3步搞懂归因危险度AR？

引言Introduction

归因危险度 AR 是危险因素研究里最常被问到、也最容易混淆的指标之一。很多医学生和临床研究者能看懂RR、OR，却常常分不清AR到底在回答什么问题。如果你想判断“某个暴露到底贡献了多少疾病负担”，AR就是关键。

1. 先明白：归因危险度 AR 到底在回答什么问题

1.1 AR不是“风险高不高”，而是“多出来多少”

归因危险度 AR，核心是看暴露组相对于未暴露组，多出了多少发病风险 。它关注的是“绝对增加量”，不是“倍数变化”。

如果一个暴露会让疾病发生率从 2% 上升到 5%，那么多出来的 3% 就是 AR 的直观含义。
这意味着 AR 更接近临床和公共卫生决策。 因为它回答的是“去掉这个暴露，能减少多少病例”。

从研究设计上看，AR 常见于队列研究。因为它需要知道暴露组和未暴露组的真实发生率。
在病例对照研究中，通常不能直接计算 AR。

1.2 和RR、OR的区别，要一眼分清

RR 讲的是相对危险，回答“暴露后风险变成几倍”。
OR 讲的是比值，常用于 logistic 回归。
AR 讲的是差值，回答“额外增加了多少”。

可以记成一句话。
RR看倍数，AR看差值，OR看比值。

例如，某药物组肺癌发生率为 8/1000 人年，对照组为 5/1000 人年。
那么 AR 就是 3/1000 人年。
这比“RR=1.6”更能直接告诉临床医生，暴露带来的额外病例负担是多少。

1.3 为什么AR对临床更有用

临床决策不只看显著性，还看实际影响。
AR可以帮助判断某个因素是否值得优先干预。

比如在高血压、糖尿病、吸烟等危险因素研究中，若一个因素的 RR 很高，但基础发生率很低，AR 可能并不大。
相反，某些 RR 中等的常见暴露，AR 却可能更高。
这就是AR在风险筛选和公共卫生规划中更重要的原因。

2. 3步计算归因危险度 AR

2.1 第一步，先找出两组发病风险

AR 的计算前提很简单。
你需要先得到暴露组发病风险和非暴露组发病风险。

最常见的写法是：

• 暴露组发病风险 = a / (a+b)
• 非暴露组发病风险 = c / (c+d)

这里 a、b、c、d 来自四格表。
如果研究是队列设计，也可以直接用累计发病率或发病密度近似表达。

AR的本质就是两组风险之差。

2.2 第二步，套用公式

归因危险度 AR 的常用公式是：

AR = 暴露组发病风险 - 非暴露组发病风险

如果用百分比表示，就是两个发生率直接相减。
如果用人年发生率表示，就是两个发病密度直接相减。

举个例子。
暴露组肺癌发生率为 12/1000 人年。
未暴露组为 7/1000 人年。
那么 AR = 5/1000 人年。

这表示：在相同随访时间内，每1000人年会多出5例肺癌 ，这部分可归因于该暴露。

2.3 第三步，判断AR的含义

AR 为正，说明暴露增加了疾病风险。
AR 为 0，说明两组差异不明显。
AR 为负，说明暴露可能有保护作用。

但要注意。
AR 的解释必须建立在混杂因素已尽量控制的前提下。
如果年龄、性别、吸烟、基础疾病没有校正，AR 可能被高估或低估。

在真实研究中，常配合 Cox 回归、分层分析或多变量模型来校正混杂。
尤其是慢病、药物和结局之间的关系研究，更不能只看原始发生率。

3. 归因危险度 AR 在危险因素研究中的应用场景

3.1 适合做风险筛选和负担评估

AR 特别适合用来评估某个危险因素“贡献了多少病例”。
在观察性临床研究中，这一点很重要。

比如某项研究比较 ACEI 或 ARB 与肺癌发生风险。
如果研究发现暴露组发生率更高，而且随时间延长风险差异扩大，那么除了看 HR、RR，也可以进一步理解其绝对风险差。
这能帮助研究者判断：这个暴露到底是统计学关联，还是有实际意义的风险增加。

同样，在抗凝药与胃肠道出血的研究中，AR 可以提示哪种药物在真实人群中带来更多额外出血事件。
对医生来说，这比单纯“有无统计学差异”更接近临床。

3.2 适合解释干预价值

AR 还能用于估算干预后可减少多少病例。
这时它常与“可归因危险度百分比”一起讨论，但两者不是一回事。

• AR：绝对差值
• 可归因危险度百分比：相对可归因比例

如果去除某暴露后，疾病发生能明显下降，说明这个因素值得优先干预。
反过来，如果 RR 看起来不低，但 AR 很小，临床上未必值得投入过多资源。

这也是为什么公共卫生和临床流行病学都重视AR。

3.3 读文献时要特别注意的3点

第一，看结局是不是明确的事件。
AR 需要明确发病结局，比如肺癌、胃肠道出血、死亡。

第二，看暴露是否定义清楚。
例如“首次服药时间”“累积服药年限”“药物间隔”这些定义，会直接影响风险差值。

第三，看是否做了充分校正。
危险因素研究通常有很多混杂因素，比如年龄、性别、BMI、吸烟、基础病。
如果没有控制这些变量，AR 的解释就不稳。

3.4 常见误区：把AR和RR混为一谈

很多初学者会把“风险增加3%”理解成RR。
其实不一定。
如果基线风险很低，3%的绝对增加，和相对增加不是一个概念。

例如：

• 对照组风险 1%
• 暴露组风险 4%

这时 AR = 3%，RR = 4.0。
两者表达的是完全不同的信息。

AR告诉你“多了多少”，RR告诉你“翻了几倍”。
写论文、读文献、做汇报时，必须分开讲。

4. 写论文和读文献时，如何规范使用AR

4.1 结果部分怎么写更清楚

如果你在论文中报告 AR，建议同时给出两组原始发生率。
这样读者能直接理解差值来源。

推荐写法是：

• 暴露组发生率为 X
• 对照组发生率为 Y
• AR = X - Y

如果数据来自回归模型，也应说明是否为调整后结果。
因为未经校正的AR只能说明相关性，不能直接下因果结论。

4.2 讨论部分怎么解释更专业

讨论时不要只说“AR升高”。
更好的表达是：

• 该暴露带来了额外疾病负担
• 风险差值在临床上具有实际意义
• 若能去除该暴露，理论上可减少一定数量病例

这种写法更符合 E-E-A-T。
它既不夸大，也不空泛。

4.3 适合与哪些指标联用

AR 通常和以下指标一起出现：

• RR，强调相对风险
• HR，强调随时间变化的风险
• OR，强调比值关系
• NNH，强调造成1个不良结局需要暴露多少人

在危险因素研究中，AR负责“量化贡献”，其他指标负责“描述关联强度”。

总结Conclusion

归因危险度 AR 的核心很简单。它不是看风险有多高，而是看暴露带来了多少额外风险 。掌握这3步，你就能读懂大多数队列研究中的风险差异：先找两组发病率，再套公式求差值，最后结合混杂控制解释结果。
在医学生、医生和科研人员的日常学习中，AR 特别适合用于危险因素筛选、疾病负担评估和干预价值判断。真正高质量的研究，不只告诉你“有关联”，还要告诉你“多出了多少”。

如果你希望把 AR、RR、HR、OR 这些指标一次讲透，提升读文献和写论文的效率，可以借助解螺旋品牌的系统化学习资源，快速搭建临床研究指标框架。