Słownik metodologiczny · Wielkość efektu

NNH – ilu pacjentów trzeba leczyć, by jeden doznał szkody?

NNH przekłada wzrost ryzyka działań niepożądanych na liczbę osób, które trzeba leczyć, by u jednej dodatkowej wystąpiła szkoda. Pokazujemy wzór, przykład w R z przedziałem ufności i bilans korzyści i szkód (LHH).

W skrócie: NNH to liczba osób, które trzeba leczyć przez określony czas, aby u jednej dodatkowej wystąpiło działanie niepożądane: NNH = 1 / ARI. Im większe NNH, tym rzadsza szkoda. Zestawione z NNT w ilorazie LHH = NNH / NNT pokazuje bilans korzyści i szkód.

Co to jest NNH?

NNH (ang. number needed to harm, liczba potrzebna do wywołania szkody) to liczba osób, które trzeba objąć interwencją przez określony czas, aby u jednej dodatkowej osoby wystąpiło działanie niepożądane w porównaniu z grupą kontrolną. To odpowiednik NNT dla szkód.

NNH = 1 / ARI, ARI = ryzyko działania niepożądanego w grupie interwencji − ryzyko w grupie kontrolnej

ARI (ang. absolute risk increase) to bezwzględny wzrost ryzyka, czyli lustrzane odbicie ARR. Kierunek oceny jest odwrotny niż przy NNT: duże NNH jest dobrą wiadomością, bo szkoda zdarza się rzadko.

Przykład

W badaniu z losowym przydziałem (dane symulowane, po 200 osób) nudności w ciągu 8 tygodni wystąpiły u 23 osób przyjmujących lek (11.5%) i u 10 z grupy placebo (5.0%). ARI = 6.5 punktu procentowego, 95% CI [1.1, 11.9], więc NNH = 15.4, 95% CI [8.4, 87.3]: na około 15 leczonych przypada jeden dodatkowy przypadek nudności. Granice przedziału ufności dla NNH to odwrotności granic dla ARI. Gdy przedział dla ARI obejmuje zero, przedział dla NNH przechodzi przez nieskończoność i zapisuje się go z oznaczeniami NNTH i NNTB (Altman, 1998).

Bilans korzyści i szkód

Citrome i Ketter (2013) proponują zestawić obie liczby w ilorazie LHH (ang. likelihood to be helped or harmed) = NNH / NNT. W przykładzie na lek odpowiedziało 92 osoby (46.0%), a na placebo 47 (23.5%), czyli NNT = 4.4. LHH = 15.4 / 4.4 = 3.5: korzyść jest około 3.5 raza bardziej prawdopodobna niż nudności. Interpretacja zależy od definicji odpowiedzi i działania niepożądanego, czasu obserwacji i cech pacjentów.

Na rysunku

NNT i NNH najlepiej rysować na jednej osi bezwzględnej różnicy ryzyka, ustawionej tak, by korzyść leczenia leżała po prawej, a szkoda po lewej. Górna oś opisuje te same punkty jako NNT, a zero odpowiada NNT = ∞. Dwa górne wiersze to badanie z przykładu, dolny – to samo działanie niepożądane w małym badaniu po 50 osób.

Wykres punktowy z poziomymi przedziałami ufności na osi różnicy ryzyka od −40 do 40 punktów procentowych; lewa połowa zacieniowana jako szkoda, pionowa linia przerywana w zerze oznaczona na górnej osi jako nieskończoność. Odpowiedź na leczenie: NNTB 4.4 [3.2, 7.4], cały przedział po stronie korzyści. Nudności przy 200 osobach w grupie: NNTH 15.4 [8.4, 87.3], cały przedział po stronie szkody. Nudności przy 50 osobach: NNTH 12.5, przedział od NNTH 5.4 przez nieskończoność do NNTB 39.7, przecina zero
Rysunek 1. Korzyść (odpowiedź na leczenie) i szkoda (nudności) na wspólnej osi różnicy ryzyka z opisem NNT na osi górnej. Obliczenia: R, pakiet ggplot2 (dane symulowane, set.seed(520), set.seed(5200)).

Co widać. Przedział dla odpowiedzi na leczenie leży w całości po stronie korzyści (NNTB 4.4 [3.2, 7.4]), a przedział dla nudności z badania 2 × 200 osób – w całości po stronie szkody (NNTH 15.4 [8.4, 87.3]). W małym badaniu nudności wystąpiły u 6 z 50 leczonych i u 2 z 50 osób z placebo: NNTH 12.5, ale przedział biegnie od NNTH 5.4 przez nieskończoność do NNTB 39.7. Na osi różnicy ryzyka to zwykły odcinek przecinający zero. Zapisany w liczbach NNT rozpadłby się na dwa kawałki, a „95% CI [5.4, 39.7]” bez oznaczeń byłoby po prostu błędem.

Na co uważać. Odległości na górnej osi nie są równe: NNT 5 i 10 są od siebie daleko, a 50 i 100 leżą tuż przy zerze. Dlatego przedziały rysuje się na skali różnicy ryzyka, a NNT tylko się na niej opisuje. Rysunek nie waży też korzyści i szkód – jedna odpowiedź na leczenie i jeden przypadek nudności nie mają tej samej wagi dla pacjenta; ich zestawienie liczbowe daje LHH z części Bilans korzyści i szkód. Parametry małego badania (2 × 50 osób, te same prawdopodobieństwa co w przykładzie) ustawiono przed uruchomieniem kodu; ziaren nie zmieniano.

Podpis do pracy:

Rysunek 1. Bezwzględna różnica ryzyka odpowiedzi na leczenie i nudności między grupą leku a grupą placebo z 95% przedziałami ufności; oś górna opisuje te same wartości jako liczbę osób, które trzeba leczyć, by uzyskać jedną dodatkową korzyść (NNTB) lub szkodę (NNTH). Uwaga. Wartości dodatnie oznaczają korzyść leczenia. Przedział przecinający zero odpowiada przedziałowi NNT przechodzącemu przez nieskończoność.

Kod poniżej odtwarza rysunek i liczby z tego akapitu. Jest samowystarczalny: prosty motyw i paletę Okabe–Ito definiuje sam. Rysunek na stronie powstał z tego samego obiektu p1 z motywem serwisu – dane, geometrie i skale są identyczne, różni się tylko krój czcionki. Kod losuje w dwóch miejscach: set.seed(520) odtwarza badanie z przykładu hasła, set.seed(5200) – małe badanie.

Kod R rysunku 1
# Rysunek 1. NNT i NNH na jednej osi: korzyść i szkoda z 95% CI, także gdy CI przechodzi przez nieskończoność
library(ggplot2)

motyw <- theme_minimal(base_size = 14) +
  theme(panel.grid.minor = element_blank(), legend.position = "bottom",
        plot.title = element_text(face = "bold"))
kolory <- c("korzyść" = "#0072B2", "szkoda" = "#D55E00", "niepewne" = "grey40")   # Okabe–Ito

# Różnica odsetków (lek − placebo) z 95% CI (Wald)
roznica <- function(x1, x0, n) {
  p1 <- x1 / n; p0 <- x0 / n
  se <- sqrt(p1 * (1 - p1) / n + p0 * (1 - p0) / n)
  (p1 - p0) + c(est = 0, dolna = -1.96, gorna = 1.96) * se
}

set.seed(520)                                     # badanie z przykładu hasła, 2 × 200 osób
n <- 200
ae_l <- rbinom(1, n, 0.14); ae_p <- rbinom(1, n, 0.05)   # nudności: lek, placebo
od_l <- rbinom(1, n, 0.45); od_p <- rbinom(1, n, 0.25)   # odpowiedź na leczenie: lek, placebo

set.seed(5200)                                    # to samo działanie niepożądane w małym badaniu, 2 × 50 osób
ae_l50 <- rbinom(1, 50, 0.14); ae_p50 <- rbinom(1, 50, 0.05)

# Wspólna oś: zmiana „na korzyść leczenia” – odpowiedź (+), nudności (−), więc szkoda leży po lewej
wyn <- rbind(
  "Odpowiedź (n = 200)"   =  roznica(od_l, od_p, 200),
  "Nudności (n = 200)"    = -roznica(ae_l, ae_p, 200)[c(1, 3, 2)],
  "Nudności (n = 50)"     = -roznica(ae_l50, ae_p50, 50)[c(1, 3, 2)])
colnames(wyn) <- c("est", "dolna", "gorna")
nnt_opis <- function(d) ifelse(d > 0, sprintf("NNTB %.1f", 1 / d), sprintf("NNTH %.1f", -1 / d))
tab <- data.frame(wynik = factor(rownames(wyn), rev(rownames(wyn))), wyn,
                  ocena = ifelse(wyn[, "dolna"] > 0, "korzyść", ifelse(wyn[, "gorna"] < 0, "szkoda", "niepewne")))
tab$opis <- ifelse(tab$ocena == "niepewne",
                   sprintf("%s (%s do ∞ do %s)", nnt_opis(tab$est), nnt_opis(tab$dolna), nnt_opis(tab$gorna)),
                   sprintf("%s [%.1f, %.1f]", nnt_opis(tab$est), pmin(1 / abs(tab$dolna), 1 / abs(tab$gorna)),
                           pmax(1 / abs(tab$dolna), 1 / abs(tab$gorna))))
print(data.frame(lek_placebo = c(paste0(od_l, "/", od_p), paste0(ae_l, "/", ae_p), paste0(ae_l50, "/", ae_p50)),
                 round(wyn, 3), opis = tab$opis), right = FALSE)

# Oś górna: te same punkty opisane jako NNT; zero to NNT = ∞
d_osi <- c(-0.2, -0.1, 0, 0.1, 0.2)
et_osi <- ifelse(d_osi == 0, "∞", ifelse(d_osi < 0, paste0("NNTH\n", -1 / d_osi), paste0("NNTB\n", 1 / d_osi)))
p1 <- ggplot(tab, aes(est, wynik, colour = ocena, shape = ocena)) +
  annotate("rect", xmin = -Inf, xmax = 0, ymin = -Inf, ymax = Inf, fill = "#D55E00", alpha = 0.06) +
  geom_vline(xintercept = 0, linetype = "dashed") +
  geom_errorbar(aes(xmin = dolna, xmax = gorna), width = 0.18, linewidth = 1, orientation = "y") +
  geom_point(size = 3.5) +
  geom_label(aes(label = opis), vjust = -0.6, size = 3.9, fill = "white", linewidth = 0, show.legend = FALSE) +
  annotate("text", x = c(-0.28, 0.28), y = 0.45, label = c("← szkoda", "korzyść →"), size = 4.2) +
  scale_x_continuous(limits = c(-0.4, 0.4), breaks = c(-0.3, -0.2, -0.1, 0, 0.1, 0.2, 0.3),
                     labels = function(x) sub("-", "−", paste0(100 * x)),
                     sec.axis = sec_axis(~ ., breaks = d_osi, labels = et_osi, name = "To samo jako NNT (oś górna)")) +
  scale_y_discrete(expand = expansion(add = c(0.8, 0.6))) +
  scale_colour_manual(values = kolory, name = NULL) +
  scale_shape_manual(values = c("korzyść" = 16, "szkoda" = 17, "niepewne" = 15), name = NULL) +
  labs(title = "Korzyść i szkoda na jednej osi",
       x = "Bezwzględna różnica ryzyka na korzyść leczenia (pkt proc.)", y = NULL) + motyw
p1   # zapis: ggsave("nnh-liczba-potrzebna-do-szkody-os-korzysc-szkoda.svg", p1, width = 8, height = 5.6)
Wynik w R
                    lek_placebo est    dolna  gorna 
Odpowiedź (n = 200) 92/47        0.225  0.134  0.316
Nudności (n = 200)  23/10       -0.065 -0.119 -0.011
Nudności (n = 50)   6/2         -0.080 -0.185  0.025
                    opis                                  
Odpowiedź (n = 200) NNTB 4.4 [3.2, 7.4]                   
Nudności (n = 200)  NNTH 15.4 [8.4, 87.3]                 
Nudności (n = 50)   NNTH 12.5 (NNTH 5.4 do ∞ do NNTB 39.7)

Jak opisać w pracy

Nudności wystąpiły u 23 z 200 osób przyjmujących lek (11.5%) i u 10 z 200 osób z grupy placebo (5.0%) w ciągu 8 tygodni; bezwzględny wzrost ryzyka wyniósł 6.5 punktu procentowego, 95% CI [1.1, 11.9], co odpowiada NNH = 15.4, 95% CI [8.4, 87.3].

CONSORT 2025 uznaje NNT dla korzyści lub szkody za pomocny dodatek do miary względnej i bezwzględnej z przedziałami ufności (Hopewell i in., 2025).

Na co uważać

  • Jedno NNH na wszystkie szkody. Licz je osobno dla każdego ważnego działania niepożądanego; łagodne nudności to nie ciężkie powikłanie.
  • Brak horyzontu czasowego. NNH po tygodniu i po roku to różne liczby.
  • NNH bez porównania. Szkody oceniaj na tle grupy kontrolnej, nie samego odsetka w grupie leczonej; miarę względną daje ryzyko względne.

Czytanie takich wyników w artykułach omawia poradnik statystyka dla lekarza.

Przykład reprodukowalny

NNH i LHH w R

Funkcja roznica() liczy różnicę odsetków między lekiem a placebo z 95% przedziałem ufności Walda. Z różnicy dla działania niepożądanego powstaje NNH z granicami będącymi odwrotnościami granic ARI, a z różnicy dla odpowiedzi na leczenie – NNT i LHH. Liczby w tekście pochodzą z tego kodu.

ARI, NNH, NNT i LHH

Dane wejściowe: badanie 2 × 200 osób: liczba osób z nudnościami i z odpowiedzią na leczenie w grupie leku i placebo (dane symulowane, set.seed(520)).

Co odczytać: ARI.est = 0.065 [0.011, 0.119], NNH = 15.4 [8.4, 87.3]; NNT = 4.4 i LHH = 3.46.

R
set.seed(520)                                     # badanie z losowym przydziałem, 2 × 200 osób
n <- 200
ae_l <- rbinom(1, n, 0.14); ae_p <- rbinom(1, n, 0.05)   # działanie niepożądane: lek, placebo
od_l <- rbinom(1, n, 0.45); od_p <- rbinom(1, n, 0.25)   # odpowiedź na leczenie: lek, placebo
roznica <- function(x1, x0) {                     # różnica odsetków z 95% CI (Wald)
  p1 <- x1 / n; p0 <- x0 / n
  se <- sqrt(p1 * (1 - p1) / n + p0 * (1 - p0) / n)
  (p1 - p0) + c(est = 0, dolna = -1.96, gorna = 1.96) * se
}
ari <- roznica(ae_l, ae_p); arr <- roznica(od_l, od_p)
nnh <- 1 / ari[["est"]]; nnt <- 1 / arr[["est"]]
round(c(ae_lek = ae_l, ae_placebo = ae_p, ARI = ari, NNH = nnh,
        NNH_dolna = 1 / ari[["gorna"]], NNH_gorna = 1 / ari[["dolna"]]), 3)  # granice NNH = odwrotności granic ARI
round(c(odp_lek = od_l, odp_placebo = od_p, ARR = arr[["est"]], NNT = nnt, LHH = nnh / nnt), 3)
Wynik w R
    ae_lek ae_placebo    ARI.est  ARI.dolna  ARI.gorna        NNH  NNH_dolna
    23.000     10.000      0.065      0.011      0.119     15.385      8.435
 NNH_gorna
    87.313
    odp_lek odp_placebo         ARR         NNT         LHH
     92.000      47.000       0.225       4.444       3.462

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (bez dodatkowych pakietów). Rysunek 1 wykonano w pakiecie ggplot2 i zapisano pakietem svglite. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  3. svglite (wersja 2.2.2): Wickham, H., Henry, L., Pedersen, T. L., Luciani, T. J., Decorde, M., & Lise, V. (2025). svglite: An 'SVG' graphics device [R package]. https://doi.org/10.32614/CRAN.package.svglite

Najczęstsze pytania

Czy większe NNH oznacza bezpieczniejszy lek?

Tak, przy tym samym horyzoncie czasowym i tej samej definicji szkody. NNH = 100 oznacza jeden dodatkowy przypadek na 100 leczonych, a NNH = 10 – na 10.

Co to jest LHH i jak je policzyć?

LHH to iloraz NNH do NNT. Wartość powyżej 1 oznacza, że korzyść jest bardziej prawdopodobna niż dana szkoda; np. NNH = 15.4 i NNT = 4.4 dają LHH = 3.5.

Jak policzyć przedział ufności dla NNH?

Policz 95% CI dla bezwzględnego wzrostu ryzyka i odwróć jego granice. Jeśli przedział dla ARI obejmuje zero, przedział dla NNH przechodzi przez nieskończoność.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Altman, D. G. (1998). Confidence intervals for the number needed to treat. BMJ, 317(7168), 1309–1312. https://doi.org/10.1136/bmj.317.7168.1309 ● Otwarty dostęp: pełny tekst
  2. Citrome, L., & Ketter, T. A. (2013). When does a difference make a difference? Interpretation of number needed to treat, number needed to harm, and likelihood to be helped or harmed. International Journal of Clinical Practice, 67(5), 407–411. https://doi.org/10.1111/ijcp.12142
  3. Hopewell, S., Chan, A.-W., Collins, G. S., Hróbjartsson, A., Moher, D., Schulz, K. F., Tunn, R., Aggarwal, R., Berkwits, M., Berlin, J. A., Bhandari, N., Butcher, N. J., Campbell, M. K., Chidebe, R. C. W., Elbourne, D., Farmer, A., Fergusson, D. A., Golub, R. M., Goodman, S. N., . . . Boutron, I. (2025). CONSORT 2025 explanation and elaboration: Updated guideline for reporting randomised trials. BMJ, 389, Article e081124. https://doi.org/10.1136/bmj-2024-081124 ● Otwarty dostęp

Cytowania BibTeX

@article{altman1998confidence, author={Altman, Douglas G.}, title={{Confidence intervals for the number needed to treat}}, journal={BMJ}, year={1998}, volume={317}, number={7168}, pages={1309--1312}, doi={10.1136/bmj.317.7168.1309}}
@article{citrome2013when, author={Citrome, L. and Ketter, T. A.}, title={{When does a difference make a difference? Interpretation of number needed to treat, number needed to harm, and likelihood to be helped or harmed}}, journal={International Journal of Clinical Practice}, year={2013}, volume={67}, number={5}, pages={407--411}, doi={10.1111/ijcp.12142}}
@article{hopewell2025consort, author={Hopewell, Sally and Chan, An-Wen and Collins, Gary S. and Hróbjartsson, Asbjørn and Moher, David and Schulz, Kenneth F. and Tunn, Ruth and Aggarwal, Rakesh and Berkwits, Michael and Berlin, Jesse A. and Bhandari, Nita and Butcher, Nancy J. and Campbell, Marion K. and Chidebe, Runcie C. W. and Elbourne, Diana and Farmer, Andrew and Fergusson, Dean A. and Golub, Robert M. and Goodman, Steven N. and Hoffmann, Tammy C. and Ioannidis, John P. A. and Kahan, Brennan C. and Knowles, Rachel L. and Lamb, Sarah E. and Lewis, Steff and Loder, Elizabeth and Offringa, Martin and Ravaud, Philippe and Richards, Dawn P. and Rockhold, Frank W. and Schriger, David L. and Siegfried, Nandi L. and Staniszewska, Sophie and Taylor, Rod S. and Thabane, Lehana and Torgerson, David and Vohra, Sunita and White, Ian R. and Boutron, Isabelle}, title={{CONSORT 2025 explanation and elaboration: Updated guideline for reporting randomised trials}}, journal={BMJ}, year={2025}, volume={389}, eid={e081124}, doi={10.1136/bmj-2024-081124}}
R