Regression
在臨床解釋的最佳截止值處對連續變量進行二分法
在醫學背景下，當呈現具有連續預測變量的二元結果時，OR（優勢比）可能難以解釋。
例子：
一位醫生進行了一項研究，他想看看高血壓（持續性）是否會增加心髒病發作的風險（二元心髒病發作否/是）。
他通過回顧性地查看患者記錄並註意他們是否有心髒病發作以及他們的血壓是多少來做到這一點。
他對連續血壓變量進行邏輯回歸，得到的 OR 為 1.01。
現在的問題是。這個 OR 似乎不是很激烈，對於一些臨床醫生來說可能難以理解。因此，醫生會進行 ROC 分析，以了解在什麼值下血壓的敏感性和特異性最高以預測心髒病發作。他注意到這是 150 mmHg（忽略上下文，假設這是他的目的的最佳值）。
他再次倒退，心髒病發作，新的二分法血壓高於或低於 150 mmHg，OR 為 5。
這對於臨床醫生來說更容易理解。如果您的血壓高於 150 mmHg，您心髒病發作的機率會增加 5 倍（這當然不是說您的機率會增加 5 倍）。
我的問題是，這是處理這些數據的正確方法嗎？了解統計數據，即使是最輕微的調整也幾乎總是存在陷阱，所以我想听聽您的意見。
我應該說我理解對連續數據進行二分法的問題，例如，它假裝差異從無風險變為巨大風險，從 1 mmHg 到下一個，但如果他要以易於理解的方式將他的發現的一些信息傳遞給他的同行，這可能嗎？
正如其他用戶所指出的，對連續協變量進行二分法是不明智的。
我採用的一種策略是將預測變量重新調整為更合理的值。1 mmHg 可能不是一個非常有意義的量表來解釋 BP 的變化。但是，如果您重新調整預測變量，使 1 個單位的差異代表 10 mmHg 的差異，那麼事情變得更容易消化，優勢比將更加明顯，並具有以下解釋
血壓每升高 10 mmHg，心肌梗死的機率會增加 1 倍 $ \exp(\beta) $ .