Attributable Risk

Jumlah dari orang yang terkena penyakit yang dapat disimpulkan bahwa hal ini “disebabkan”
oleh paparan dari faktor risiko.

Attributable risk = insidensi/mortalitas pada mereka yg terkespos – insidensi/mortalitas pada

mereka yang tidak terekspos

Sebagai contoh, kita ingin meneliti pengaruh merokok terhadap risiko kena kanker paru-paru.
Pertama, kita lihat berapa bayak orang yang tidak merokok dan terkena kanker paru-paru. Ini
kita tetapkan sebagai nilai baselinenya. sebagai contoh, mesikipun dia tidak merokok ada 7
orang terkena kanker paru-paru Apabila misalnya kita menemukan bahwa apabila merokok
satu batang ada 32 orang yang terkena kanker paru-paru. Attributable risknya adalah 32-7
jadi 25 orang sebagai attributable risk dari merokok terhadap kanker paru2.

Risiko Atribut dan Perbedaan Risiko

Attributable risk (AR) atau perbedaan risiko adalah perbedaan antara tingkat kejadian pada
kelompok yang terpapar dan tidak terpajan. Dalam penelitian kohort, AR dihitung sebagai
perbedaan dalam insiden kumulatif (perbedaan risiko) atau kepadatan insiden (selisih kurs).
Ini mencerminkan risiko absolut dari paparan atau risiko berlebih dari hasil (misalnya
penyakit) pada kelompok yang terpajan dibandingkan dengan kelompok yang tidak terpajan.
AR kadang-kadang disebut sebagai risiko yang dapat diatribusikan pada yang terpapar karena
digunakan untuk mengukur risiko dalam kelompok terpapar yang disebabkan oleh paparan.

Populated attributable risk (PAR) berbeda dari AR. PAR memperkirakan proporsi penyakit
dalam populasi penelitian yang disebabkan oleh paparan. Untuk menghitung PAR, kejadian
paparan dalam populasi penelitian harus diketahui atau diperkirakan. PAR biasanya
dinyatakan sebagai persentase. Lihat Risiko (calon) untuk informasi lebih lanjut.

Attributable Risk and Population Attributable Risk (PAR) Ukuran

1. Pengetahuan Inti:

Ini adalah serangkaian statistik yang memperkirakan dampak faktor

penyebab.

Anda harus dapat membedakan antara Attributable Risk, Population

Attributable Risk dan Fraksi Prevented Populasi.

Detail

1. Risiko Attributable menunjukkan jumlah kasus penyakit di antara

individu yang terpapar yang dapat dikaitkan dengan paparan itu:

Insiden (terpapar) - Insiden (tidak terpajan) (Ini menunjukkan

seberapa banyak penyakit ekstra yang disebabkan oleh paparan ini)

1.1 Ini juga dapat dinyatakan sebagai sebagian kecil dari semua
yang terpapar:
 [Insiden (terpapar) - Insiden (tidak terpapar)] ÷ Insiden
(terpapar).

2. Risiko Attributable Populasi (atau Frekuensi Atribut Populasi)

menunjukkan jumlah (atau proporsi) dari kasus yang tidak akan terjadi dalam
suatu populasi jika faktor tersebut dihilangkan (misalnya berapa banyak
nyawa yang akan disimpan jika orang tidak lagi merokok?)
(Tapi hati-hati, karena ada beberapa sinonim dan konsep terkait yang
dapat dengan mudah dibingungkan satu sama lain: "Populasi risiko yang dapat
diatribusikan"; "populasi yang disebabkan oleh proporsi risiko"; "fraksi
etiologi"; "fraksi berlebih")
Risiko yang timbul dalam suatu populasi tergantung pada prevalensi
faktor risiko dan kekuatan hubungannya (risiko relatif) dengan penyakit.
Rumusnya adalah

PAR = Pe (RRe-1) / [1 + Pe (RRe-1)],

di mana Pe adalah prevalensi paparan (misalnya, proporsi yang kelebihan

berat badan) dan RRe adalah risiko relatif penyakit karena paparan itu

Definisi

Populated attributable risk ( PAR ) adalah proporsi kejadian suatu penyakit pada populasi
(terpapar dan tidak terpajan) yang disebabkan oleh paparan. Ini adalah kejadian penyakit
dalam populasi yang akan dihilangkan jika paparan dihilangkan.

PAR dihitung dengan mengurangkan insidensi pada yang tidak terpapar dari insidensi pada
populasi total (terpajan dan tidak terpapar).

PAR biasanya dinyatakan sebagai persentase. PAR % dihitung dengan membagi populasi
attributable risk (PAR) dengan kejadian dalam total populasi dan kemudian mengalikan
produk dengan 100 untuk mendapatkan persentase.

PAR mengukur dampak potensial tindakan pengendalian dalam suatu populasi, dan relevan
dengan keputusan dalam kesehatan masyarakat.

Untuk menghitung PAR, prevalensi paparan dalam populasi penelitian harus diketahui atau
diperkirakan (PAR = AR × prevalensi paparan faktor risiko dalam populasi).

Risiko Attributable
dari Wikipedia, ensiklopedia gratis

Lompat ke navigasi Lompat ke pencarian

Dalam epidemiologi , risiko yang dapat diatribusikan atau risiko berlebih adalah suatu
istilah yang identik dengan perbedaan risiko , yang juga telah digunakan untuk menunjukkan
fraksi yang dapat diatribusikan di antara fraksi yang terekspos dan dapat diatribusikan untuk
populasi . [1]

Lihat juga

 Pengukuran Dampak Penduduk

Referensi

1.

1. Porta M (ed.). Kamus Epidemiologi (edisi 6). Oxford University Press. p. 14. doi : 10.1093 /
acref / 9780199976720.001.0001 . ISBN 978-0-19-939006-9 .

2.

 v
 t
 e

Penelitian klinis dan desain eksperimental

 Uji klinis
o Protokol percobaan
Ikhtisar o Uji klinis adaptif
 Uji klinis klinis
 Desain penelitian klinis

Studi  Percobaan terkontrol acak

o Percobaan ilmiah
terkontrol
o Percobaan Buta
( EBM I ke II-
o Uji coba label terbuka
1; A ke B )

 Studi cross-sectional vs. studi Longitudinal , studi ekologi

 Studi kohort
Studi o Retrospektif
observasional o Calon
( EBM II-2  Studi case-control ( studi kasus-kontrol bersarang )
hingga II-3; B  Seri kasus
to C )  Studi kasus
 Laporan kasus

Insiden , kejadian kumulatif , Prevalensi , Prevalensi Titik , Prevalensi

Kejadian
periode

Ukuran Perbedaan risiko , Jumlah yang diperlukan untuk mengobati , Jumlah yang
Asosiasi dibutuhkan untuk membahayakan , Rasio risiko , Pengurangan risiko
relatif , rasio Ganjil , rasio Bahaya
 Fraksi yang dapat diatribusikan di antara fraksi yang terekspos dan dapat
Dampak
diatribusikan untuk populasi , Fraksi yang dapat dicegah di antara fraksi
populasi
yang tidak terpapar , yang Dapat Diperbaiki untuk populasi

Titik akhir klinis , Virulensi , Infectivity , tingkat kematian , Morbiditas ,

Lain tingkat kematian kasus , spesifisitas dan sensitivitas , kemungkinan -rasio ,
probabilitas pra dan pasca tes

 In vitro
 In vivo
 Percobaan hewan
Jenis uji coba  Uji hewan pada primata non-manusia
/ uji coba  Studi First-in-man
 Uji coba multicenter
 Persidangan penyiangan
 Percobaan vaksin

 Rasio risiko-manfaat
 Tinjauan sistematis
Analisis uji  Replikasi
klinis  Meta-analisis
 Analisis maksud-untuk-mengobati

 Bias pemilihan
 Bias penyimpangan
Interpretasi
 Korelasi tidak berarti sebab-akibat
hasil
 Hasil nihil
RISIKO
Risiko sebagaimana didefinisikan untuk perencanaan kesehatan masyarakat
adalah probabilitas terjadinya penyakit atau hasil kesehatan lain yang
menarik selama periode tertentu, biasanya satu tahun. Risiko dihitung
dengan membagi jumlah yang mendapat penyakit selama periode yang ditentukan
oleh total populasi bunga selama periode tersebut. Sebagai contoh jika ada
1000 kelahiran di yurisdiksi kesehatan dalam satu tahun dan 72 bayi yang
beratnya kurang dari 2500 gram, risiko berat lahir rendah (BBLR) di
masyarakat adalah 72/1000 = 0,072 atau 7,2%.
Namun, kami jarang mengandalkan perhitungan risiko tunggal. Paling sering
kita tertarik untuk membandingkan kejadian atau prevalensi kondisi
kesehatan atau masalah dalam dua kelompok, orang yang mengalami faktor atau
kondisi risiko (disebut sebagai yang terpapar) dan orang yang tidak
(disebut sebagai tidak terpapar). Ini memungkinkan kita untuk menentukan
apakah suatu paparan tertentu memang mewakili suatu risiko, dan jika
demikian seberapa besar risikonya. Ketika melakukan analisis risiko, ahli
epidemiologi umumnya mulai dengan membangun tabel 2x2 seperti yang
digambarkan di bawah ini di mana ‘a’ mewakili mereka yang berada di
populasi terpapar yang mengalami hasil minat dan ‘b’ mereka adalah populasi
terpapar yang tidak mengalami hasil tersebut. Dalam hal ini, risiko paparan
dinyatakan sebagai ‘a / a + b’. Sebaliknya, risiko bagi mereka yang tidak
terpapar pada faktor risiko adalah ‘c / c + d’.

Penyakit atau Hasil Kesehatan Lainnya

Ya Tidak
a b c d
a + c b + d (m 1) (m2)
Risiko dapat bervariasi dari 0 hingga 1 dalam kasus faktor risiko dan dari
–1 hingga 0 dalam kasus faktor protektif.
Untuk sisa dokumen ini, kita akan mengasumsikan bahwa data dalam tabel 2x2
mewakili populasi keseluruhan atau sampel perwakilan acak dari populasi
karena mereka adalah jenis data yang digunakan oleh sebagian besar
departemen kesehatan masyarakat dalam kegiatan surveilans mereka. Sisa dari
diskusi ini akan fokus pada metode untuk membandingkan dua proporsi
independen, mereka yang terpapar pada faktor atau kondisi risiko dan mereka
yang tidak terpapar. Kami telah menggunakan bahan referensi dari Handler &
Rosenberg, “Metode Analitik dalam Kesehatan Ibu dan Anak” dalam
mengembangkan sumber daya ini
RISIKO RISIKO ATAU RISIKO RELATIF
Risiko relatif adalah rasio rasio kejadian yang dihitung dari kondisi
kesehatan atau hasil pada dua kelompok orang, yang terpapar pada suatu
faktor yang menarik dan yang tidak terpajan. Ini digunakan untuk menentukan
apakah paparan faktor risiko spesifik dikaitkan dengan peningkatan,
penurunan, atau tidak ada perubahan dalam penyakit atau tingkat hasil bila
dibandingkan dengan mereka tanpa paparan. Risiko relatif adalah ukuran
statistik kekuatan hubungan antara faktor risiko dan hasil.
Risiko relatif dapat dihitung dari tabel 2 X 2 sederhana seperti yang di
atas. Rumus untuk menghitung risiko relatif adalah:

Contoh: Pada tahun tertentu di yurisdiksi kesehatan Anda, ada 1000

kelahiran. Saat meninjau akta kelahiran mereka, Anda menemukan bahwa 72
memiliki berat badan lahir rendah (<2500 gms), dan 158 memiliki ibu yang
merokok selama kehamilan. Dari ibu yang merokok selama kehamilan, Anda
menemukan bahwa 19 memiliki bayi berat lahir rendah. Untuk mengeksplorasi
hubungan antara merokok ibu dan terjadinya berat badan lahir rendah, Anda
akan membangun tabel berikut.
Berat Lahir Rendah Merokok Selama Kehamilan Ya Tidak Ya 19 139 158 Tidak
53 789 842 72 928 1000
Resiko relatif =
(a + b)
Sebuah
(c + d)
c
Resiko relatif =
(19 + 139)
19
(53 + 789)
53
=
158
19
842
53
Resiko relatif =
.120
0,063

Dalam contoh ini, risiko BBLR pada perokok adalah 12% dan pada non-perokok
6% dan risiko relatif berat lahir rendah yang terkait dengan merokok saat
hamil adalah 1,9. Dengan kata lain, wanita yang merokok saat mereka hamil
kira-kira dua kali lebih mungkin dibandingkan mereka yang tidak memiliki
bayi dengan berat badan lahir rendah.
Ketika risiko relatif yang terkait dengan suatu faktor lebih dari 1, maka
faktor tersebut disebut faktor risiko. Ketika risiko relatif yang terkait
dengan suatu faktor kurang dari 1, maka faktor tersebut disebut faktor
protektif.
Jika risiko relatif sama dengan 1, maka faktor tidak terkait dengan
hasilnya.
Statistik lain yang serupa dengan risiko relatif dan sering digunakan oleh
ahli epidemiologi adalah rasio peluang:
a / b c / d
Ketika perbedaan dalam insiden atau tingkat prevalensi suatu hasil sangat
kecil, rasio peluang dan risiko relatif menghasilkan hasil yang sama,
tetapi ketika perbedaannya signifikan, perbedaannya jauh lebih besar dengan
rasio peluang yang lebih tinggi. Untuk penggunaan kesehatan masyarakat
secara rutin, risiko relatif dan prevalensi relatif dianggap lebih baik
daripada odds ratio karena mereka terkait langsung dengan kemungkinan
berkembang atau memiliki hasil kesehatan.
Interval Keyakinan di Sekitar Risiko Relatif
Untuk menghitung interval kepercayaan 95% untuk risiko relatif, kami
menggunakan rumus berikut: CI = (r1 / r2) plus atau minus 1,96 x akar
kuadrat {(1 / a x b / n1) + (1 / c x d // n2)}
Dimana r1 = a / (a + b) dan r2 = c / (c + d)
n1 = jumlah total kelahiran di grup 1, mereka yang memiliki faktor risiko.
Dalam contoh ini, jumlah kelahiran untuk perokok adalah 158.
n2 = jumlah total kelahiran di grup 2, yang tidak memiliki faktor risiko.
Dalam contoh ini, itu adalah jumlah total non-perokok yang melahirkan,
yaitu 842.
Menggunakan contoh di atas:
r1 = a / (a + b) = 19 / (19 + 139) = .120
r2 = c / (c + d) = 53 / (53 + 789) =. 063
r1 / r2 = .120 / .063 = 1.9
(1 / a x b / n1) = 1/19 x 139/158 = .052 x .880 = .819
(1 / c x d // n2) = 1/52 x 789/842
= .019 x .937 = .018
akar kuadrat dari (1 / a x b / n1) + (1 / c x d // n2) = akar kuadrat dari
.819 + .018 = akar kuadrat dari .837 = .915
CI = (r1 / r2) plus atau minus 1.96 x akar kuadrat dari (1 / a x b / n1) +
(1 / c x d // n2) = 1.9 +/- 1.96 x .915 = 1.9 +/- 1.79
Risiko Relatif = 1.9 (95% CI .11, 3.69)
RISIKO YANG MENDAPATKAN DAN POPULASI RISIKO DITANGGUNG
Sebagaimana dibahas di atas, risiko relatif membantu Anda menentukan apakah
dan seberapa kuat prekursor dikaitkan dengan hasil tertentu. Risiko
attributable membantu Anda menentukan berapa banyak hasil yang mungkin
disebabkan oleh faktor risiko tertentu (yaitu perkiraan risiko berlebih)
dalam populasi yang terpapar faktor tersebut. Ini adalah ukuran yang
berharga, karena memberikan perkiraan dampak relatif dari hasil buruk yang
dapat dicapai jika faktor risiko berkurang atau dihilangkan. Di sisi lain,
orang mungkin ingin mengetahui proporsi semua kasus hasil dalam total
populasi yang dapat dikaitkan dengan paparan faktor risiko. Ini disebut
populasi risiko yang dapat diatribusikan dan ketika dinyatakan sebagai
persen, populasi yang diakibatkan persen risiko. Menghitung populasi yang
dapat diatribusikan persen risiko memungkinkan Anda untuk menentukan berapa
persen hasil yang mungkin dapat dicegah jika faktor risiko harus dihapus
dari populasi.
Attributable Risk dan Attributable Risk Persen
Untuk menghitung risiko yang dapat diatribusikan, seseorang hanya
mengurangi risiko untuk kelompok yang tidak terpapar dari risiko kelompok
yang terekspos. Dengan demikian, risiko yang timbul kadang-kadang disebut
sebagai Perbedaan Risiko, atau Risiko Kelebihan. Risiko berlebih
“dikaitkan” dengan eksposur.
Attributable risk (AR) = p1 - p2
Dimana:
p1 = a / a + b, proporsi perokok dengan bayi BBLR dan p2 = c / c + d,
proporsi pada bukan perokok dengan BBLR
p1 = a / a + b = 19 / (19 + 139) = .120
p2 = c / (c + d) = 53 / (53 + 789) = .063
AR = .120 - .063
= .057
Menghitung Interval Keyakinan untuk Risiko Attributable
Untuk menghitung interval kepercayaan 95% untuk risiko yang dapat
diatribusikan, kami menggunakan rumus berikut:
Confidence Interval = Attributable risk +/- 1.96 x Square Root dari [p x q
(1 / n1 + 1 / n2)]
p = risiko, yang merupakan jumlah hasil buruk dibagi dengan jumlah total
kejadian. Dalam contoh pada berat badan lahir rendah, berat lahir rendah
adalah hasil yang merugikan dan jumlah total kejadian adalah jumlah
kelahiran total. Dari tabel 2x2, kita melihat bahwa ada 72 kelahiran berat
lahir rendah dari total 1000 kelahiran, jadi risikonya adalah 72/1000 atau
.072.
q = 1 - p. Dalam contoh berat badan lahir, 1 - .072 = 0,928
n1 = jumlah total kelahiran di grup 1, mereka yang memiliki faktor risiko.
Dalam contoh ini, jumlah kelahiran untuk perokok adalah 158.
n2 = jumlah total kelahiran di grup 2, yang tidak memiliki faktor risiko.
Dalam contoh ini, itu adalah jumlah total non-perokok yang melahirkan,
yaitu 842
(1 / n1 + 1 / n2) = 1/158 + 1/842 = 0,006 + .001 = 0,007
[p * q (1 / n1 + 1 / n2)] = 0,072 x 0,928 x 0,007 = 0,00047, yang bisa kita
bulatkan hingga .0005
Akar Kuadrat [p * q (1 / n1 + 1 / n2)] = akar kuadrat dari 0,005 = 0,022
Confidence Interval = Attributable risk +/- 1.96 x Square Root [p * q (1 /
n1 + 1 / n2)] = .057 +/- 1.96 * .022 = .057 +/- .04
Attributable risk = .057 (95% CI = .014, .100)
Risiko attributable sering diukur sebagai persen. Rumus untuk variabel
risiko yang dapat dikaitkan (ARP) adalah:
ARP = (p1 - p2) / p1 x 100
Dimana:
p1 = a / a + b, proporsi perokok dengan bayi BBLR dan p2 = c / c + d,
proporsi pada bukan perokok dengan BBLR

Lihat data yang disajikan dalam tabel 2 X 2 di atas untuk merokok selama
kehamilan dan berat badan lahir rendah.
Dengan asumsi bahwa kita mengukur insiden sebagai persentase, seseorang
dapat menghitung kejadian berat lahir rendah yang disebabkan merokok selama
kehamilan:
AR% = (.120 - .063) /. 120 x 100 = .475 x 100 = 47,5%
Ini berarti bahwa, di antara bayi yang baru lahir dengan ibu yang merokok
dan memiliki bayi berat lahir rendah, hampir setengah (48%) dari berat
badan lahir rendah disebabkan oleh merokok. Perlu diingat bahwa 6,3% ibu
yang tidak merokok akan memiliki bayi berat lahir rendah, sementara 12% ibu
yang merokok akan memiliki bayi berat lahir rendah, menunjukkan bahwa
merokok hampir menggandakan risiko bayi berat lahir rendah.
Perhitungan yang cukup sederhana memberi kita jumlah bayi berat badan lahir
rendah di mana kondisi ini disebabkan merokok. Kami tahu bahwa 158 bayi
memiliki ibu yang merokok selama kehamilan dan bahwa 5,7% dari mereka
memiliki berat badan lahir rendah sebagai konsekuensi dari merokok. Dengan
demikian, kita dapat memperkirakan bahwa sekitar sembilan bayi memiliki
berat badan lahir rendah sebagai konsekuensi dari merokok ibu.
Menghitung Interval Keyakinan untuk Persentase Risiko Dapat Dikaitkan
Rumus untuk menghitung interval kepercayaan 95% untuk persen risiko yang
dapat diatribusikan adalah:
95% CI = ARP +/- ARP x (Kisaran C.I dari risiko yang dapat diatribusikan /
risiko yang dapat diatribusikan)
Menggunakan angka-angka dari contoh yang disajikan sejauh ini, kami
memiliki yang berikut:
ARP = 47,5% C.I. mulai dari risiko yang dapat diatributkan = .04
Attributable risk = .057
Dengan demikian, rumusnya menjadi: 95% C.I. = 47,5% +/- 47,5% x (.04 /
.057) = 47,5% +/- 47,5% x .7 = 47,5% +/- 33,3
Attributable Risk Percent = 47,5% (95% CI = 14,2%, 80,8%)
POPULASI ATTRIBUTABLE RISK AND POPULATION ATTRIBUTABLE RISK PERCENT
Meskipun risiko yang timbul membantu kami memperkirakan risiko berlebih di
antara yang terpapar yang dapat dikaitkan dengan faktor risiko, dari
perspektif kesehatan masyarakat sering lebih berguna untuk mendefinisikan
kembali risiko yang dapat diatribusikan dalam hal seluruh populasi, dan
dengan demikian untuk mengetahui proporsi kasus dalam total populasi yang
dapat dikaitkan dengan faktor risiko. Untuk perhitungan ini, kami
menggunakan
population attributable risk (PAR). Population attributable risk depends
not only on the excess risk imposed by the exposure, but also on the share
of the total population that is exposed. Two formulas can be used to
calculate the PAR:
PAR = p0 - p2 or an alternate formula,
PAR = (p1 – p2) x n1/N
Where:
p0 = the proportion of ALL births with the outcome of interest (a + c / a
+ b + c + d) p1 = the proportion of births with the outcome of interest to
mothers WITH the risk factor (a / a + b) p2 = the proportion of births
with the outcome of interest to mothers WITHOUT the risk factor (c / c + d)
N = the total number of births (a + b + c + d) n1= the number of births
exposed to the risk factor (a + b)
Using the same data,
PAR = p0 - p2 = 72/1000 – 53/842 = .072 -.063 = .009
or using the alternate formula, we have:
PAR = (p1 – p2) x n1/N = (.120 - .063) x 158/1000 = .057 x .158 = .009
This means that the overall risk of low birth weight for the total
population imposed by smoking is about nine per 1,000 births. This is a
fairly small added risk, mainly because smokers are a relatively small
share of the study overall population.
Another way of looking at the numbers is population attributable risk
percent (PAR%), which tells us the percent of cases in the total population
that can be attributed to smoking.
PAR = p0 - p2/p0 x 100 = .072 - .063 / .072 x 100 = 12.5%
This means that out of 72 low birthweight cases, including those born to
both smoking and non- smoking mothers, 9 cases or 12.5% can be attributed
to smoking. The calculation helps estimate the percent of cases in the
total population that might be prevented by removing the exposure.
SUMMARY
To summarize, both relative risk and attributable risk are valuable tools for determining the
contribution of risk factors to an adverse outcome. Relative risk (RR) is a measure of the strength of
the association or causal link between a risk factor and an outcome. Attributable risk (AR) helps
measure the excess risk associated with the risk factor. Population attributable risk (PAR) gives the
added risk in relation to the total population. Population attributable risk percent (PAR%), gives the
percent of cases in the total population that can be attributed to the risk factor.

The PAR% is an especially useful, and underutilized tool in program planning. It can be used to
predict the impact of public health interventions on adverse outcomes, since it considers both the
excess risk associated with the exposure and the proportion of the population that is exposed. A risk
factor with a large excess risk and widespread exposure poses the most severe public health risk.
One with a relatively small excess risk and relatively rare exposure poses the lowest public health
risk. Factors with small excess risk and wide exposure, or large excess risk and relatively rare
exposure form an intermediate group of public health risks.

The PAR% quantifies the contribution of the risk factor to the outcome and can thus help direct
interventions. The higher the PAR%, the greater the proportion of the outcome that is attributable
to the risk factor. One can compare the values of population attributable risk percents for selected
risk factors to identify those risk factors that are most important for planning interventions.

Most of the time when we examine risk factors, we look at behaviors, medical conditions, and
environmental factors. It makes sense to talk of "eliminating" these kinds of risk factors. There are
other risk factors, such as race or age that cannot be changed. Instead, identifying people at risk for
an adverse outcome by race or age groups provides populations for targeting interventions.

It is important to note, however, that population attributable risk percents calculated from a 2 x 2
table are crude measures of attributable risk. Because the outcome is compared to only one risk
factor at a time, there is no way to know if other risk factors may underlie or explain the associations
found in a 2 x 2 table. More advanced statistical methods, such as multivariate analysis, can be used
to calculate attributable risks for individual risk factors that adjust for the influence of other
potential risk factors. Another option is to review the literature for studies on the outcomes of
interest that use multivariate analyses to assess the impact of the risk factors of interest.