EAER vs EAIR - A Deep Dive for Statistical Programmers

1. Why Exposure Adjustment Matters

In a clinical trial, patients rarely spend the same amount of time under observation. Some drop out early, some experience an event on day 3, some complete the full three-year study. If you simply report the proportion of patients with an adverse event, you are conflating two very different things: the probability of an event and the time during which a patient was actually at risk of having one. A patient who discontinues after two weeks and does not have an AE is not the same as a patient who completes 104 weeks without an AE, yet both contribute a zero to a crude proportion.

Exposure-adjusted rates solve this by dividing the event count by the total patient-time observed, producing rates on a per-year (or per-100-patient-years) scale. Two metrics dominate this space in regulatory submissions: the Exposure-Adjusted Incidence Rate (EAIR) and the Exposure-Adjusted Event Rate (EAER). They are not interchangeable. Each answers a different clinical question, and choosing the wrong one can distort the safety picture.

2. Definitions and Formulas

2.1 Exposure-Adjusted Incidence Rate (EAIR)

EAIR counts the number of subjects who experienced at least one occurrence of an event, divided by the total subject-years of exposure across the treatment arm. Each subject appears in the numerator at most once, regardless of how many times the event occurred.

Table 1. EAIR components

2.2 Exposure-Adjusted Event Rate (EAER)

EAER counts every event occurrence (all recurrences included) divided by total subject-years of exposure. A subject who has the same adverse event four times contributes 4 to the numerator.

Table 2. EAER components

2.3 Side-by-Side Comparison

Table 3. EAIR vs EAER — key differences

3. Worked Example: Phase III Migraine Trial

Consider a 52-week randomised, double-blind trial comparing a CGRP antagonist (Drug A) versus placebo for migraine prevention. Migraine headaches are the primary endpoint, but they are also reported as adverse events because of their recurrent nature. The ADAE dataset contains one record per AE occurrence.

3.1 Subject-Level Raw Data

Eight subjects from the Drug A arm are shown below. EXDUR is exposure duration in years derived from the ADEX dataset (minimum of last dose date minus first dose date + 1, and date of first post-baseline AE).

Table 4. Subject-level AE data (Drug A arm, n=8, illustrative only)

3.2 Calculating EAIR and EAER for Migraine

Step 1 — Total subject-years of exposure:

Sum of EXDUR across all 8 subjects = 1.00 + 0.75 + 1.00 + 0.50 + 1.00 + 0.85 + 0.30 + 1.00 = 6.40 subject-years

Step 2 — EAIR numerator (subjects with ≥1 migraine):

PT-001: 6 events → YES PT-002: 3 events → YES PT-003: 0 events → NO

PT-004: 4 events → YES PT-005: 2 events → YES PT-006: 1 event → YES

PT-007: 0 events → NO PT-008: 0 events → NO

Subjects with ≥1 migraine = 5

Step 3 — EAER numerator (all migraine occurrences):

6 + 3 + 0 + 4 + 2 + 1 + 0 + 0 = 16 total migraines

Step 4 — Compute the rates:

Table 5. EAIR and EAER calculated for three AE terms (Drug A arm, n=8)

The EAER/EAIR ratio tells you about recurrence load. For migraine, a ratio of 3.2 means that each subject who developed at least one migraine had, on average, 3.2 migraine occurrences during the study. For dizziness, the ratio is only 1.3, suggesting most subjects experienced it at most once. This ratio has no clinical meaning on its own, but it directly informs which metric you should prioritise in your TLF shells.

3.3 What Changes When You Apply EAIR vs EAER

4. Implementation in ADaM and SAS

4.1 Relevant ADaM Variables

Both metrics are typically derived from ADAE and ADEX. The key variables are:

Table 6. Key ADaM variables for EAIR and EAER

4.2 SAS Logic — EAIR

The approach below uses ADAE to flag subjects with ≥1 event, then merges with ADEX to attach exposure, then summarises by treatment arm and PT.

/* Step 1: One record per subject-PT, flag = 1 if ≥1 event */

proc sort data=adae(where=(TRTEMFL='Y')) out=ae_sorted;

 by USUBJID AEDECOD;

run;

data ae_first;

 set ae_sorted;

 by USUBJID AEDECOD;

 if first.AEDECOD then AEFL = 1; /* subject had ≥1 occurrence of this PT */

 if first.AEDECOD then output;

run;

/* Step 2: Sum distinct subject counts by treatment arm and PT */

proc means data=ae_first noprint nway;

 class TRTA AEDECOD;

 var AEFL;

 output out=ae_n_subj(drop=_type_ _freq_) sum=n_subj;

run;

/* Step 3: Total subject-years per arm from ADEX */

proc means data=adex noprint nway;

 class TRTA;

 var EXDUR; /* in years */

 output out=arm_exdur(drop=_type_ _freq_) sum=total_subj_yrs;

run;

/* Step 4: Merge and compute EAIR per 100 subject-years */

proc sql;

 create table eair_out as

 select a.TRTA, a.AEDECOD, a.n_subj,

 b.total_subj_yrs,

 (a.n_subj / b.total_subj_yrs) * 100 as EAIR

 from ae_n_subj a

 left join arm_exdur b on a.TRTA = b.TRTA;

quit;

4.3 SAS Logic — EAER

For EAER, the numerator is simply the count of all AE records (after applying TRTEMFL='Y' and any analysis flag). The denominator is identical to EAIR.

/* Step 1: Count all occurrences per treatment arm and PT */

proc means data=adae(where=(TRTEMFL='Y')) noprint nway;

 class TRTA AEDECOD;

 var AESEQ; /* any numeric var works; we just need count of records */

 output out=ae_n_events(drop=_type_ _freq_) n=n_events;

run;

/* Step 2: Reuse arm_exdur from EAIR section above */

/* Step 3: Compute EAER per 100 subject-years */

proc sql;

 create table eaer_out as

 select a.TRTA, a.AEDECOD, a.n_events,

 b.total_subj_yrs,

 (a.n_events / b.total_subj_yrs) * 100 as EAER

 from ae_n_events a

 left join arm_exdur b on a.TRTA = b.TRTA;

quit;

4.4 Combining Both Metrics in One Output

Regulatory tables frequently report both metrics side-by-side. After computing eair_out and eaer_out separately, a simple merge on TRTA and AEDECOD produces a combined output ready for RTF formatting via PROC REPORT or a macro.

proc sql;

 create table ae_combined as

 select a.TRTA, a.AEDECOD,

 a.n_subj, a.EAIR,

 b.n_events, b.EAER

 from eair_out a

 left join eaer_out b on a.TRTA = b.TRTA and a.AEDECOD = b.AEDECOD;

quit;

4.5 A Common Pitfall: Denominator Source

Both rates share the same denominator structure, but the source and definition matter. Three denominator definitions appear in practice:

Table 7. Common denominator definitions and their implications

The SAP should specify the denominator definition. In most NDA/BLA submissions, on-treatment exposure time from ADEX (EXDUR = TRTEDT - TRTSDT + 1, expressed in years) is the standard choice for both EAIR and EAER.

5. Choosing Between EAIR and EAER

The question of which metric to use comes down to the clinical nature of the adverse event and what question the safety team needs to answer.

Table 8. Decision guide for EAIR vs EAER

6. Edge Cases and Boundary Conditions

6.1 Subject with Zero Exposure

If EXDUR = 0 for a subject (e.g., they withdrew before receiving any treatment), they contribute nothing to either denominator. If they also had no AEs, they are excluded entirely. If they somehow have AEs despite zero exposure, this is a data quality issue requiring adjudication, not a metric question.

6.2 Very Short Exposure, Many Events

PT-004 in Table 4 had 0.50 years of exposure and 4 migraine occurrences. This subject drives the EAER for migraine disproportionately. EAER = 16/6.40 = 250 per 100 subject-years; if PT-004 had completed the full year, EAER would have been 16/6.90 = 232. The metric is sensitive to early discontinuers who experienced many events. This is not a flaw — it reflects the actual event burden — but it should be discussed in the clinical study report when a small number of subjects account for a large proportion of EAER.

6.3 EAIR > EAER (Impossible, but Check Your Code)

Mathematically, EAIR ≤ EAER always. If your output shows EAIR > EAER for any PT, there is a programming error — the most common causes are:

•Different analysis flag subsets applied to numerators (e.g., TRTEMFL applied to EAIR but not EAER)

•Different denominator datasets used (e.g., ITT for EAIR, PP for EAER)

•Duplicate records in ADAE inflating EAER, or duplicate subjects in the EAIR numerator step

6.4 Events Reported at the Same Visit

If a subject reports three occurrences of the same MedDRA PT at the same study visit (same AESTDTC), all three count individually in the EAER numerator. The EAIR numerator counts the subject once. This is correct. Verify that your ADAE derivation does not collapse same-visit, same-PT records into a single row before computing EAER.

6.5 Unblinded Dataset Access

EAIR and EAER by treatment arm require access to unblinded data. During an ongoing trial, these calculations are typically performed by an independent Data Safety Monitoring Board (DSMB) statistician or within a firewall. Statistical programmers should not produce unblinded rate comparisons unless the trial is unblinded or they are formally designated as unblinded staff.

7. Reporting Conventions in TLFs

7.1 Standard Column Structure for Safety Tables

A TLF shell showing both metrics typically looks like this (per treatment arm):

Table 9. Sample TLF structure with n(%), N events, EAIR, and EAER (Drug A arm, n=8, total 6.40 subject-years)

PY = patient-years. The n(%) column uses the arm N as denominator and counts distinct subjects. This column and the EAIR numerator should agree (n = EAIR numerator). If they do not agree, flag this during QC.

7.2 Footnote Text

Standard footnote wording (adjust per your house style):

EAIR: Exposure-adjusted incidence rate = (number of subjects with ≥1 event / total subject-years) × 100.

EAER: Exposure-adjusted event rate = (total number of events / total subject-years) × 100.

Subject-years of exposure = (date of last dose - date of first dose + 1) / 365.25.

Only treatment-emergent adverse events (TRTEMFL='Y') are included.

7.3 Decimal Places and Rounding

One decimal place is convention for both EAIR and EAER when reported per 100 subject-years. For very rare events (EAIR < 1.0), two decimal places may be warranted. The SAP should specify this; do not decide ad hoc in the program.

8. Summary

Table 10. One-page summary of EAIR vs EAER

Both metrics use the same denominator. The only difference is what goes in the numerator. That single distinction determines the clinical question being answered. Statistical programmers should confirm the intended metric with the SAP before writing any code, and QC should verify that n(%) and EAIR numerators match for all PTs in the final output.