subsister une association non causale.
Ajouter beaucoup de variables n’est pas une solution automatique.
Surajustement
Comme vu précédemment, ajuster sur :
- médiateur ;
- collider
peut biaiser l’effet recherché.
Le choix des variables devrait venir d’un raisonnement causal, pas seulement d’un algorithme statistique.
OR et interaction
Dans une régression logistique, un terme d’interaction peut tester si l’OR varie entre sous-groupes.
Mais cette interaction est définie sur l’échelle multiplicative des odds.
Il peut exister une interaction importante sur l’échelle absolue sans interaction sur l’échelle des odds, ou inversement.
Exemple
Deux sous-groupes peuvent avoir le même OR mais des différences absolues de risque très différentes parce que leurs risques initiaux sont différents.
Pour la décision clinique, cette distinction est importante.
OR et prédiction
En prédiction, la régression logistique peut être excellente même si les coefficients n’ont pas d’interprétation causale.
Objectifs différents :
prédire qui aura l’événement
versus
estimer ce qui arriverait si l’on modifiait une exposition.
Un bon modèle prédictif n’est pas automatiquement un bon modèle causal.
Exemple
L’âge peut être un excellent prédicteur de maladie.
Cela ne signifie évidemment pas qu’une intervention qui « réduirait l’âge » constitue une stratégie thérapeutique réelle.
La prédiction et la causalité doivent rester séparées.
OR et tests diagnostiques
Les odds jouent aussi un rôle important en raisonnement bayésien.
Nous avons vu :
odds post-test = odds pré-test × rapport de vraisemblance.
Il ne faut cependant pas confondre :
- odds ratio d’une étude épidémiologique ;
- likelihood ratio d’un test diagnostique.
Ce sont des concepts différents.
Une ressemblance mathématique, des usages différents
Les deux manipulent des rapports d’odds, mais répondent à des questions distinctes.
Le contexte doit toujours être identifié.
OR et randomisation
Un essai randomisé peut aussi rapporter un OR.
C’est statistiquement valide.
Mais lorsque le risque peut être calculé directement, le RR et la différence absolue sont souvent plus faciles à communiquer.
Exemple
Essai :
contrôle :
40 % d’événements.
Traitement :
30 %.
RR :
0,75.
OR :
(0,30/0,70) / (0,40/0,60)
≈ 0,64.
Dire :
« OR = 0,64 »
est moins intuitif que :
« 40 % → 30 % ».
Pourquoi certains articles utilisent néanmoins l’OR
Parce que :
- l’analyse principale est une régression logistique ;
- ajustement nécessaire ;
- conventions disciplinaires.
Ce n’est pas une erreur.
Mais la communication devrait idéalement inclure des risques absolus.
OR dans les études transversales
Les études transversales utilisent souvent la régression logistique et rapportent des OR de prévalence.
Lorsque l’issue est fréquente, ces OR peuvent être très éloignés des ratios de prévalence.
Il faut donc éviter de les présenter comme des « risques ».
Prévalence ≠ incidence
Une étude transversale mesure la présence d’une condition à un instant donné.
Parler de :
« risque de développer la maladie »
à partir d’un simple OR transversal peut être incorrect.
La temporalité n’est parfois même pas établie.
Le vocabulaire doit suivre le design
Dans une étude transversale, une formulation prudente serait :
« les odds de prévalence sont plus élevées ».
Ou plus simplement :
« la condition est davantage observée dans ce groupe ».
Sans inventer une causalité temporelle.
Exemple médiatique trompeur
Étude transversale :
OR = 2,0 entre usage d’un écran et dépression.
Titre :
« les écrans doublent le risque de dépression ».
Plusieurs glissements ont eu lieu :
- OR → RR ;
- prévalence → incidence ;
- association → causalité.
Le titre peut être beaucoup plus fort que les données.
C’est un excellent exercice d’esprit critique
Lorsqu’on lit un OR, il faut demander :
Quelle étude ?
Quel est le groupe de référence ?
L’événement est-il rare ?
Peut-on calculer un risque absolu ?
L’OR est-il brut ou ajusté ?
L’association est-elle causale ?
Comparer OR et RR visuellement
Prenons une exposition produisant toujours :
RR = 2.
Risque initial faible
1 % → 2 %.
OR ≈ 2,02.
Presque identiques.
Risque initial moyen
20 % → 40 %.
OR :
(0,40/0,60)/(0,20/0,80)
≈ 2,67.
Risque initial élevé
40 % → 80 %.
OR :
(0,80/0,20)/(0,40/0,60)
= 6.
Le divergence devient spectaculaire.
Le problème de l’expression « X fois plus susceptible »
Dire :
« deux fois plus susceptible »
peut masquer si l’auteur parle :
- du risque ;
- des odds.
Cette formulation est donc dangereusement ambiguë.
Mieux vaut écrire explicitement
« l’odds ratio était de 2 »
ou, si les données le permettent :
« le risque était de 10 % contre 18 % ».
Les probabilités absolues sont généralement plus faciles à comprendre.
OR et événement protecteur
Attention aussi à ce que l’on code comme événement.
Supposons :
guérison = événement.
Un OR > 1 devient favorable.
Si :
échec = événement,
un OR > 1 devient défavorable.
La direction ne possède pas un sens moral fixe.
Il faut savoir ce qui a été codé comme « 1 ».
Exemple
Traitement :
OR de guérison = 2.
C’est favorable.
Mais OR de décès = 2 serait défavorable.
Toujours lire la définition de l’outcome.
OR et inversion de référence
Si :
OR de maladie chez exposés versus non-exposés = 2,
alors l’OR inverse est :
1 / 2 = 0,5.
Les deux décrivent la même comparaison avec référence inversée.
Cela explique certaines différences apparentes entre articles.
Exemple
Article A :
exposés versus non-exposés :
OR = 2.
Article B :
non-exposés versus exposés :
OR = 0,5.
Il n’y a aucune contradiction.
Le sens du modèle doit être vérifié avant toute comparaison
Comparer des OR sans identifier :
- événement ;
- exposition ;
- référence
peut produire des conclusions absurdes.
Un exemple complet
Étude de cohorte fictive :
Non-exposés
100 événements sur 1 000 :
10 %.
Odds :
100 / 900 = 0,111.
Exposés
200 événements sur 1 000 :
20 %.
Odds :
200 / 800 = 0,25.
RR :
20 / 10 = 2.
OR :
0,25 / 0,111 ≈ 2,25.
Augmentation absolue :
10 points.
Quatre mesures décrivent donc la même comparaison :
10 % → 20 %
RR = 2
OR = 2,25
différence absolue = +10 points.
Si l’événement était plus fréquent
Non-exposés
40 %.
Exposés
80 %.
RR :
2.
Mais OR :
6.
Présenter « OR = 6 » comme :
« risque multiplié par six »
serait gravement trompeur.
Une règle pratique
Lorsque l’OR est utilisé et que l’événement n’est pas rare, cherchez si l’article fournit :
- probabilités prédites ;
- risques absolus ;
- proportions observées.
Elles seront souvent beaucoup plus faciles à interpréter.
Une autre règle pratique
Dans une étude cas-témoins classique, n’essayez pas de calculer le risque de maladie directement à partir du pourcentage de cas dans l’échantillon.
Cette proportion a souvent été déterminée par le recrutement.
Exemple
Étude :
50 % de cas, 50 % de témoins.
Cela ne signifie jamais automatiquement :
prévalence = 50 %.
Le dénominateur populationnel manque.
Pourquoi l’OR reste extrêmement utile
Malgré ses difficultés d’interprétation, l’OR possède des qualités importantes :
- naturel dans les études cas-témoins ;
- compatible avec la régression logistique ;
- mathématiquement pratique.
Le problème n’est donc pas l’OR lui-même.
Le problème est de l’interpréter comme une probabilité ou comme un risque relatif lorsqu’il ne l’est pas.
Une leçon d’esprit critique
Face à :
« OR = 2,5 »,
ne traduisez pas automatiquement :
« risque multiplié par 2,5 ».
Demandez :
Quel était le risque initial ?
L’événement est-il rare ?
S’agit-il d’une étude cas-témoins ?
L’OR est-il ajusté ?
Sur quelles variables ?
Face à un résultat ajusté
Demandez :
Pourquoi ces variables ont-elles été choisies ?
S’agit-il de confondeurs ou potentiellement de médiateurs/colliders ?
Le modèle statistique doit correspondre au modèle causal.
Face à une étude cas-témoins
Demandez surtout :
Comment les témoins ont-ils été sélectionnés ?
Un OR sophistiqué ne peut pas réparer un groupe témoin mal choisi.
Tableau récapitulatif
| Mesure | Formule simplifiée | Ce qu’elle compare |
|---|---|---|
| Risque | événements / personnes | Probabilité d’événement |
| Odds | événements / non-événements | Rapport événement / absence d’événement |
| RR | risque exposé / risque non-exposé | Rapport de probabilités |
| OR | odds exposées / odds non-exposées | Rapport d’odds |
Ces quantités ne doivent pas être confondues.
À retenir
L’odds ratio compare les odds d’un événement entre deux groupes :
OR = odds exposées / odds non-exposées.
Les odds sont elles-mêmes définies par :
odds = p / (1 − p).
Un OR de :
2
signifie que les odds sont multipliées par deux.
Il ne signifie pas nécessairement que le risque est doublé.
Lorsque l’événement est rare, OR et RR deviennent souvent proches.
Lorsque l’événement est fréquent, l’OR peut être beaucoup plus éloigné de 1 que le RR et donner une impression d’effet plus spectaculaire.
L’OR est particulièrement important dans :
- les études cas-témoins ;
- la régression logistique.
Dans les études cas-témoins classiques, il permet d’étudier l’association même lorsque la proportion de cas a été artificiellement fixée par le protocole.
Mais l’interprétation d’un OR demande toujours de connaître :
- le design ;
- le groupe de référence ;
- la fréquence de l’événement ;
- les variables d’ajustement.
Enfin, un OR ajusté n’est pas automatiquement causal, et sa comparaison à un OR brut est compliquée par la non-collapsibilité de cette mesure.
Le principe fondamental est donc :
un odds ratio est un rapport d’odds, pas un rapport de risques.
Lorsqu’un OR est présenté comme un changement de « risque », la première question doit être :
« l’événement est-il suffisamment rare pour que cette approximation soit raisonnable ? »
Et lorsque les risques absolus peuvent être estimés, ils devraient idéalement être présentés à côté de l’OR afin que l’importance réelle de l’effet reste compréhensible.
Pour aller plus loin
David Sackett et collaborateurs — Clinical Epidemiology. Une référence classique pour comprendre les études cas-témoins et les principales mesures d’association.
Kenneth Rothman, Sander Greenland et Timothy Lash — Modern Epidemiology. Une référence approfondie sur l’odds ratio, l’échantillonnage cas-témoins, la confusion et les modèles épidémiologiques.
Hosmer, Lemeshow et Sturdivant — Applied Logistic Regression. Une référence classique pour comprendre la régression logistique et l’interprétation de ses coefficients.
Cochrane Handbook for Systematic Reviews of Interventions. Une référence utile pour comprendre les différences entre odds ratio, risque relatif et effets absolus dans les essais et méta-analyses.