Come calcolare l'Odds Ratio (OR)

Calcola l'Odds Ratio OR = (a·d)/(b·c) da una tabella 2×2 di esposti/casi. Intervallo di confidenza al 95% con metodo Woolf, Risk Ratio RR, differenza di rischio, NNT, chi-quadrato Yates. Studi caso-controllo epidemiologia.

Parametri di calcolo
Questo calcolatore ti è stato utile?

Come calcolare l'Odds Ratio (OR): dalla tabella 2×2 di contingenza con casi (malati) ed esposti, OR = (a·d)/(b·c) dove a=esposti malati, b=esposti sani, c=non esposti malati, d=non esposti sani. L'OR misura quante volte è più probabile l'esposizione tra i casi rispetto ai controlli. OR=1 nessuna associazione, OR>1 esposizione fattore di rischio, OR<1 fattore protettivo.

Formula e parametri fondamentali

L'Odds Ratio (rapporto degli odds) è la statistica di scelta negli studi caso-controllo (case-control) e nelle regressioni logistiche. Dalla tabella 2×2: tra i casi (malati), gli odds di esposizione sono a/c. Tra i controlli (sani), gli odds di esposizione sono b/d. OR = (a/c)/(b/d) = (a·d)/(b·c). L'intervallo di confidenza al 95% si calcola con il metodo di Woolf: ln(OR) ± 1,96·√(1/a + 1/b + 1/c + 1/d), poi esponenziale per tornare alla scala lineare. Quando uno dei conteggi è zero si usa la correzione di Haldane-Anscombe (+0,5 a tutti i conteggi).

Storia e contesto epidemiologico

Il termine "odds ratio" fu introdotto da Sir Ronald Fisher e Frank Yates negli anni '30. Cornfield (1951) dimostrò che l'OR di uno studio caso-controllo approssima il Relative Risk quando la malattia è rara (<10%). Mantel e Haenszel (1959) introdussero la formula per stratificazione. Edwards (1963) propose il logit di OR per regressione. Woolf (1955) formulò l'intervallo di confidenza basato sulla deviazione standard di ln(OR). Oggi l'OR è il fondamento della meta-analisi (Cochrane Collaboration), della regressione logistica, e di tutti gli studi epidemiologici registrativi (FDA Guidance, EMA Reflection Papers, STROBE Statement).

Tabella 2×2 e formule correlate

  • Odds Ratio: OR = (a·d)/(b·c)
  • Risk Ratio (RR): RR = [a/(a+c)] / [b/(b+d)] valido solo per studi di coorte e cross-sectional
  • Risk Difference (RD): RD = a/(a+c) − b/(b+d)
  • NNT (Number Needed to Treat): 1/|RD| se trattamento; NNH se danno
  • Sensibilità: a/(a+c) tra i veri positivi
  • Specificità: d/(b+d) tra i veri negativi
  • PPV: a/(a+b) valore predittivo positivo
  • NPV: d/(c+d) valore predittivo negativo
  • Chi-quadrato di Yates: (|ad-bc|-N/2)²·N/[(a+b)(c+d)(a+c)(b+d)]

Interpretazione dell'OR

OR = 1: nessuna associazione tra esposizione e malattia. OR = 2: l'esposizione raddoppia gli odds di malattia. OR = 0,5: l'esposizione dimezza gli odds. Soglie convenzionali: OR 3 rischio forte. L'IC al 95% deve escludere 1 per la significatività statistica: se [0,8-2,5] non significativo, se [1,2-3,5] significativo. La presenza di confondimento richiede analisi stratificata (Mantel-Haenszel) o regressione logistica multivariata.

Esempi numerici dettagliati

Esempio 1 — fumo e tumore polmonare (caso-controllo). 200 casi e 200 controlli; tra i casi 150 fumatori (a=150, c=50); tra i controlli 80 fumatori (b=80, d=120). OR = (150·120)/(80·50) = 18.000/4.000 = 4,5. ln(OR) = 1,504. SE = √(1/150+1/80+1/50+1/120) = 0,235. CI 95% = exp(1,504 ± 1,96·0,235) = [2,84; 7,12]. Statisticamente significativo (esclude 1). Interpretazione: i fumatori hanno odds di tumore polmonare 4,5 volte superiori ai non fumatori in questo studio.

Esempio 2 — vaccino e infezione (coorte). 1000 vaccinati: a=20 infetti, c=980 sani. 1000 non vaccinati: b=100 infetti, d=900 sani. OR = (20·900)/(100·980) = 18.000/98.000 = 0,184. RR = (20/1000)/(100/1000) = 0,20. CI 95% = [0,11; 0,30]. Forte fattore protettivo, statisticamente significativo. Efficacia vaccinale = 1 - RR = 80%. NNT = 1/(0,1 - 0,02) = 12,5 → 13 (vaccinare 13 persone per prevenire 1 infezione).

Esempio 3 — farmaco e effetto avverso (RCT). Trattamento: a=15 eventi su 500 (3%). Placebo: b=10 eventi su 500 (2%). OR = (15·490)/(10·485) = 7.350/4.850 = 1,52. CI = [0,67; 3,42]. Include 1 → non significativo. Trial sotto-potenziato per rilevare incremento piccolo dell'effetto avverso. Servirebbe n maggiore.

Esempio 4 — screening (sensibilità/specificità). Test diagnostico: 95 veri positivi (a), 5 falsi positivi (b), 10 falsi negativi (c), 90 veri negativi (d). Sensibilità = 95/105 = 0,905 (90,5%). Specificità = 90/95 = 0,947. PPV = 95/100 = 0,95. NPV = 90/100 = 0,90. OR = (95·90)/(5·10) = 171. Test molto accurato.

Esempio 5 — dieta e patologia con conteggio zero. a=0, b=5, c=10, d=15. Correzione Haldane: a=0,5, b=5,5, c=10,5, d=15,5. OR = (0,5·15,5)/(5,5·10,5) = 7,75/57,75 = 0,134. Senza correzione il calcolo divergerebbe. CI molto ampio per piccoli numeri.

Limiti e assunzioni

  1. OR ≠ RR: per malattie rare (<10%) OR ≈ RR; per malattie comuni l'OR esagera l'associazione.
  2. Studi caso-controllo NON permettono di calcolare RR direttamente (manca il denominatore di popolazione).
  3. Confondimento: variabili associate sia a esposizione che a outcome falsano l'OR. Usare stratificazione o regressione logistica.
  4. Bias di selezione e di richiamo (recall bias) tipici in studi caso-controllo.
  5. Conteggi zero richiedono correzione (Haldane +0,5) o test esatto di Fisher.
  6. Per tabelle multiple (>2×2) usare regressione logistica multinomiale o ordinale.
  7. Per dati appaiati (matched) usare McNemar test, non OR semplice.
  8. Modificazione d'effetto: OR può variare tra strati; valutare con test di omogeneità Breslow-Day.

Applicazioni pratiche

  1. Studi epidemiologici caso-controllo: tumori, malattie rare, fattori di rischio.
  2. RCT con outcome binario: efficacy, safety endpoint.
  3. Meta-analisi: Cochrane Collaboration, forest plot.
  4. Test diagnostici: sensibilità/specificità, ROC analysis.
  5. Genetica e biostatistica: GWAS, polimorfismi e malattie.
  6. Studi occupazionali: esposizioni lavorative e patologie (INAIL, OSHA).
  7. Marketing: conversion analytics, A/B testing binario.
  8. Politiche pubbliche: efficacia interventi sanitari (ISTAT, ECDC).
  9. Veterinaria: studi epidemiologici animali.
  10. Psicologia: questionari binari, presenze/assenze di sintomi.

Errori comuni

  1. Interpretare l'OR come RR per malattie comuni (sovrastima).
  2. Calcolare OR su studi caso-controllo aspettandosi RR.
  3. Ignorare confondimento e stratificazione necessaria.
  4. Non considerare la correzione di Haldane per zeri.
  5. Riportare OR senza intervallo di confidenza.
  6. Confondere significatività statistica (CI esclude 1) con rilevanza clinica.
  7. Calcolare OR su dati appaiati senza McNemar.
  8. Ignorare la modificazione d'effetto tra strati.

Per supporto

Per domande tecniche o segnalazioni: info@calcoi.com. Strumento didattico per il calcolo dell'Odds Ratio. Per analisi epidemiologiche professionali consultare un epidemiologo o biostatistico secondo le linee guida STROBE, Cochrane Handbook, FDA Guidance.

Aggiornato a luglio 2026

Domande frequenti

Cos'è l'Odds Ratio?

È il rapporto degli odds di esposizione tra i casi e i controlli in una tabella 2×2: OR = (a·d)/(b·c). Esprime quante volte è più probabile l'esposizione nei casi rispetto ai controlli. È la statistica fondamentale degli studi caso-controllo. OR=1 nessuna associazione, OR>1 fattore di rischio, OR<1 fattore protettivo.

Differenza tra Odds Ratio e Risk Ratio?

OR è il rapporto degli odds (a/c)/(b/d), RR è il rapporto delle incidenze [a/(a+c)]/[b/(b+d)]. Per malattie rare (<10%) OR ≈ RR. Per malattie comuni OR esagera l'effetto. RR è interpretabile direttamente come rischio relativo, OR no. Negli studi caso-controllo si calcola solo OR perché manca il denominatore di popolazione.

Come si calcola l'intervallo di confidenza?

Con il metodo di Woolf: si calcola ln(OR), poi SE = √(1/a + 1/b + 1/c + 1/d). CI 95% = exp(ln(OR) ± 1,96·SE). Per CI 99% si usa 2,576. L'intervallo è asimmetrico sulla scala lineare ma simmetrico sulla scala logaritmica. Se l'IC esclude 1 il risultato è statisticamente significativo.

Cosa fare con conteggi zero?

Quando uno o più dei conteggi a, b, c, d è zero, il calcolo standard diverge. Si applica la correzione di Haldane-Anscombe aggiungendo 0,5 a ogni cella. In alternativa si usa il test esatto di Fisher per piccoli campioni. Per campioni molto piccoli considerare anche metodi bayesiani con prior informativi.

Cos'è la correzione per il confondimento?

Variabili confondenti (associate sia all'esposizione che all'outcome) falsano l'OR grezzo. Si usano: stratificazione (Mantel-Haenszel) calcolando un OR pooled controllando per il confondente; regressione logistica multivariata che include i confondenti come covariate; matching nel design dello studio. Il propensity score è un'altra tecnica avanzata.

Significatività statistica vs rilevanza clinica?

OR statisticamente significativo (CI esclude 1) può non essere clinicamente rilevante. Es. OR=1,1 con CI [1,01; 1,2] è significativo ma indica effetto trascurabile. Soglie convenzionali: OR3 forte. Sempre considerare ampiezza del CI, contesto clinico, plausibilità biologica.

OR e meta-analisi: come si combina?

Nella meta-analisi gli OR di studi diversi si combinano sulla scala logaritmica (ln OR) con peso proporzionale a 1/SE². Il modello a effetti fissi assume OR comune; quello a effetti random ammette eterogeneità. Il forest plot mostra OR di ciascuno studio + OR pooled con CI. Cochrane Collaboration codifica le best practice nel Cochrane Handbook.

Formula

OR = (a·d)/(b·c); CI 95% = exp(ln(OR) ± 1.96·√(1/a+1/b+1/c+1/d))

Commenti (0)

Ancora nessun commento. Sii il primo!