Odds Oranı Kullanmak ya da P Değeri Neden Yeterli Değil?

Serinin dördüncü yazısından herkese merhabalar. Odds oranı (OR), özellikle gözlemsel çalışmalar ve risk değerlendirmelerinde etkili bir alternatif sunarak, değişkenler arasındaki ilişkinin yönünü ve büyüklüğünü daha anlamlı bir biçimde ortaya koyar. Bu nedenle, araştırmalarda yalnızca p değerine dayalı yorumların ötesine geçilmesi ve odds oranı gibi etki büyüklüğü ölçütlerinin ön plana çıkarılması, giderek daha fazla önem kazanmaktadır.

Tahmin üzerine oyun oynayanların sıklıkla kullandığı oran teriminin asıl ismi odds ’tur. Odds bize, bir durumun olma olasılığı ile olmama olasılığı arasındaki ilişkiyi gösterir. Odds ratio, Türkçeye genellikle “olasılık oranı” olarak çevrilmekle birlikte, bazı kaynaklarda “oran oranı”, “göreceli olasılıklar oranı” veya “göreli olasılık oranı” gibi ifadeler de kullanılmaktadır. Ancak teknik doğruluğu korumak adına “olasılık oranı (OR)” teriminin tercih edilmesi önerilmektedir.

Olasılık Oranının (OR) Yorumlanması:

Olasılık oranı (OR), bir klinik bulgu veya maruziyet ile bir sonucun meydana gelmesi arasındaki ilişkinin yönünü ve gücünü ortaya koyar. OR değeri, bu ilişkinin doğasına dair şu şekilde yorumlanır:

• OR = 1: Maruziyet ve sonuç arasında herhangi bir ilişki yoktur. Her iki grupta (maruz kalan ve kalmayan) olayın meydana gelme olasılığı aynıdır. Bu durumda maruziyetin, sonucu etkilemediği kabul edilir.
• OR > 1: Maruz kalma ile istenmeyen sonucun görülmesi arasında pozitif bir ilişki vardır. Bu, maruz kalan grubun sonucu yaşama olasılığının, maruz kalmayanlara göre daha yüksek olduğunu gösterir. Örneğin, bir risk faktörünün varlığı olumsuz sonucu artırıyorsa, bu durum olumsuz etki olarak yorumlanır. Bu bağlamda, kontrol (maruz kalmayan grup), müdahaleye (maruz kalan grup) göre daha avantajlıdır.
• OR < 1: Maruziyet ile istenmeyen sonuç arasında negatif bir ilişki vardır. Bu, maruz kalmanın sonucu yaşama olasılığını azalttığını ve dolayısıyla koruyucu bir etkisi olduğunu gösterir. Bu durumda müdahale (maruz kalan grup), kontrol grubuna göre daha faydalıdır.

Bir Odds oranı, maruz kalma ve sonuç arasındaki ilişkiyi nasıl ölçer?

OR, maruz kalanlardaki hastalık veya olayın oranını, maruz kalmayanlardaki hastalık veya olayın oranıyla karşılaştıran bir ilişki ölçümüdür. Maruz kalma ile sonuç arasındaki ilişkiyi belirlemeye yarar.^​1​

Örnek: Acil servise göğüs ağrısıyla başvuran hastalarda, sigara içmenin miyokard enfarktüsü ile ilişkisi nedir?

Yorum: Sigara içen hastaların, içmeyenlere kıyasla acil serviste miyokard enfarktüsü geçirme oddsu 6 kat daha fazladır. Bu, sigaranın kalp kriziyle güçlü şekilde ilişkili olduğunu gösterir.

OR, bir neden (örneğin bir risk faktörü ya da klinik durum) ile bir sonuç (örneğin bir hastalık ya da komplikasyon) arasındaki ilişkinin gücünü sayısal olarak ifade eder. Genel kural: OR ne kadar büyükse, etki o kadar güçlüdür.

Örnek: Sepsis tanısıyla acil servise başvuran hastalarda, hastane içi mortaliteyle ilişkili iki farklı risk faktörü incelendiğinde, elde edilen OR değerleri, riskin büyüklüğünü net bir şekilde ortaya koymaktadır.

Yorum: Hipotansiyonu olan hastalarda hastane içi mortalite gelişme olasılığı, normotansif hastalara kıyasla 6 kat daha fazladır (OR = 6,0). Öte yandan, lökositoz varlığında bu oran 3 kat artmaktadır (OR = 3,0). Bu örnek, aynı klinik sonuca (mortalite) yol açabilecek farklı risk faktörlerinin etkisinin OR ile nicel olarak karşılaştırılabileceğini ve OR değeri arttıkça ilgili risk faktörünün sonuç üzerindeki etkisinin daha güçlü olduğunu göstermektedir. Bu tür analizler, acil serviste klinik karar süreçlerini yönlendirmek açısından oldukça değerlidir.

Olasılık oranı (OR), belirli bir klinik belirti ya da fizik muayene bulgusu varlığında bir tanının konma olasılığının, aynı bulgu olmayan hastalarda aynı tanının konma olasılığına oranını ölçen istatistiksel bir göstergedir.

Örnek: acil servise karın ağrısıyla başvuran hastalarda, rebound hassasiyeti olanlarda apandisit tanısı konma olasılığı, rebound hassasiyeti olmayanlara göre anlamlı şekilde daha yüksek olabilir.

Yorum: Rebound hassasiyeti olan hastalar, olmayanlara kıyasla 16 kat daha fazla apandisit tanısı almaktadır. Bu da bu klinik bulgunun güçlü bir belirteç olduğunu gösterir.

Olasılık oranı (OR), bir tıbbi durumun varlığında bir kişinin belirli bir sonuçla karşılaşma olasılığının, bu duruma sahip olmayanlara göre ne kadar farklı olduğunu belirlemek için kullanılır.

Örnek: Acil serviste değerlendirilen inme şüphesi olan hastalarda, aniden gelişen konuşma bozukluğu olan bireylerde gerçek inme tanısı alma olasılığı, konuşma bozukluğu olmayanlara kıyasla anlamlı ölçüde artabilir.

Yorum: Acil serviste konuşma bozukluğu olan hastalar, konuşma bozukluğu olmayanlara kıyasla 9 kat daha fazla inme tanısı almaktadır. Bu, konuşma bozukluğunun inme açısından güçlü bir belirteç olduğunu gösterir ve triyajda bu semptomun dikkate alınmasının ne kadar kritik olduğunu vurgular.

Olasılık oranı (OR), yalnızca bir klinik bulgu ile sonuç arasındaki ilişkinin yönünü değil, aynı zamanda bu ilişkinin gücünü, yani etki büyüklüğünü de nicel olarak ifade eder. OR değeri büyüdükçe, ilgili bulgunun veya faktörün sonuç üzerindeki etkisi de o ölçüde artar.

Örnek: Acil servise abdominal travma nedeniyle başvuran hastalarda taşikardi bulgusunun, intraabdominal hemoraji tanısıyla ilişkili olup olmadığı inceliyor olalım.

Yorum: Bu verilere göre taşikardi varlığı, intraabdominal kanama gelişme olasılığını 12 kat artırmaktadır. Bu yüksek OR değeri, taşikardinin, özellikle travma hastalarında intraabdominal kanamanın güçlü bir klinik belirteci olduğunu göstermektedir. Bu yüksek OR değeri, taşikardinin iç kanama için güçlü bir belirleyici olduğunu ve bu bulgunun etki büyüklüğünün oldukça yüksek olduğunu gösterir.

Lojistik regresyon, sonucu ikili (binary) olan durumların analizinde kullanılan istatistiksel bir modeldir. Bu model, bir olayın gerçekleşip gerçekleşmeyeceğini tahmin etmek amacıyla geliştirilmiştir. Örneğin, bir hastada hastalık bulunup bulunmadığı (var/yok) ya da bir hastanın yaşamını kaybedip kaybetmediği (ölüm/yaşam) gibi durumlar lojistik regresyonun uygulama alanına girer. Bu modelde bağımlı değişken her zaman ikili yapıda olup genellikle “0” ve “1” şeklinde kodlanır. Bağımsız değişkenler ise sürekli, kategorik ya da her ikisinin kombinasyonu olabilir. Lojistik regresyonun temel amacı, belirli bağımsız değişkenlerin varlığında bir sonucun (örneğin hastalık ya da ölüm) gerçekleşme olasılığını hesaplamak ve bu ilişkinin büyüklüğünü değerlendirmektir. Özellikle tıp ve epidemiyoloji alanlarında yaygın olarak kullanılan bu model, aynı zamanda odds oranı (OR) ile yorumlanabilir çıktılar üretmesi nedeniyle klinik karar destek süreçlerinde büyük avantaj sağlar.^​2​

Örnek: Acil servise nefes darlığı (dispne) şikayetiyle başvuran hastalarda, oksijen satürasyonu <%90 olanların pulmoner emboli (PE) tanısı alma olasılığı, satürasyonu normal olanlara göre daha yüksek olabilir mi?

Yorum: Oksijen satürasyonu <%90 olan hastalar, ≥%90 olanlara göre 5,6 kat daha fazla pulmoner emboli tanısı almaktadır. Bu bulgu, düşük oksijen satürasyonunun PE için önemli bir uyarıcı işaret olduğunu gösterir.

Yorum: Bu model, düşük oksijen satürasyonunun PE tanısı açısından anlamlı bir risk faktörü olduğunu gösterir.
Acil serviste bu bilgi, erken tanı, hızlı görüntüleme (BT anjiyografi) ve riskli hastaların önceliklendirilmesi açısından önemlidir. Lojistik regresyon analizinde elde edilen β katsayıları, bağımsız değişkenlerin logit (log-olay olasılığı) üzerindeki etkisini ifade eder. Bu katsayılar, e tabanına göre üslü (e^β) alınarak odds oranlarına (OR) dönüştürülür ve böylece daha kolay yorumlanabilir hale gelir. Örneğin, oksijen satürasyonu <%90 olan hastalar için β katsayısı 1.72 olarak bulunmuştur. Bu değerin üstel karşılığı olan e^1.72 ≈ 5.6, bu hastaların satürasyonu normal olanlara göre pulmoner emboli tanısı alma olasılığının 5.6 kat daha fazla olduğunu gösterir. Bu durum, düşük satürasyonun PE için güçlü bir prediktör olduğunu ortaya koyar. Ayrıca bu ilişki istatistiksel olarak anlamlıdır (p<0.001).

Genelleştirilmiş Çok Değişkenli Odds Oranı

Lojistik regresyon modelinde, geleneksel olarak her bir bağımsız değişkenin etkisi, diğer değişkenlerin sabit tutulduğu varsayımıyla değerlendirilir. Tüm açıklayıcı değişkenlerin birlikte ele alındığı durumlarda, geleneksel odds oranları yetersiz kalmaktadır. Çünkü klasik OR, yalnızca tek bir değişkenin etkisini yansıtırken, gerçek hayatta açıklayıcı değişkenler genellikle birlikte ve etkileşim içinde bulunurlar. Bu sınırlamayı aşmak amacıyla genelleştirilmiş çok değişkenli odds oranı kavramı tanıtılmıştır. Bu yaklaşım, tüm bağımsız değişkenlerin birlikte ele alındığı bir odds oranı tanımı sunar. Bu sayede, değişkenler arası etkileşimler ve birlikte etkiler daha kapsamlı bir şekilde değerlendirilebilir.

Genelleştirilmiş çok değişkenli odds oranı, klinik karar verme süreçlerinde daha bütüncül bir risk değerlendirmesi sağlar. Özellikle acil servis gibi hızlı kararların alındığı ortamlarda, birden fazla risk faktörünün birlikte değerlendirilmesi, tanı doğruluğunu artırabilir.^​3​

Örnek: Acil serviste sepsis tanısının erken konulabilmesi, mortaliteyi azaltmak açısından büyük önem taşır. Bu bağlamda, birden fazla klinik parametrenin birlikte değerlendirilmesi, tanısal doğruluğu artırabilir. Ateş, taşikardi ve lökositoz gibi bulgular sepsisin tipik özellikleri arasında yer alır.

Yorum: Lojistik regresyon analizi ile yapılan değerlendirmede, bu üç parametrenin sırasıyla β katsayıları 1.0, 1.3 ve 1.5 olarak bulunmuştur. Bu değerlere göre hesaplanan genelleştirilmiş çok değişkenli olasılık oranı (OR), e^(1.0 + 1.3 + 1.5) ≈ 44.7 olarak elde edilmiştir. Bu sonuç, ateş, taşikardi ve lökositoz bulgularının birlikte görüldüğü hastalarda sepsis tanısı alma olasılığının, bu bulguların hiçbirine sahip olmayanlara kıyasla yaklaşık 45 kat daha fazla olduğunu göstermektedir. Bu örnek, genelleştirilmiş çok değişkenli odds oranı yaklaşımının acil serviste kritik hastaların risk sınıflamasında nasıl etkili bir araç olabileceğini açıkça ortaya koymaktadır.

Oranlı Orantısızlık: Olasılık Oranının Tuhaflığı (The Odd Thing About Odds Ratios)

Olasılık oranı (odds ratio, OR), klinik araştırmalarda iki grup arasında bir olayın gerçekleşme olasılıklarının karşılaştırılması için sıklıkla tercih edilen çarpımsal bir ilişki ölçütüdür. Ancak OR’un yorumlanması ve sunumu konusunda literatürde çeşitli yanlış anlaşılmalar ve uygulama hataları bulunmaktadır. Lupu ve arkadaşlarının (2025) “The Odd Thing About Odds Ratios” başlıklı çalışmasında vurguladığı üzere, OR değerleri doğru hesaplanmış olsa dahi, bu oranların lineer (doğrusal) ölçeklerde grafiklenmesi durumunda etki büyüklükleri olduğundan daha küçük veya daha büyük algılanabilir. ^​4​

Örnek: OR = 4 ve OR = 0.25 değerleri gerçekte eşit büyüklükte (dört kat) zıt yönlü etkileri temsil etmesine rağmen, bu değerler doğrusal grafikte sunulduğunda OR = 0.25, OR = 4’e göre 1’e çok daha yakın görünmekte ve bu da koruyucu etkinin gücünü görsel olarak küçümsemektedir. Bu asimetri özellikle 95% güven aralıklarında da belirginleşmekte ve yanlış çıkarımlara neden olabilmektedir. Bu nedenle yazarlar, OR gibi çarpımsal ölçütlerin logaritmik skalada sunulması gerektiğini vurgulamaktadır. Logaritmik ölçekte, hem etkiler arasındaki büyüklükler eşit mesafelerde temsil edilir hem de güven aralıkları simetrik olarak dağıtılır; böylece grafiksel sunum etkilerin gerçek büyüklüğünü daha doğru yansıtır. Lupu ve arkadaşlarının analizine göre, yüksek etki faktörlü tıp dergilerinde bile OR ve risk oranlarının hatalı grafiklendirilmesi oldukça yaygındır; bu durum, özellikle kanıta dayalı karar verme süreçlerinde güvenilirliği olumsuz etkileyebilecek önemli bir metodolojik sorundur. Acil tıp gibi zamanın kritik olduğu klinik ortamlarda, OR gibi ölçütlerin hem doğru hesaplanması hem de etkili ve doğru biçimde sunulması, tanısal doğruluğu ve klinik karar süreçlerini doğrudan etkilemektedir. Bu bağlamda, yalnızca istatistiksel anlamlılık değil, etkinin büyüklüğü ve sunum şekli de klinik anlamlılık açısından büyük önem taşımaktadır.

Odds oranı (OR), özellikle gözlemsel araştırmalar ve acil klinik karar süreçlerinde, değişkenler arasındaki ilişkinin hem yönünü hem de büyüklüğünü ortaya koyan güçlü bir istatistiksel ölçüttür. P değerinin sınırlı yorum gücü dikkate alındığında, yalnızca anlamlılık değil, aynı zamanda etkinin büyüklüğünü de değerlendiren yaklaşımların ön plana çıkarılması gerekmektedir. OR değeri bu noktada yalnızca ilişkiyi değil, aynı zamanda klinik olarak anlamlı etki düzeylerini de ortaya koyar. Ayrıca, tek bir değişkenin etkisinin ötesine geçilerek genelleştirilmiş çok değişkenli odds oranı hesaplamalarıyla, birden fazla risk faktörünün birlikte değerlendirilmesi mümkün hale gelmiştir. Bu yaklaşım, özellikle acil tıp gibi hızlı ve doğru kararların hayati olduğu alanlarda, tanı, triyaj ve tedavi süreçlerinin iyileştirilmesinde önemli katkılar sunar. Ancak bu ölçütlerin sunumunda yapılan görsel hatalar, yorumlamayı yanıltabilir. OR gibi çarpımsal oranların doğrusal ölçekte grafiklenmesi, etkiyi olduğundan küçük ya da büyük göstererek karar süreçlerini olumsuz etkileyebilir. Bu nedenle, OR’un logaritmik ölçekte sunulması, hem bilimsel doğruluk hem de klinik güvenilirlik açısından gereklidir.

Sonuç olarak, modern tıbbi araştırmalarda ve karar destek sistemlerinde OR’un yalnızca hesaplanması değil, anlamlı, doğru ve bağlamsal olarak etkili bir biçimde yorumlanması ve sunulması, kanıta dayalı uygulamalar açısından vazgeçilmezdir.