Pocos conceptos estadísticos generan tanta confusión en la investigación clínica como la diferencia entre el odds ratio (OR) y el riesgo relativo (RR). Ambas son medidas de asociación que cuantifican la relación entre una exposición (un factor de riesgo, un tratamiento, una característica) y un resultado de salud (una enfermedad, una complicación, una recuperación). Sin embargo, miden esa relación de formas fundamentalmente diferentes, se calculan en contextos distintos y su interpretación requiere precauciones que, cuando se ignoran, pueden llevar a conclusiones clínicas erróneas. Para investigadores en medicina, enfermería y fisioterapia, comprender estas diferencias no es un detalle técnico sino una competencia esencial para leer y producir literatura científica de calidad.
La confusión entre OR y RR no es un problema exclusivo de estudiantes: estudios que han analizado la literatura publicada en revistas médicas de primer nivel han encontrado que una proporción considerable de artículos interpreta incorrectamente los odds ratios como si fueran riesgos relativos. Este error puede ser particularmente grave cuando la prevalencia del resultado es alta, porque en esos casos el OR sobreestima considerablemente la magnitud de la asociación respecto al RR. Aclarar estos conceptos, con ejemplos clínicos concretos, es el objetivo de este artículo. Si necesitas calcular el OR y el RR (con diferencia de riesgo, NNT e intervalos de confianza) desde tu tabla 2×2, puedes hacerlo en nuestra calculadora de odds ratio y riesgo relativo.
Riesgo, odds y sus diferencias
Para entender las medidas de asociación, primero hay que distinguir entre riesgo y odds a nivel individual. El riesgo (o probabilidad) de un evento es el número de personas que experimentan el evento dividido entre el total de personas en riesgo. Si en un grupo de 100 pacientes quirúrgicos 20 desarrollan una infección postoperatoria, el riesgo de infección es 20/100 = 0.20 (o 20%). Los odds, en cambio, son el número de personas que experimentan el evento dividido entre el número de personas que no lo experimentan: 20/80 = 0.25. Cuando el evento es raro (prevalencia baja), riesgo y odds son numéricamente similares. Cuando el evento es frecuente, divergen significativamente.
El riesgo relativo compara el riesgo del evento entre dos grupos dividiendo uno entre otro. Si el riesgo de infección en pacientes que reciben profilaxis antibiótica es del 5% y en los que no la reciben es del 20%, el RR = 0.05/0.20 = 0.25. Esto significa que los pacientes con profilaxis tienen un riesgo de infección que es el 25% del riesgo sin profilaxis, o dicho de otra forma, la profilaxis reduce el riesgo en un 75%. Esta interpretación es directa e intuitiva, lo cual explica la preferencia generalizada por el RR cuando el diseño del estudio lo permite.
El odds ratio compara los odds del evento entre dos grupos. Siguiendo el mismo ejemplo, los odds de infección con profilaxis son 5/95 = 0.053, y sin profilaxis 20/80 = 0.25. El OR = 0.053/0.25 = 0.21. El OR (0.21) es menor que el RR (0.25), lo cual ilustra que cuando el resultado es relativamente frecuente (20% en el grupo control), el OR exagera la magnitud de la asociación respecto al RR. Si la infección fuera muy rara (por ejemplo, 1% vs 0.25%), el OR y el RR serían prácticamente idénticos.
Cuándo usar cada medida
La elección entre OR y RR no depende de la preferencia del investigador sino del diseño del estudio. En los estudios de cohortes (prospectivos o retrospectivos) y en los ensayos clínicos aleatorizados, donde se puede calcular directamente la incidencia del evento en cada grupo, el RR es la medida de elección porque es más intuitiva y no sobreestima la asociación. En los estudios de casos y controles, donde los participantes se seleccionan en función del resultado (casos con la enfermedad y controles sin ella) y no se puede calcular la incidencia real, el OR es la única medida de asociación válida. Esta limitación de los estudios de casos y controles se debe a que la proporción de casos y controles la decide el investigador, por lo que no refleja la prevalencia real de la enfermedad en la población.
En la regresión logística, la medida de asociación que se obtiene es siempre un OR, independientemente del diseño del estudio. Esto genera una situación paradójica: muchos estudios de cohortes o ensayos clínicos utilizan regresión logística como técnica analítica y reportan ORs, cuando en realidad podrían (y deberían) reportar RRs utilizando alternativas como la regresión de Poisson con varianza robusta o los modelos log-binomiales. Esta práctica es especialmente problemática cuando el resultado es frecuente, porque el OR reportado puede dar una impresión exagerada de la eficacia de un tratamiento o de la magnitud de un factor de riesgo.
En metaanálisis, la elección entre OR y RR tiene implicaciones adicionales. El OR tiene propiedades matemáticas que facilitan su combinación entre estudios (simetría, invarianza frente al grupo de referencia), lo cual explica que muchos metaanálisis lo utilicen. Sin embargo, la interpretación del OR combinado puede ser confusa para los clínicos, por lo que algunos autores recomiendan calcular el metaanálisis con OR y después convertir el resultado a RR utilizando la prevalencia basal media del grupo control para facilitar la comunicación de los hallazgos.
Errores de interpretación frecuentes
El error más común y más grave es interpretar un OR como si fuera un RR. Decir "los pacientes expuestos tienen el doble de riesgo" cuando el OR es 2.0 solo es aproximadamente correcto si la prevalencia del resultado es inferior al 10%. Con prevalencias más altas, un OR de 2.0 corresponde a un RR sensiblemente menor. Por ejemplo, si la prevalencia basal del evento es del 30%, un OR de 2.0 corresponde aproximadamente a un RR de 1.5. La regla práctica es clara: cuanto más frecuente sea el resultado estudiado, mayor será la discrepancia entre OR y RR, y más problemática será la interpretación del OR en términos de riesgo.
Otro error habitual es reportar la reducción relativa del riesgo sin mencionar la reducción absoluta. Un RR de 0.50 (reducción relativa del 50%) suena impresionante, pero su significado clínico es muy diferente si la incidencia basal del evento es del 40% (reducción absoluta del 20%, NNT = 5) o del 0.4% (reducción absoluta del 0.2%, NNT = 500). La reducción relativa es idéntica en ambos casos, pero la relevancia clínica es radicalmente distinta. Reportar siempre la reducción absoluta del riesgo y el número necesario a tratar (NNT) junto con las medidas relativas es una práctica de transparencia que las guías CONSORT y STROBE recomiendan explícitamente. Si trabajas con pruebas diagnósticas, consulta también nuestra guía sobre sensibilidad, especificidad y curvas ROC y la calculadora de sensibilidad y especificidad para obtener los valores con sus intervalos de confianza.
También conviene tener precaución con la interpretación de ORs ajustados procedentes de modelos de regresión logística multivariante. Estos ORs representan la asociación entre la variable de interés y el resultado "manteniendo constantes" las demás variables del modelo. Sin embargo, el ajuste solo controla por las variables incluidas en el modelo, no por todas las posibles fuentes de confusión. Además, en modelos logísticos, los ORs de diferentes modelos (con diferentes variables de ajuste) no son directamente comparables debido al fenómeno de la no colapsabilidad del OR, un problema técnico que no afecta al RR y que convierte la comparación entre modelos anidados en una tarea más delicada de lo que parece.
Aplicaciones prácticas en ciencias de la salud
En investigación clínica y epidemiológica, la correcta utilización e interpretación de estas medidas tiene consecuencias directas para la toma de decisiones. Un fisioterapeuta que lee un metaanálisis sobre la eficacia de una técnica de terapia manual necesita saber si los resultados se expresan en OR o en RR para interpretar correctamente la magnitud del efecto. Una enfermera que revisa una guía de práctica clínica debe poder evaluar si las recomendaciones se basan en reducciones relativas o absolutas del riesgo. Un médico que comunica a un paciente los beneficios y riesgos de un tratamiento tiene la responsabilidad de presentar las cifras de forma comprensible y no engañosa.
La formación en la interpretación correcta de estas medidas debería formar parte del currículo básico de todas las profesiones sanitarias, no solo de los epidemiólogos y bioestadísticos. En un momento en que la toma de decisiones clínicas se apoya cada vez más en la evidencia cuantitativa, la capacidad de leer críticamente los resultados de los estudios y de comunicarlos de forma precisa a los pacientes es una competencia que trasciende las fronteras disciplinares y que contribuye directamente a la calidad y la seguridad de la atención sanitaria.