¿Réquiem por los odds ratios? – Economista sanitario

Investigación en servicios de salud ha decidido que los estudios que utilizan regresiones logísticas deben informar los efectos marginales en lugar de los odds ratios. ¿Por qué tomaron esta decisión? Un artículo de Norton y otros (2024) Identifica 3 factores clave.

• InteligibilidadConsideremos el caso de examinar el impacto de si un hospital está en una zona desfavorecida en las tasas de readmisión. Digamos que el coeficiente es -0,2. Esto corresponde a una razón de probabilidades de 0,82, o aproximadamente una reducción del 18% en la readmisión. Sin embargo, la magnitud de este cambio no está clara. Por otro lado, los autores recomiendan a los investigadores “…informar los efectos marginales en términos de un cambio de punto porcentual en la probabilidad de readmisión, junto con la tasa de readmisión base para el contexto”.
• Impacto de las covariables. Al realizar una regresión lineal (por ejemplo, mínimos cuadrados ordinarios), agregar nuevas covariables no debería cambiar el coeficiente de interés siempre que las covariables adicionales no sean mediadoras o factores de confusión. Este no es el caso de las regresiones logísticas. “La razón por la que cambian las razones de probabilidades es porque los coeficientes estimados en una regresión logística se escalan por un factor arbitrario igual a la raíz cuadrada de la varianza de la parte no explicada del resultado binario, o pagEs decir, las regresiones logísticas estiman b/sno b…Además, y más problemático aún, pag es desconocido para el investigador”. Debido a que los coeficientes están escalados por σ, también lo están los odds ratios (Exp (b/σ)); agregar más variables aumenta la capacidad de los modelos logísticos para explicar la variación y, por lo tanto, σ disminuye y el odds ratio aumenta.
• Capacidad de comparar entre estudiosDebido a que las covariables incluidas en una regresión afectan los odds ratios estimados, es difícil comparar los odds ratios entre estudios.
• Sensibilidad a los valores atípicosOtros artículos han señalado que los odds ratios pueden ser muy sensibles a eventos muy raros o muy comunes. Premier Insights ofrece el siguiente ejemplo:“Por ejemplo, unas tasas de rechazo del 2,5% frente al 0,5% arrojan una razón de posibilidades de 5,103 a pesar de que solo 2 solicitantes de cada 100 se vieron afectados. Unas tasas de rechazo del 99,5% frente al 97,5% arrojan exactamente la misma razón de posibilidades. Sin embargo, unas tasas de rechazo del 60% frente al 30% (una disparidad del 30%) solo arrojan una razón de posibilidades de 3,5. De esto se desprende claramente que la razón de posibilidades no solo puede ser engañosa, sino que tiene poco o ningún significado económico”.

Estoy de acuerdo con los autores en que la adopción de los efectos marginales es más clara y presenta menos problemas técnicos. Sin embargo, veo dos problemas con la propuesta. El primero es un precedente. En muchas revistas médicas, los odds ratios se utilizan con más frecuencia y conseguir que estos investigadores cambien puede resultar difícil. En segundo lugar, los odds ratios pueden ser más fáciles de extrapolar a otros entornos. Por ejemplo, es posible que a menudo se encuentren odds ratios en un ensayo clínico que mide los impactos en las readmisiones. Como los ensayos clínicos son un entorno algo artificial, usted cree que la reducción proporcional (pero no absoluta) del ensayo es correcta y desea extrapolar ese impacto a los datos del mundo real. En este caso, tener un odds ratio puede facilitar esa extrapolación, aunque cualquier ejercicio de extrapolación debe realizarse con cautela.

Sin embargo, creo que sería positivo aumentar el uso y la información sobre los efectos marginales.