统计百科 · 2026-06-24

OR 值（优势比）在医学论文里的解读与报告 — 定义/vs RR/调整OR/森林图/报告模板

统计百科：医学论文 OR 值完整指南——OR 的定义与计算、与相对危险度 RR 的本质区别、Logistic 回归输出中的调整 OR（aOR）解读、95% CI 含义、森林图阅读方法，给出 APA 7th 和医学期刊标准的 OR 报告句式模板。

医学文献里最常见的效应量之一就是 OR 值，但"OR = 2.5 意味着风险增加 2.5 倍"这个说法本质上是错的。本文专门解决 OR 的核心问题：它到底衡量什么、和 RR 有什么不同、调整 OR 怎么解读、95% CI 如何判断显著性，以及如何在论文里规范报告。

为什么 OR 值是医学论文里最容易被误读的指标

在临床研究、流行病学、药物疗效文献中，你会反复看到这样的句子：

"吸烟者患肺癌的 OR 为 3.84（95% CI: 2.61, 5.65），p < .001。" "调整年龄和性别后，新药治疗组 30 天再入院 aOR = 0.62（95% CI: 0.45, 0.86）。" "系统综述中 12 项研究的汇总 OR = 1.78，I^2 = 43%。"

三句话里有三个不同语境的 OR，但很多研究者习惯性地将 OR 直接解读为"风险倍数"——而这在大多数情况下是错误的。

**OR 不是风险之比，OR 是优势之比。**理解这一点，是正确解读医学文献的基础。

一、OR 的定义：优势之比，不是概率之比

什么是"优势（Odds）"

概率（Probability，P） 是事件发生的可能性：P = 发生次数 / 总次数。

优势（Odds） 是发生次数与不发生次数之比：Odds = P / (1 - P)。

举例：200 名吸烟者中，40 人患肺癌：

患癌概率 P = 40/200 = 0.20（20%）
患癌优势 Odds = 40/160 = 0.25（即每 4 个不患癌的人对应 1 个患癌的人）

200 名非吸烟者中，10 人患肺癌：

患癌概率 P = 10/200 = 0.05（5%）
患癌优势 Odds = 10/190 ≈ 0.0526

OR = 两组优势之比

OR = 吸烟者患癌优势 / 非吸烟者患癌优势
   = 0.25 / 0.0526
   = 4.75

这意味着：吸烟者患肺癌的优势是非吸烟者的 4.75 倍。

不能说"吸烟者患癌风险是非吸烟者的 4.75 倍"——那是相对危险度（RR），不是 OR。

二、OR 的三种核心含义

OR = 1：无关联

两组的优势相同，暴露因素与结局之间没有统计学关联。

OR > 1：危险因素（正向关联）

暴露组发生结局的优势高于对照组。OR = 3.0 表示暴露组发生结局的优势是对照组的 3 倍。

OR < 1：保护因素（负向关联）

暴露组发生结局的优势低于对照组。OR = 0.5 表示暴露组发生结局的优势是对照组的 50%（降低了 50%）。

一张判断表

OR 值范围	解读	示例
= 1.0	无关联	接触因素与疾病无关
1.0–1.5	弱正向关联	轻度危险因素
1.5–3.0	中等正向关联	中等危险因素
> 3.0	强正向关联	强危险因素
0.67–1.0	弱保护作用	轻度保护因素
0.33–0.67	中等保护作用	中等保护因素
< 0.33	强保护作用	强保护因素

注：上述效应量判断均为参考性框架，需结合临床背景判断实际意义。

三、OR vs RR：核心区别与适用场景

这是医学文献中最常见的混淆点。

RR（相对危险度，Relative Risk）

RR = 暴露组发生率 / 非暴露组发生率

用上面的例子：

RR = (40/200) / (10/200) = 0.20 / 0.05 = 4.0

RR = 4.0：吸烟者患癌概率是非吸烟者的 4.0 倍（这才是通俗意义上的"风险倍数"）。

OR vs RR 的数值关系

当事件发生率较低（< 10%）时，OR ≈ RR。

当事件发生率较高（> 10%），OR > RR（正向关联时）或 OR < RR（负向关联时）——OR 会高估相对风险的大小。

上例中：患癌率分别为 20% 和 5%，属于高发生率场景：

OR = 4.75，RR = 4.0，OR > RR（OR 高估了 19%）

如果两组发生率均 < 5%（罕见病），OR ≈ RR，此时用 OR 来近似 RR 是合理的。

各类研究设计中 OR 和 RR 的适用性

研究设计	适用指标	原因
病例对照研究	OR（只能用 OR）	无法计算发生率，无法估计 RR
横断面研究	OR 或 PR（患病率比）	理论上 RR 更直观，但 OR 来自 Logistic 回归更常用
队列研究	RR 首选；OR 可用	可直接计算发生率，RR 更直观
RCT	RR 或 RD 首选	ITT 分析可计算发生率，直接报告 RR 或 NNT
元分析	视原始研究而定	病例对照研究汇总用 OR；队列研究可汇总 RR
Logistic 回归	OR	模型参数的自然输出，无法直接给出 RR（可用边际效应法估计）

关键记忆点：病例对照研究无法计算 RR，因为研究者控制了病例和对照的数量（不反映自然发生率），所以只能用 OR 作为关联的效应量。

四、Logistic 回归输出中的 OR

OR 是回归系数的指数变换

在二元 Logistic 回归中，模型参数是 Logit 尺度的回归系数 B：

Logit(P) = ln[P/(1-P)] = B0 + B1*X1 + B2*X2 + ...

对系数 B 做指数变换即得 OR：

OR = exp(B)

这个 OR 的含义是：控制模型中其他所有变量不变，该变量 X 增加 1 个单位，结局发生优势变为原来的 OR 倍。

粗 OR（crude OR）vs 调整 OR（aOR）

粗 OR（crude OR） 来自单因素 Logistic 回归，仅反映该变量与结局的粗关联，包含其他因素的混杂影响。

调整 OR（aOR，adjusted OR） 来自多因素 Logistic 回归，在控制其他协变量后，该变量与结局的独立关联。医学论文中的结果节通常以 aOR 为主，粗 OR 作为参考对比。

典型三线表示例

表 1  高血压患病 Logistic 回归分析

变量              粗 OR（95% CI）           p        aOR（95% CI）             p
吸烟（有 vs 无）   2.34（1.58, 3.46）       <.001    2.18（1.42, 3.34）        <.001
高盐饮食（有 vs 无）1.78（1.24, 2.55）      .002     1.64（1.12, 2.40）        .011
BMI（每 kg/m^2）  1.12（1.07, 1.17）       <.001    1.08（1.03, 1.14）        .002
年龄（每岁）       1.06（1.03, 1.09）       <.001    1.05（1.02, 1.08）        .001
运动（每次/周）    0.82（0.73, 0.92）       .001     0.85（0.75, 0.96）        .010

注：aOR = 调整 OR，控制表中所有变量；参照类：吸烟 = 无，高盐饮食 = 无。
   Nagelkerke R^2 = .28；Hosmer-Lemeshow chi^2(8) = 7.14，p = .521。

解读吸烟的 aOR = 2.18：在控制高盐饮食、BMI、年龄、运动频率后，吸烟者患高血压的优势是不吸烟者的 2.18 倍，95% CI [1.42, 3.34] 不含 1，p < .001，为独立危险因素。

五、95% CI 的解读：判断显著性的核心

CI 含义

95% 置信区间（95% CI）表示：若重复抽样 100 次，约有 95 次计算出的 CI 会包含总体真实 OR 值。

用 95% CI 判断显著性

CI 情况	统计学意义	含义
95% CI 不含 1（全部 > 1，如 [1.42, 3.34]）	显著，p < .05	正向关联显著
95% CI 不含 1（全部 < 1，如 [0.45, 0.86]）	显著，p < .05	负向关联（保护效应）显著
95% CI 包含 1（如 [0.82, 2.14]）	不显著，p >= .05	关联无统计学意义
CI 很宽（如 [0.80, 8.76]）	不稳定	样本量不足，精度低
CI 很窄（如 [1.40, 1.62]）	精确估计	样本量充足

判断图示

      保护效应               无关联                危险效应
      OR < 1                 OR = 1                OR > 1
<————|————————|———————————|———————|———————————|————————|————>
     0.2      0.5           1.0           2.0      5.0

若 95% CI 横条：
  ——[——————]——                       CI 包含 1：不显著
            ——[————]——               CI 全部 < 1：保护效应显著
                        ——[—————]——  CI 全部 > 1：危险因素显著（森林图中的表示方式）

六、森林图的阅读方法

元分析和多因素分析常用森林图（Forest Plot）可视化多个 OR 及其 95% CI。

森林图的结构

研究/变量        OR（95% CI）                           图形
                                  0.25  0.5   1   2     4   8

吸烟              2.18（1.42, 3.34）           |——[——●——]——————|
高盐饮食          1.64（1.12, 2.40）           |——[——●——]——|
BMI（每单位）     1.08（1.03, 1.14）           |——[●]——|
年龄（每岁）      1.05（1.02, 1.08）           |——[●]|
运动（保护）      0.85（0.75, 0.96）   |——[——●——]|

                                           ←危险      保护→ （方向取决于参照）
                                      参考线（OR = 1）竖线

读森林图的 3 个要点

菱形/点的位置：点估计（OR 最可能值），在参考线（OR = 1）哪侧决定方向
横条的宽窄：CI 宽度，越宽精度越低（通常样本量小）
横条是否跨越参考线：跨越 = 不显著；不跨越 = 显著

七、报告模板：APA 7th 与医学期刊格式

单个 OR 的报告格式

要素	APA 7th 格式	示例
OR + CI	OR = X.XX, 95% CI [X.XX, X.XX]	OR = 2.18, 95% CI [1.42, 3.34]
调整 OR	aOR = X.XX, 95% CI [X.XX, X.XX]	aOR = 2.18, 95% CI [1.42, 3.34]
p 值	p = .XXX 或 p < .001	p < .001
保护效应描述	"优势降低 X%（1 - OR）"	"优势降低 15%（aOR = 0.85）"
效应方向	文字说明"是危险/保护因素"	"是独立危险因素"

注意：p 值小数点前不加 0（写 p = .032，不写 p = 0.032）；CI 用方括号 [ ] 不用圆括号。

结果节报告模板（单变量）

[变量名]（[参照类别] vs [暴露类别]）是[疾病/结局]的独立[危险/保护]因素
（aOR = X.XX, 95% CI [X.XX, X.XX], p [值]），即调整[协变量列表]后，
[暴露组]发生[结局]的优势是[对照组]的 X.XX 倍 / [结局]发生优势
降低 XX%（若 OR < 1）。

具体示例（危险因素）：

多因素 Logistic 回归分析显示，吸烟是高血压患病的独立危险因素（aOR = 2.18, 95% CI [1.42, 3.34], p < .001）。在控制高盐饮食、BMI、年龄和运动频率后，吸烟者患高血压的优势是不吸烟者的 2.18 倍。

具体示例（保护因素）：

运动频率是高血压患病的保护因素（aOR = 0.85, 95% CI [0.75, 0.96], p = .010）。在控制其他变量后，每周运动频率每增加 1 次，患高血压的优势降低约 15%（1 - 0.85 = 0.15）。

多个 OR 的整体结果节报告模板

多因素 Logistic 回归模型整体有统计学意义（chi^2([df]) = XX.XX, p < .001，Nagelkerke R^2 = .XX）；Hosmer-Lemeshow 拟合优度检验提示模型校准良好（chi^2(8) = X.XX, p = .XXX）。

在控制所有协变量的条件下，独立危险因素包括：吸烟（aOR = 2.18, 95% CI [1.42, 3.34], p < .001）、高盐饮食（aOR = 1.64, 95% CI [1.12, 2.40], p = .011）、BMI（aOR = 1.08/每 kg/m^2, 95% CI [1.03, 1.14], p = .002）；独立保护因素为运动频率（aOR = 0.85/每次·周^(-1), 95% CI [0.75, 0.96], p = .010）。年龄（aOR = 1.05, 95% CI [1.02, 1.08], p = .001）亦为独立危险因素。

八、在 chatsrs.com 一句话获得 OR 完整报告

打开 chatsrs.com，上传数据后输入：

"以 hypertension 为因变量，纳入 smoking、salt_intake、bmi、age、exercise_freq 为自变量，做多因素二元 Logistic 回归。输出：

粗 OR（95% CI）和调整 OR（aOR，95% CI）并排三线表

模型拟合指标（Nagelkerke R^2、Hosmer-Lemeshow 检验、AUC）

各变量的 Wald 检验统计量和 p 值

森林图（aOR + 95% CI 横条图）

APA 7th 格式中文结果段落（包含危险/保护因素的完整描述）"

ChatSRS 自动输出三线表、森林图、可直接复制进论文的中文段落，底层调用 R 的 glm() + broom 包或 Python statsmodels，结果与手工计算完全一致。

九、特殊情形下的 OR 注意事项

OR 的稀释效应与罕见事件校正

当阳性事件极少（EPV < 10，即每个变量对应的事件数 < 10），普通 Logistic 回归的系数估计不稳定，OR 的 95% CI 会异常宽。此时推荐Firth 惩罚似然 Logistic 回归，它通过修正评分方程来校正小样本偏倚，特别适合罕见事件（如患病率 < 1%）或完全分离问题。ChatSRS 检测到 EPV < 10 时会自动给出警告并建议切换方法。

匹配资料的 OR：条件 Logistic 回归

病例对照研究中若采用 1:1 或 1:n 匹配设计（如按年龄、性别匹配），必须使用条件 Logistic 回归，而非普通 Logistic 回归。普通 Logistic 回归忽略配对关系，会导致 OR 偏倚。条件 Logistic 回归的输出格式相同（OR + 95% CI），但 ChatSRS 会自动识别配对 ID 变量并选用正确方法。

时间依赖变量中 HR 与 OR 的选择

如果研究有随访时间且关心"何时发生事件"，不要用 OR，应该用 Cox 回归输出HR（风险比/危险比）。OR 是截面指标，HR 是时间依赖指标，两者不可互换。在纵向随访数据中混用 OR 和 HR 是审稿人常见批评。

常见 FAQ

Q1：OR = 2.18 能不能说"风险增加了 2.18 倍"？

A：严格来说，不能。OR = 2.18 的准确表述是"优势增加为 2.18 倍"，不是"风险增加 2.18 倍"。风险（概率）与优势（odds）是不同的概念，只有在结局事件发生率极低（< 5-10%）时，OR ≈ RR，才可以近似说"风险约增加 2.18 倍"。当发生率较高时，这样表述会高估相对风险。正确表述是："控制其他变量后，吸烟者患高血压的优势（odds）是不吸烟者的 2.18 倍。" 投稿 JCR Q1 期刊时，审稿人会留意这个措辞。

Q2：aOR 和 OR 差很大怎么解释？

A：粗 OR 和调整 OR 差异大，说明存在明显的混杂效应。常见情形：(1) 正混杂：粗 OR > aOR，该变量的效应被其他危险因素"放大"了（如吸烟与癌症，若不控制年龄，老年人更多吸烟，年龄就是混杂变量）；(2) 负混杂：粗 OR < aOR，"真实效应"被掩盖了；(3) 效应反转：粗 OR > 1，aOR < 1，说明该因素在控制混杂后变为保护因素——这是最戏剧性的情形，叫 Simpson's Paradox。无论哪种，两者都应报告，并讨论混杂来源。

Q3：OR 的 95% CI 越宽越不好吗？

A：CI 宽反映估计精度低，通常是因为样本量不足或事件数少（EPV 小）。CI 宽本身不是"坏事"，但意味着点估计的不确定性高。例如 aOR = 3.2, 95% CI [0.8, 12.6]：虽然点估计大，但 CI 包含 1，不显著，且宽度提示样本量严重不足，不能对这个效应量下结论。遇到极宽 CI，应在论文局限性中说明"样本量有限，置信区间较宽，结果需更大样本验证"。

Q4：元分析中汇总 OR 该怎么解读？

A：元分析的汇总 OR（Pooled OR）是多个独立研究 OR 的加权平均（通常用随机效应模型，权重考虑研究内方差和研究间方差 tau^2）。解读同单个 OR：汇总 OR 的 95% CI 不含 1 则显著。需同时报告异质性指标：I^2 < 25% 为低异质性，25-75% 为中等，> 75% 为高异质性。I^2 高时，汇总 OR 的意义减弱，需探讨来源（亚组分析、Meta 回归）。森林图中，每项研究的菱形大小代表权重，底部总钻石（whole diamond）为汇总 OR。

Q5：怎么区分 OR、HR、RR？报论文时选哪个？

A：三者都是比值型效应量，解读框架相似（> 1 危险，< 1 保护，CI 不含 1 显著），但计算方法和适用场景完全不同：OR = 优势之比，来自 Logistic 回归或病例对照研究，不涉及时间；RR = 发生率之比，来自队列研究或 RCT 直接计算，不涉及时间；HR = 瞬时风险之比，来自 Cox 比例风险回归，专门用于时间到事件数据。选择原则：有随访时间 + 事件数据 → 用 Cox 回归报告 HR；无随访时间的二分类结局 → 用 Logistic 回归报告 OR；若是 RCT 且事件率较高 → 优先报告 RR（风险差 RD 也很重要，便于计算 NNT）。