风险计算器

概率与随机性

通过计算相对风险、绝对风险降低和治疗所需人数，分析暴露与结局之间的关系。

实际案例

了解风险计算器在不同场景下的应用。

新药疗效

临床试验

一项测试新药有效性的研究。200人服用新药（暴露组），200人服用安慰剂（未暴露组）。

A: 50, B: 150

C: 25, D: 175

吸烟与肺癌

公共卫生

一项队列研究跟踪1000名吸烟者和1000名不吸烟者20年，观察谁会患肺癌。

A: 130, B: 870

C: 10, D: 990

邮件广告转化

市场营销活动

一家公司向500名客户发送促销邮件，另有500名对照组未收到邮件，以衡量购买转化率。

A: 75, B: 425

C: 30, D: 470

流感疫苗有效性

疫苗研究

一项研究在流感季节跟踪5000名接种疫苗者和5000名未接种者。

A: 100, B: 4900

C: 500, D: 4500

其他标题
理解风险分析：全面指南
深入了解相对风险、绝对风险及其在各领域统计分析中的重要性。

什么是风险分析？

  • 统计中的风险定义
  • 关键指标：RR、ARR和NNT
  • 2x2列联表
在统计学和流行病学中，‘风险’指的是在特定群体中发生特定结局的概率。风险分析使我们能够量化暴露（如治疗或生活方式因素）与结局（如疾病或康复）之间的关系。该计算器关注于由简单2x2列联表得出的三个核心指标。
关键指标
1. 相对风险 (RR)：比较暴露组与未暴露组发生结局的风险。RR=1表示风险无差异，RR>1表示风险增加，RR<1表示风险降低。
2. 绝对风险降低 (ARR)：对照组与处理组结局发生率的简单差值。显示归因于干预的实际风险降低。
3. 治疗所需人数 (NNT)：表示需要对多少患者进行特定治疗，才能使其中一人获得期望的积极结局。NNT是ARR的倒数。

风险计算器使用分步指南

  • 正确输入数据
  • 解读结果
  • 理解背景
使用本计算器非常简单。您需要四项信息，按2x2表格格式组织，对比暴露组与未暴露（对照）组。
输入字段
  • 暴露且有结局 (A)：暴露于某因素且有结局的人数。
  • 暴露但无结局 (B)：暴露于某因素但无结局的人数。
  • 未暴露但有结局 (C)：未暴露但有结局的人数。
  • 未暴露且无结局 (D)：未暴露且无结局的人数。
解读输出
输入数据后，计算器会给出几个关键数值。例如，相对风险为0.5表示暴露使风险减半。NNT为10表示需对10人进行干预，才能防止1个不良结局。

风险分析的实际应用

  • 医学与临床试验
  • 公共卫生与流行病学
  • 商业与市场营销
风险指标对于许多领域的决策至关重要。
医学
医生和研究人员使用这些指标来判断新药是否有效。如果药物的NNT很低，则被认为非常有效。例如，一种预防心脏病发作的药物NNT为20，则是非常有价值的干预措施。
公共卫生
流行病学家使用相对风险来了解生活方式因素的影响。通过计算吸烟与肺癌的RR，可以量化吸烟的危害，并为公共政策提供依据。
商业
市场团队可以利用风险分析，比较促销活动（暴露）与未促销组（对照）在销售转化上的差异。

常见误区与正确方法

  • 相对风险与绝对风险
  • 相关性与因果性
  • 样本量的重要性
相对风险与绝对风险
常见错误是夸大相对风险的重要性。某药物可能将罕见疾病的相对风险降低50%，听起来很棒。但如果绝对风险本来就很低（如0.002%降至0.001%），实际获益（ARR）极小。务必同时考虑两项指标。
相关性与因果性
请记住，这些计算仅显示相关性，并不一定代表因果关系。高相对风险并不证明暴露导致结局。可能存在其他混杂因素。要建立因果关系，需要设计良好的随机对照试验（RCTs）。

数学推导与公式

  • 各组风险公式
  • 相对风险 (RR) 公式
  • ARR与NNT公式
所有计算基于2x2列联表（A、B、C、D输入）的简单比例。
核心公式
  • 暴露组风险 (R_e) = A / (A + B)
  • 未暴露组风险 (R_u) = C / (C + D)
  • 相对风险 (RR) = Re / Ru
  • 绝对风险降低 (ARR) = |Ru - Re|
  • 治疗所需人数 (NNT) = 1 / ARR（仅当ARR不为零时）

计算示例

  • 已知A=50，B=150，C=100，D=100：
  • 暴露组风险 = 50 / (50 + 150) = 0.25
  • 未暴露组风险 = 100 / (100 + 100) = 0.50
  • 相对风险 = 0.25 / 0.50 = 0.5
  • 绝对风险降低 = |0.50 - 0.25| = 0.25
  • 治疗所需人数 = 1 / 0.25 = 4