投稿者: 鈴木　春菜

提供元：CareNet.com

本連載は、臨床研究のノウハウを身につけたいけれど、メンター不在の臨床現場で悩める医療者のための、「実践的」臨床研究入門講座です。臨床研究の実践や論文執筆に必要な臨床疫学や生物統計の基本について、架空の臨床シナリオに基づいた仮想データ・セットや、実際に英語論文化した臨床研究の実例を用いて、解説していきます。

2群の生存時間曲線を比較する

　今回は、無料の統計解析ソフトであるEZR（Eazy R）を用いて前回作成したKaplan-Meier曲線と統計解析（Log-rank検定）結果の出力を確認して解説します。

　まず、Kaplan-Meier曲線（図1）ですが、低たんぱく食厳格遵守群（Treat=1）は赤線で、低たんぱく食非厳格遵守群（Treat=0）は黒線で表示されています。

図1

　デフォルトのオプション設定で指定されているとおり（連載第43回参照）、「打ち切り」は「ヒゲ」で表され（連載第42回参照）、また各時点での観察対象となるat risk集団（連載第35回参照）のサンプル数が”Number at risk”として示されています。

　生存時間解析の結果の要約とLog-rank検定の結果は、EZRのRコマンダー出力ウィンドウの最後に表示されています（図2）。

図2

　低たんぱく食厳格遵守群（Treat=1）、低たんぱく食非厳格遵守群（Treat=0）のサンプル数はそれぞれ212例、426例で、右端に表されているのが両群間の生存時間曲線の比較検定（Log-rank検定）のp値です。生存期間中央値と95％信頼区間はそれぞれNA（not available）と表示されています。生存期間中央値は、Kaplan-Meier曲線で生存率（イベント非発生率）が50％となる値（期間）です。Kaplan-Meier曲線（図1）をみてわかるように、両群とも観察期間終了時（5年）に50％以上の対象が生存（イベント非発生）しているので、生存時間中央値およびその95％信頼区間は求めることができません。

　それでは、ここで簡単に統計学的仮説検定とp値の考え方について解説します。

　統計学的仮説検定は論理学の背理法に基づいて進めて行きます。ここでのわれわれの仮説、「低たんぱく食厳格遵守と低たんぱく食非厳格遵守で、末期腎不全の発症率に差がある」を検証する場合、次のように考えます。

　まず、検証したい仮説の否定を考え、「低たんぱく食厳格遵守と低たんぱく食非厳格遵守で、末期腎不全の発症率に差がない」、とします。これを帰無仮説（差なし仮説）と言います。

　p値のpはprobabilityのpでまさに確率であり、0から1の値をとります。p値とは、帰無仮説が正しいと仮定したときに、実際に標本から得られたデータ以上に帰無仮説から離れたデータが得られる確率を表した値、のことです。p値が非常に小さな場合、帰無仮説が誤っている（帰無仮説を棄却）とし、統計学的有意差がある、と判断します。統計学的に有意であると判断する基準を有意水準と言いますが、一般的には0.05（5％）に設定されます。これは5％未満の誤りであれば許容できる、という一般的な感覚から慣習で決められた数値です。

　統計学的仮説検定の手法は扱うデータ（変数）の型によって異なります。ここで扱う生存時間、生存時間曲線の比較では一般的にLog-rank検定が用いられることが多いです。

　さて、低たんぱく食厳格遵守群（Treat=1）と低たんぱく食非厳格遵守群（Treat=0）の生存時間曲線の比較検定（Log-rank検定）のp値は0.0657と有意水準0.05を上回っていました。したがって、「低たんぱく食厳格遵守と低たんぱく食非厳格遵守で、末期腎不全の発症率に差がない」という帰無仮説は棄却できません。さらに言うと、統計学的に有意差はないものの、生存時間曲線の見た目からは低たんぱく食厳格遵守群（Treat=1）より低たんぱく食非厳格遵守群（Treat=0）の方が予後が良さそうにも見えます。

　生存時間曲線の比較検定（Log-rank検定）の結果からは、われわれの仮説に沿った解析結果が得られませんでした。ここで研究は終了（継続断念）でしょうか。次回からは、観察研究においてExposure（曝露要因）とOutcome（アウトカム）の関連や因果関係を歪める「交絡（因子）」について解説します。

---

講師紹介

長谷川 毅 ( はせがわ たけし ) 氏
昭和大学臨床疫学研究所 所長・教授
昭和大学医学部衛生学・公衆衛生学講座/内科学講座腎臓内科学部門 兼担教授
福島県立医科大学臨床研究イノベーションセンター 特任教授

[略歴]
1996年昭和大学医学部卒業。
2007年京都大学大学院医学研究科臨床情報疫学分野（臨床研究者養成コース）修了。
都市型および地方型の地域中核病院で一般内科から腎臓内科専門診療、三次救急から亜急性期リハビリテーション診療まで臨床経験を積む。その臨床経験の中で生じた「臨床上の疑問」を科学的に可視化したいという思いが募り、京都の公衆衛生大学院で臨床疫学を学び、米国留学を経て現在に至る。

---

バックナンバー

▼ 一覧をもっと見る

---

掲載内容はケアネットの見解を述べるものではございません。
（すべての写真・図表等の無断転載を禁じます。）

　

提供元：CareNet.com

本連載は、臨床研究のノウハウを身につけたいけれど、メンター不在の臨床現場で悩める医療者のための、「実践的」臨床研究入門講座です。臨床研究の実践や論文執筆に必要な臨床疫学や生物統計の基本について、架空の臨床シナリオに基づいた仮想データ・セットや、実際に英語論文化した臨床研究の実例を用いて、解説していきます。

仮想データ・セットを用いてKaplan-Meier曲線を描いてみる

　前々回は簡単なエクセル関数を使って仮想データ・セットから発生率を計算し、前回は手計算によるKaplan-Meier曲線の描き方を説明しました。今回は、いよいよ仮想データ・セットを用いて実際にKaplan-Meier曲線を描いてみます。

　今後、実際の統計解析手法については無料の統計解析ソフトであるEZR（Eazy R）の操作手順を交えて解説していきます。まずはEZRの概要とそのインストール方法について簡単に説明します。

　EZRは自治医科大学附属さいたま医療センター血液科の神田 善伸先生が無料統計解析ソフトRに基づいて開発されました。RはR言語というプログラミング言語（スクリプト）を入力しないと動かせないというのが、統計解析初心者にとって最大の障壁になっています。しかし、EZRではマウスなどのポインティングデバイス操作だけで基本的な統計解析を行うことができるgraphic user interfaceを採用しており、ユーザーフレンドリーな統計解析ソフトです。EZRのダウンロードとインストールについては、自治医科大学附属さいたま医療センター血液科のホームページにアクセスし、説明のとおりに行ってください。

　それでは、早速仮想データ・セットからEZRを用いてKaplan-Meier曲線を描いてみましょう。

　仮想データ・セットをダウンロードする

　まずは、Kaplan-Meier曲線の描出に必要なデータを整理し準備します。必要となるデータは以下の3つになります。

・比較する群のデータ
・イベント（アウトカム発生）か打ち切りのデータ
・生存時間（観察期間）のデータ

　これらは、下記に示した仮想データ・セットのB、C、D列にそれぞれ相当します（連載第41回参照）。

・A列：ID
・B列：Treat（1；低たんぱく食厳格遵守群、0；低たんぱく食非厳格遵守群）
・C列：Censor（1；アウトカム発生、0；打ち切り）
・D列：Year（at riskな観察期間）

　次に、インストールしたEZRを起動し、以下の手順で仮想データ・セットを取り込みましょう。

「ファイル」→「データのインポート」→「Excelのデータをインポート」

　仮想データ・セットがインポートできたことを確認したら、下記の手順でKaplan-Meier曲線を作成します。

「統計解析」→「生存時間の解析」→「生存曲線の記述と群間の比較（Logrank検定）」を選択。

　すると、下記のウィンドウが開きますので、以下のとおりにそれぞれ変数を選択します。

・観察期間の変数 ⇒ Year
・イベント（1）、打ち切り（0）の変数 ⇒ Censor
・群別する変数を選択 ⇒ Treat

　その他はとりあえずデフォルト設定のままで結構です。

　変数選択と設定が完了したら、「OK」ボタンをクリックしましょう。

　図のようなKaplan-Meier曲線が描けたでしょうか。

---

講師紹介

長谷川 毅 ( はせがわ たけし ) 氏
昭和大学臨床疫学研究所 所長・教授
昭和大学医学部衛生学・公衆衛生学講座/内科学講座腎臓内科学部門 兼担教授
福島県立医科大学臨床研究イノベーションセンター 特任教授

[略歴]
1996年昭和大学医学部卒業。
2007年京都大学大学院医学研究科臨床情報疫学分野（臨床研究者養成コース）修了。
都市型および地方型の地域中核病院で一般内科から腎臓内科専門診療、三次救急から亜急性期リハビリテーション診療まで臨床経験を積む。その臨床経験の中で生じた「臨床上の疑問」を科学的に可視化したいという思いが募り、京都の公衆衛生大学院で臨床疫学を学び、米国留学を経て現在に至る。

---

バックナンバー

▼ 一覧をもっと見る

---

掲載内容はケアネットの見解を述べるものではございません。
（すべての写真・図表等の無断転載を禁じます。）

　

提供元：CareNet.com

本連載は、臨床研究のノウハウを身につけたいけれど、メンター不在の臨床現場で悩める医療者のための、「実践的」臨床研究入門講座です。臨床研究の実践や論文執筆に必要な臨床疫学や生物統計の基本について、架空の臨床シナリオに基づいた仮想データ・セットや、実際に英語論文化した臨床研究の実例を用いて、解説していきます。

　

生存時間と生存時間曲線

　はじめに生存時間とは何かについて説明します。臨床研究におけるアウトカム指標として、生存時間は最も重要なものの1つです。悪性腫瘍だけでなく臓器不全にいたるすべての疾患は、最終的には死亡という転帰を迎えます。多くの場合、死亡というアウトカム（イベント）が発生するまでの時間の長さがどの程度であるか、が最も重要となります。なお、生存時間とは死亡にいたるまでの時間だけでなく、あるイベント発生までの時間を示すこともあります。

　臨床研究においてはKaplan-Meier法による生存率の計算が行われることが一般的です。ここでは、Kaplan-Meier曲線の描き方について具体的に解説します。Kaplan-Meier法では、新たにイベントが発生するごとに生存率が繰り返し再計算されます。これまで説明してきた「打ち切り」という事象も考慮しながら（連載第37回、第41回参照）、逆にある時点までイベントを発生しない確率を考えてみるのです。別の言い方をすれば、ある時点までイベントを発生しない確率を生存割合として、グラフに表示していくことを考えていきます。

　図に示したように、たとえば10人の患者の生存割合を12ヵ月にわたって観察した場合を考えてみます。

　1ヵ月目までは全員生存していたとすると、生存割合は1（100％）となり、Kaplan-Meier曲線は下がりません。

　1ヵ月目に1人死亡したとします。10人中9人が生存しているので、1ヵ月目の生存割合は、9/10＝0.90（90％）となり、グラフに示すと図に示したようになります。

　3ヵ月目にもう1人死亡したとします。1ヵ月目までに生存割合が9/10＝0.90に下がっています。3ヵ月目の時点では9人中8人が生存しているので、この時点での生存割合は、9/10×8/9＝0.80（80％）となりグラフにすると図に示したとおりです。

　次に、5ヵ月目に1人「打ち切り」になったとします。この時点で残っている人数は8人ですが、この時点では誰も死亡していないので5ヵ月目の生存割合は、3ヵ月目と変わらず0.80（80％）となり、Kaplan-Meier曲線も下がりません。「打ち切り」があったことを示す「しるし」として、Kaplan-Meier曲線上に小さな縦棒を表示することが慣例とされており、一般的にこれを「ヒゲ」と呼びます。

　6ヵ月目、7ヵ月目にもそれぞれ1人ずつ「打ち切り」があったとします。6ヵ月目まで残っている人数は7人、7ヵ月目まで残っている人数は6人ですが、3ヵ月目以降は誰も死亡していないので6ヵ月目、7ヵ月目の生存割合は5ヵ月目までと変わらず0.80（80％）となり、Kaplan-Meier曲線も下がりません。

　9ヵ月目に1人死亡したとすると、この時点では5人中4人が生存していることになりますので、7ヵ月目までの生存割合0.80に4/5をかけて、9ヵ月目の生存割合は0.64（64％）となります。

　11ヵ月目には更に1人死亡したとします。この時点では4人中3人が生存していることになりますので、9ヵ月目までの生存割合0.64（64％）に3/4をかけて、11ヵ月目の生存割合は0.48（48％）となります。

　ここまでお示ししたように、イベントが発生するたびに、その時点までに残っていた人数を分母にして、生存割合の低下を計算することにより、「打ち切り」を考慮した解析を行うことができるのです。

---

講師紹介

長谷川 毅 ( はせがわ たけし ) 氏
昭和大学臨床疫学研究所 所長・教授
昭和大学医学部衛生学・公衆衛生学講座/内科学講座腎臓内科学部門 兼担教授
福島県立医科大学臨床研究イノベーションセンター 特任教授

[略歴]
1996年昭和大学医学部卒業。
2007年京都大学大学院医学研究科臨床情報疫学分野（臨床研究者養成コース）修了。
都市型および地方型の地域中核病院で一般内科から腎臓内科専門診療、三次救急から亜急性期リハビリテーション診療まで臨床経験を積む。その臨床経験の中で生じた「臨床上の疑問」を科学的に可視化したいという思いが募り、京都の公衆衛生大学院で臨床疫学を学び、米国留学を経て現在に至る。

---

バックナンバー

▼ 一覧をもっと見る

---

掲載内容はケアネットの見解を述べるものではございません。
（すべての写真・図表等の無断転載を禁じます。）

　

提供元：CareNet.com

本連載は、臨床研究のノウハウを身につけたいけれど、メンター不在の臨床現場で悩める医療者のための、「実践的」臨床研究入門講座です。臨床研究の実践や論文執筆に必要な臨床疫学や生物統計の基本について、架空の臨床シナリオに基づいた仮想データ・セットや、実際に英語論文化した臨床研究の実例を用いて、解説していきます。

仮想データ・セットを用いて発生率を計算してみる

　今回は早速、仮想データ・セットを用いて、われわれのRQのプライマリアウトカムである末期腎不全の発生率を実際に計算してみましょう。はじめに、今回提供する仮想データ・セットの内容について説明します（仮想データ・セット［エクセルファイル］は下記よりダウンロード可能です）。

　仮想データ・セットをダウンロードする

※ダウンロードできない場合は、右クリックして「名前をつけてリンク先を保存」を選択してください。

・A列：ID
・B列：Treat（1；低たんぱく食厳格遵守群、0；低たんぱく食非厳格遵守群）
・C列：Censor（1；アウトカム発生、0；打ち切り）
・D列：Year（at riskな観察期間）

　Treatという変数を作り、推定たんぱく質摂取量 0.5g/kg標準体重/日未満というE（曝露要因）の定義を満たすか否かで（連載第40回参照）、低たんぱく食厳格遵守群、低たんぱく食非厳格遵守群の2群に分類しています。変数Censorには、アウトカム発生を1、打ち切りを0として観察期間内でのアウトカム発生の有無の情報が入力してあります（連載第37回、第40回参照）。人年法による発生率の計算式は下記のとおりでした（連載第37回、第40回参照）。

発生率＝一定の観察期間内のアウトカム発生数÷at risk集団の観察期間の合計

　まず分子であるアウトカム発生数を、解析対象集団全体および、低たんぱく食厳格遵守群、低たんぱく食非厳格遵守群、それぞれで計算します。Excel関数のSUMおよびSUMIFを使用します。合計を算出するSUM（合計範囲）を用いた以下の式で、解析対象集団全体のアウトカム発生数が計算されます。

・＝SUM（C：C）

　また、検索範囲におけるある条件を満たす合計を算出するSUMIF（検索範囲、検索条件、合計範囲）を用いた以下の式で、低たんぱく食厳格遵守群、低たんぱく食非厳格遵守群、それぞれの群でのアウトカム発生数が計算できます。

・＝SUMIF（B：B、1、C：C）
・＝SUMIF（B：B、0、C：C）

　計算の結果、アウトカム発生数はそれぞれ以下のとおりになります。

・解析対象集団全体　185イベント
・低たんぱく食厳格遵守群　70イベント
・低たんぱく食非厳格遵守群　115イベント

　次に、分母となるat risk集団の観察期間の合計を解析対象集団全体および、低たんぱく食厳格遵守群、低たんぱく食非厳格遵守群でそれぞれ計算しましょう。同様にSUM、SUMIF関数を用います。

・＝SUM（D：D）
・＝SUMIF（B：B、1、D：D）
・＝SUMIF（B：B、0、D：D）

　at risk集団の観察期間の合計（小数点第1位表示）はそれぞれ以下のとおりになったでしょうか。

・解析対象集団全体　2476.4人年
・低たんぱく食厳格遵守群　776.0人年
・低たんぱく食非厳格遵守群　1700.4人年

　それでは上述した発生率の式に1,000を掛けて、1,000人年当たりの発生率をそれぞれの集団で求めてみましょう。

・解析対象集団全体　74.7イベント/1,000人年
・低たんぱく食厳格遵守群　90.2イベント/1,000人年
・低たんぱく食非厳格遵守群　67.6イベント/1,000人年

　次回からは生存時間曲線の比較について、筆者らが出版した英文臨床研究論文の実例や、仮想データ・セットを用いた実際の統計解析方法を解説します。

---

講師紹介

長谷川 毅 ( はせがわ たけし ) 氏
昭和大学統括研究推進センター研究推進部門 教授
昭和大学医学部内科学講座腎臓内科学部門/衛生学公衆衛生学講座 兼担教授
福島県立医科大学臨床研究イノベーションセンター 特任教授

[略歴]
1996年昭和大学医学部卒業。
2007年京都大学大学院医学研究科臨床情報疫学分野（臨床研究者養成コース）修了。
都市型および地方型の地域中核病院で一般内科から腎臓内科専門診療、三次救急から亜急性期リハビリテーション診療まで臨床経験を積む。その臨床経験の中で生じた「臨床上の疑問」を科学的に可視化したいという思いが募り、京都の公衆衛生大学院で臨床疫学を学び、米国留学を経て現在に至る。

---

バックナンバー

▼ 一覧をもっと見る

---

掲載内容はケアネットの見解を述べるものではございません。
（すべての写真・図表等の無断転載を禁じます。）

　

提供元：CareNet.com

本連載は、臨床研究のノウハウを身につけたいけれど、メンター不在の臨床現場で悩める医療者のための、「実践的」臨床研究入門講座です。臨床研究の実践や論文執筆に必要な臨床疫学や生物統計の基本について、架空の臨床シナリオに基づいた仮想データ・セットや、実際に英語論文化した臨床研究の実例を用いて、解説していきます。

いきなり！多変量解析？

　臨床研究における統計解析というと、みなさんはいきなり多変量解析を行ったり、臨床研究といえば多変量解析というようなイメージを持っていないでしょうか。重回帰分析、ロジスティック回帰分析、Cox回帰分析などの多変量解析のさまざまな手法を用いたことがある方や、学会などでこれらの統計解析手法を聞いたこと、論文で目にしたことがある方は多いでしょう。しかし、統計解析手法を正しく選択するためには、変数やアウトカム指標の型をよく知ることが必要となります。また、いきなり多変量解析に飛びつく前に、まずは変数やアウトカム指標の型を意識して正しく記述すること（記述統計）が重要です。

　今回からは、具体的な統計解析手法について、筆者らが行い英文論文化された臨床研究の実例などを引用して解説します。また、架空の臨床シナリオを元に立案したClinical Question（CQ）とResearch Question（RQ）に基づいた仮想データ・セットを用いて、統計解析の実際についても実践的に説明したいと思います。

　まずはここで、これまでブラッシュアップしてきたわれわれのRQの研究デザイン、セッティング、およびPECOについて整理します。

CQ：食事療法を遵守すると非ネフローゼ症候群の慢性腎臓病患者の腎予後は改善するのだろうか
D（研究デザイン）：（後ろ向き）コホート研究
S（セッティング）：単施設外来
P（対象）：慢性腎臓病（CKD）患者
組み入れ基準：診療ガイドライン^1）で定義されるCKD患者
除外基準：ネフローゼ症候群、透析導入（または腎移植）された患者
E（曝露要因）：推定たんぱく質摂取量 0.5g/kg標準体重/日未満
C（比較対照）：推定たんぱく質摂取量 0.5g/kg標準体重/日以上
＊外来受診ごとに行った連続3回の24時間蓄尿検体を用いてMaroniの式より算出
O（アウトカム）：1）末期腎不全（慢性透析療法への導入もしくは先行的腎移植）
＊打ち切り（末期腎不全発症前の死亡、転院、研究参加同意撤回などによる研究からの離脱）
2）糸球体濾過量（GFR）低下速度

　われわれのRQのプライマリアウトカムは末期腎不全であり、アウトカム指標はその発生率となります。発生率は下記の計算式で求められるのでした（連載第37回参照）。

発生率＝一定の観察期間内のアウトカム発生数÷at risk集団の観察期間の合計

　実際の臨床研究論文では、発生率は人年法という手法を用いて、1,000人を1年間観察すると（1,000人年）何件アウトカム（イベント）が発生したか、という形式で記述されることが多いです。

　以下に、筆者らが2023年に出版した臨床研究論文^2）の実際の記述を示します。CKD患者において血清鉄代謝マーカーの1つであるトランスフェリン飽和度（TSAT）レベルと心血管疾患（CVD）およびうっ血性心不全（CHF）の発生リスクの関連を検討した論文です。Resultsの”Incidence of outcome measures”という小見出しで以下のように記載しました。

“Supplementary Fig. S1 shows the incidence rates of CVD and CHF events based on serum TSAT levels. The overall incidence rates of CVD and CHF in the analysed participants were 26.7 and 12.0 events/1000 person-year, respectively. Participants with TSAT <20% had the highest incidence rates of CVD and CHF (33.9 and 16.5 events/1000 person-year, respectively). Conversely, the incidence rates of CVD and CHF were lowest in those with TSAT >40% (17.2 and 6.2 events/1000 person-year, respectively).”

「補足図S1は、血清TSAT値に基づくCVDおよびCHFイベントの発生率を示している。全解析対象者におけるCVDおよびCHFの発生率は、それぞれ26.7および12.0イベント/1,000人年であった。TSATが20％未満の参加者でCVDおよびCHFの発生率が最も高かった（それぞれ33.9と16.5イベント/1,000人年）。一方、CVDとCHFの発症率はTSATが40％以上の患者で最も低かった（それぞれ17.2および6.2イベント/1,000人年）。（筆者による意訳）」

　この論文記載のポイントは、血清TSAT値20％未満（診療ガイドライン^3）で鉄補充療法開始が推奨される基準値）のCKD患者において、CVDおよびCHFの発症率が最も高い、という記述統計の結果がまず示されたということです。

　次回からは仮想データ・セットを用いて、具体的な統計解析方法についても解説をしていきます。

---

【 引用文献 】

• 1）日本腎臓学会編集. エビデンスに基づくCKD診療ガイドライン2023. 東京医学社;2023.
• 2）Hasegawa T, et al. Nephrol Dial Transplant. 2023;38:2713-2722.
• 3）日本透析医学会編集．2015 年版　慢性腎臓病患者における腎性貧血治療のガイドライン.

講師紹介

長谷川 毅 ( はせがわ たけし ) 氏
昭和大学統括研究推進センター研究推進部門 教授
昭和大学医学部内科学講座腎臓内科学部門/衛生学公衆衛生学講座 兼担教授
福島県立医科大学臨床研究イノベーションセンター 特任教授

[略歴]
1996年昭和大学医学部卒業。
2007年京都大学大学院医学研究科臨床情報疫学分野（臨床研究者養成コース）修了。
都市型および地方型の地域中核病院で一般内科から腎臓内科専門診療、三次救急から亜急性期リハビリテーション診療まで臨床経験を積む。その臨床経験の中で生じた「臨床上の疑問」を科学的に可視化したいという思いが募り、京都の公衆衛生大学院で臨床疫学を学び、米国留学を経て現在に至る。

---

バックナンバー

▼ 一覧をもっと見る

---

掲載内容はケアネットの見解を述べるものではございません。
（すべての写真・図表等の無断転載を禁じます。）

　

提供元：CareNet.com

本連載は、臨床研究のノウハウを身につけたいけれど、メンター不在の臨床現場で悩める医療者のための、「実践的」臨床研究入門講座です。臨床研究の実践や論文執筆に必要な臨床疫学や生物統計の基本について、架空の臨床シナリオに基づいた仮想データ・セットや、実際に英語論文化した臨床研究の実例を用いて、解説していきます。

C（比較対照）をおかなければ因果関係（影響や効果など）はわからない

　まずは、よくある？ CMのお話です。　◯◯サプリメントを飲み続けてやせた人の経験談をもとに、

◯◯サプリメントを飲んだ！ やせた！ ◯◯サプリメントはダイエットに効いた！？ 「※個人の感想です」

　誰もが「眉唾」な話、と思うのではないでしょうか。なぜなら、ダイエットに成功したのは、サプリメント（だけ）ではなく、食事制限や運動などによる効果の結果かもしれないからです。

　このような3段論法まがいの誤った論理展開を、（雨乞い）3「た」論法、と呼びます。これは、東京医科歯科大学名誉教授（臨床薬理学・生物統計学）であられた故佐久間 昭先生が著書で述べられた、以下の文章に由来するようです。

雨乞いの太鼓を叩いた、雨が降った、故に雨乞いの太鼓が雨を降らせた？

　雨乞いの太鼓は雨が降るまで続けられるでしょうし、降り止まない雨はありませんよね。したがって、雨乞いの太鼓と降雨に因果関係があると言うのは問題がある、とすることには異論はないでしょう。

　臨床現場における薬剤などの治療効果判定でも同じです。なんらかの疾患（症状）に、ある薬剤を投与し、効果？ がみられたケースだけを取り上げて、単純に「使った、治った、効いた」とするのも、また3「た」論法です。C（比較対照）をおかなければ、E（曝露要因）もしくはI（介入）とO（アウトカム）との関連や因果関係（影響や効果）は検証できないのです。

　それでは、理想的なCとはどのようなものでしょうか。理想的なC、比較対照群とは、臨床研究でOとの関連や因果関係（影響や効果）を検証したいEもしくはI以外の「背景要因」がまったく同じ集団、となります。「背景要因」は測定可能なものと測定できないものに分けられます。

　測定可能な背景要因には、臨床研究論文のTabel 1.でよく記述されている以下のような要因が挙げられます。

年齢、性別、併存疾患、BMI、各種検査所見、等々

　一方、背景要因には、日常臨床では測定不可能なものも多々あります。たとえば、以下のような要因です。

遺伝的背景、生活習慣、社会経済因子、等々

　理想的なC、比較対照群を設定するためには「ドラえもん」のひみつ道具のひとつである「コピーロボット」が必要だよね、と筆者はよく説明しています。「コピーロボット」はその鼻を押すことで、押した人間（動物）とそっくりなコピーとなるロボットです。「ドラえもん」どんぴしゃり世代の筆者にとっては、わかり易い説明だと思っているのですが、最近の若い方にはピンとこないかもしれません…。

　今のところ「コピーロボット」が存在しないこの世の中では、同じ個人が「同時にあるE」もしくは「Iがあった場合となかった場合」を比較することはできません（反事実モデル）。ランダム化比較試験（randomized controlled trial：RCT）では、ランダム（無作為）割付により、IとCの間の背景要因が測定可能なものだけでなく測定不可能なものも均衡化することが期待され、反事実モデルを推定しているのです（連載第6回参照）。

　われわれが計画しているのは観察研究のひとつである（後ろ向き）コホート研究です（連載第37回参照）。観察研究でも、皆さんが大好きな多変量解析やマッチングなどの手法を用いてRCTと同様に、反事実モデルの推定を試みています。言い換えると、多変量解析モデルなどの統計学的手法を用いて、いわゆる「交絡因子」を制御し、EとOとの関連や因果関係を検証しているのです。

　次回からは、架空の臨床シナリオに基づいた仮想データ・セットや実際に英語論文化した臨床研究の実例を用いて、具体的な統計解析手法についても解説していきます。

---

講師紹介

長谷川 毅 ( はせがわ たけし ) 氏
昭和大学統括研究推進センター研究推進部門 教授
昭和大学医学部内科学講座腎臓内科学部門/衛生学公衆衛生学講座 兼担教授
福島県立医科大学臨床研究イノベーションセンター 特任教授

[略歴]
1996年昭和大学医学部卒業。
2007年京都大学大学院医学研究科臨床情報疫学分野（臨床研究者養成コース）修了。
都市型および地方型の地域中核病院で一般内科から腎臓内科専門診療、三次救急から亜急性期リハビリテーション診療まで臨床経験を積む。その臨床経験の中で生じた「臨床上の疑問」を科学的に可視化したいという思いが募り、京都の公衆衛生大学院で臨床疫学を学び、米国留学を経て現在に至る。

---

バックナンバー

▼ 一覧をもっと見る

---

掲載内容はケアネットの見解を述べるものではございません。
（すべての写真・図表等の無断転載を禁じます。）