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。

仮想データ・セットを用いて論文の表1を作成してみる

　前回は仮想データ・セットを用い、無料の統計解析ソフトであるEZR（Eazy R）の操作手順も交えて、変数の型とデータ・セット記述方法の使い分けについて解説しました（連載第46回参照）。今回は、前回同様に仮想データ・セットからEZRを操作して、表1（患者背景表）を実際に作成してみます。

　まず、下記の手順で仮想データ・セットをEZRに取り込みます。

　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。

・「ファイル」→「データのインポート」→「Excelのデータをインポート」

　次に、

・「グラフと表」→「サンプルの背景データのサマリー表の出力」を選択

　すると、下記のポップアップウィンドウが開きます。

　上段の「群別する変数」とは、treatとしたカテゴリ変数（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）でしたので、こちらを選択します（連載第46回参照）。

　中段の「カテゴリー変数」にはdm（糖尿病の有無）とsex（性別）を選択します（連載第46回参照）。

　前回、連続変数を記述する際にはまずヒストグラム（度数分布図）を描き、その分布がおおむね正規分布に近似しているかどうかを確認しましょう、と説明しました。UP（蛋白尿定量）は右に裾を引いたような非正規分布でしたので（連載第46回参照）、「連続変数（非正規分布）」として選択します。age（年齢）、albumin（血清アルブミン値）、eGFR、hemoglobin（ヘモグロビン値）、sbp（収縮期血圧）は「連続変数（正規分布）」とします。

　その他の設定はデフォルトのままでOKですが、下記の項目は以下のように変更してください。

・正規分布しない連続変数の範囲表示：四分位数範囲（Q1-Q3）

　※これは好みですので最小値と最大値のままでも可（連載第46回参照）。

・連続変数の表示の注釈を加える：Yes
・出力先：CSVファイル

　出力設定が完了したらOKをクリックしてみましょう。EZRの出力ウィンドウに下図の表が作成されたでしょうか。

　treat群別に下記のようにそれぞれの背景データのサマリーが表で示されています（連載第46回参照）。

・カテゴリ変数は群別に実数とその割合で
・連続変数（正規分布）は平均値（Mean）と標準偏差（SD）で
・連続変数（非正規分布）は中央値（Median）と四分位範囲（Inter-quartile range：IQR）で

　この表はCSVファイルとしても出力されています。CSVファイルを英文論文の表1として使えるように成形したものを以下に示します。

　可読性を高めるために、数値は四捨五入して有効数字3桁で丸めています。また、脚注（footnote）で略語をスペルアウトなどして、表だけで独立して理解できるように作成することが重要です。

　表1でp値を記載するかどうかですが、筆者はどちらかというと「記載しない派」です。なぜなら、表1の主な目的は、解析対象となった参加者の記述統計を示すことだからです。場合によっては、表1で異なる群間の比較を示すという意味合いもあることがあります。けれども、p値はあくまで統計的な有意性を示す指標であり、臨床的に意味のある差を示すものではないことに留意が必要です（連載第44回参照）。

　たとえば、今回作成した表1をみてみましょう。低たんぱく食厳格遵守群と低たんぱく食厳格非遵守群で、性別以外の患者背景にはいずれも統計学的有意差（p＜0.05）がついています。両群間で年齢は4歳以上、糖尿病の有病割合は10％以上、収縮期血圧も5mmHg以上差があるので、これらの要因については臨床的にも意味がある差異なのかもしれません。しかし、血清アルブミン値やヘモグロビン値の1ポイントにも満たないわずかな差は臨床的に大きな意味を持つでしょうか。サンプルサイズがそこそこ大きい場合、臨床的にはごくわずかな差でも統計学的には有意差が出ることがあります。

　というわけで、筆者は投稿時点では表1にp値を示さないことが多いです。ただ、査読の段階でエディターやレビュワーからp値も記載するように指摘されることもあり、その際は素直に従います（笑）。

---

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。

変数の型とデータ記述方法の使い分け

　前回は交絡因子について解説し、われわれのResearch Question（RQ）の交絡因子として下記の要因を挙げました（連載第45回参照）。

・年齢、性別、糖尿病の有無、血圧、eGFR、蛋白尿定量、血清アルブミン値、ヘモグロビン値

　今回からは、仮想データ・セットからこれらの交絡因子のデータを「低たんぱく食厳格遵守群」と「低たんぱく食非厳格遵守群」に分けて記述し、表を作成していきます。これは論文の表1として示されることの多い、いわゆる「患者背景表」となります。

　実際に表を作成してみる前に、まずは変数の型とデータ記述方法の使い分け、について説明します。変数の型は連続変数とカテゴリ変数に大別されます。

　連続変数は量を表す変数です。前述した交絡因子では年齢や血圧などの測定値、eGFR、蛋白尿定量、ヘモグロビン値や血清アルブミン値という臨床検査値、が連続変数です。

　カテゴリ変数は性質を表す変数で、名義変数、順序変数が該当します。今回挙げた交絡因子のうち性別と糖尿病の有無、が順序のない2値（1 or 0）の名義変数となります。

　ここからは、無料の統計解析ソフトであるEZR（Eazy R）の操作手順を含めて解説します（連載第43回参照）。表1の作成に必要な仮想データ・セットを以下の手順でEZRに取り込んでみましょう。

　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。

・「ファイル」→「データのインポート」→「Excelのデータをインポート」

　　取り込んだ仮想データ・セットの内訳を下記に示します。

・A列：id 患者ID
・B列：treat 比較群分け（カテゴリ変数　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：age 年齢（連続変数）
・D列：sex 性別（カテゴリ変数　1；男性、0；女性）
・E列：dm 糖尿病の有無（カテゴリ変数　1；糖尿病あり、0；糖尿病なし）
・F列：sbp 収縮期血圧（連続変数）
・G列：eGFR （連続変数）
・H列：UP 蛋白尿定量 （連続変数）
・I列：albumin 血清アルブミン値（連続変数）
・J列：hemoglobin ヘモグロビン値（連続変数）

　それでは、連続変数のデータ記述方法について説明します。連続変数データの代表値としては平均値（Mean）や中央値（Median）が使われます。また、連続変数データのばらつきを示す値としては標準偏差（Standard deviation：SD）や範囲（Range）、もしくは四分位範囲（Inter-quartile range：IQR）を用いる場合があります。それぞれの使い分けについては、実際にEZRを操作しながら説明します。

　連続変数を記述する際、まずはヒストグラム（度数分布図）を確認してみましょう。EZRでは下記の手順でヒストグラムを描くことができます。

・「グラフと表」→「ヒストグラム」を選択

　すると、ポップアップウィンドウが開きますので、まずは下記のとおりに変数や設定を選択してみてください。

　年齢のヒストグラムが比較群分けごとに示されています。想定のとおり、低たんぱく食厳格遵守群（treat=1）は、低たんぱく食非厳格遵守群（treat=0）より年齢の分布が若干若いようです（連載第45回参照）。このヒストグラムのように、その連続変数データの分布が一峰性（ひとやま）でおおむね左右対称で正規分布に近似している場合は、その代表値を平均値（Mean）で、そのばらつきを標準偏差（SD）で記述することができます。

　しかし、臨床研究における連続変数のデータは正規分布に近似するものばかりではありません。たとえば、下記のように「ヒストグラム」のポップアップウィンドウで蛋白尿定量であるUPを選択し、「OK」ボタンをクリックしてみてください。

　ネフローゼ症候群の患者は対象から除外されていることもあり（連載第40回参照）、多くのデータがUP2g/日以下に偏り、右に裾を引いたようなヒストグラムになっています。このような形状のデータ分布の場合、代表値としては中央値（Median）、データのばらつきを示す値としては四分位範囲（IQR）、もしくは最小値から最大値という範囲（Range）で示すことが望まれます。

　なお、カテゴリ変数データの記述方法は簡単です。カテゴリ変数はカテゴリ別の頻度か割合で報告しますが、データ数の大きさによって、下記に示したような使い分けが慣例的に推奨されています。

・データ数が100以上：小数点以下1桁までの割合（%）
・データ数が100未満20以上：整数の割合（%）
・データ数が20未満：割合は使用せず、頻度の実数

---

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。

交絡因子とは

　前回お示しした統計解析ソフトEZR（Eazy R）の生存時間曲線の解析結果では、われわれの帰無仮説（下記）は棄却されませんでした（連載第44回参照）。

「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」

　したがって、生存時間の記述統計解析の結果からは、「末期腎不全の発症率に、低たんぱく食厳格遵守と低たんぱく食非厳格遵守で差があるとは言えない」ということになります。そこで今回は、われわれのResearch Question（RQ）のE（要因）「低たんぱく食厳格遵守」とO（アウトカム）である「末期腎不全」や「糸球体濾過量（GFR）低下速度」との関連を歪める可能性のある交絡因子について解説します。

　まずは、交絡因子の3条件を示します（図）。

図

　交絡因子は、E（要因）とC（対照）との「理想的な」比較を歪める因子、と言い換えることもできます。それでは、われわれのRQで具体的に交絡因子の候補について考えてみましょう。

　たとえば、糖尿病合併の有無はどうでしょうか。糖尿病の合併はOの「末期腎不全発症」リスクを増加させる明らかな予後因子です（条件1）。条件2は要因群（E）と対照群（C）で分布が違う因子、とも言えます。これまでの先行研究レビューで、糖尿病性腎疾患は非糖尿病性腎疾患と比較して低たんぱく食事療法の効果が低いことが示されています（連載第5回参照）。それゆえ、糖尿病合併例では厳格な低たんぱく食事療法の指示を受けている（もしくは遵守できている）割合が低い可能性があり、条件2に該当しそうです。また、「低たんぱく食厳格遵守」した結果として糖尿病となり、「末期腎不全発症」に至るという因果関係は成立しないと思われ、条件3にも合致します。

　年齢はいかがでしょうか。年齢はわれわれのOでも重要な予後因子でしょう（条件1）。高齢CKD患者では、厳しいたんぱく質制限による低栄養などの懸念が診療ガイドラインで示されていることもあり（連載第5回参照）、要因群（E）と対照群（C）で年齢の分布には差がありそうです（条件2）。年齢はわれわれのRQでの中間変数にはあたらないでしょう（条件3）。

　性別は年齢と同様に基本的かつ重要な患者背景の違いとして、条件2に該当するか不明であっても交絡因子として慣習的に扱うことが一般的です。われわれのRQでも男性は女性と比較してOのリスク因子であることは先行研究からも自明であり、少なくとも条件1には合致しますし、中間因子ではないことは明らかです（条件3）。

　蛋白尿の程度や栄養状態・慢性炎症の代替指標としてよく用いられる血清アルブミン値はどうでしょうか。高度な蛋白尿や低い血清アルブミン値はわれわれのOの強い予後悪化因子です（条件1）。高度な蛋白尿や低い血清アルブミン値を呈する症例には、厳格な低たんぱく食事療法を導入しづらいかもしれず、蛋白尿の程度や血清アルブミン値にも要因群（E）と対照群（C）で分布の違いがありそうです（条件2）。蛋白尿の程度や血清アルブミン値は、われわれのRQのEである「厳格な低たんぱく食事療法遵守（vs.非遵守）」とOである「末期腎不全」や「糸球体濾過量（GFR）低下速度」の中間変数である可能性は完全には否めません。しかし、重要かつ強力なベースラインの予後因子であることを考慮し外せない交絡因子としました。

　同様にこれまでの先行研究の知見や医学的観点から、下記の要因を、われわれのRQの交絡因子として挙げ、データを収集することとしました。

年齢、性別、糖尿病の有無、血圧、eGFR、蛋白尿定量、血清アルブミン値、ヘモグロビン値

　次回は収集したこれらの患者背景データを用いて、EZRで記述統計解析を行い、論文の表1の作成方法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。

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。）