交絡因子 例 観察研究 バイアス 調整 回帰

交絡因子 例 観察研究 バイアス

あなたの解析、交絡で誤治療を招く損失出ます

交絡因子 例 基本と観察研究の関係

交絡因子とは、曝露とアウトカムの両方に関連する第三の変数です。例えば「コーヒー摂取と心疾患」の関係を調べる際、喫煙が典型的な交絡になります。喫煙者はコーヒー摂取量が多く、かつ心疾患リスクも高いためです。
つまり因果が歪むということですね。

観察研究ではランダム化がないため、この歪みが頻発します。特に後ろ向き研究では交絡が複数同時に存在するケースが多いです。1つだけではありません。
ここが落とし穴です。

交絡を放置すると、リスク比が実際より1.5倍以上ズレることもあります。実際の疫学研究でも、未調整と調整後で有意差が消える例は珍しくありません。結論は慎重に扱う必要があります。
交絡除去が基本です。

交絡因子 例 喫煙 年齢 性別の具体例

代表的な交絡因子には、喫煙・年齢・性別があります。例えば降圧薬の効果を評価する研究で、高齢者ほど薬を服用しやすく、同時に心血管イベントも多い傾向があります。年齢が交絡因子です。
典型例ですね。

また性別も重要です。女性は骨粗鬆症リスクが高く、同時に特定の治療介入を受けやすい場合、結果の解釈に影響します。男女比が偏ると、結果は簡単に歪みます。
ここは要注意です。

喫煙はさらに強力です。喫煙者は非喫煙者より死亡率が約2倍高いとされ、ほぼすべての慢性疾患研究で交絡になります。
強い影響です。

このため、最低でもこれら3つは調整対象に含めるのが実務では一般的です。
これが原則です。

交絡因子 例 回帰分析と調整方法

交絡を制御する方法として最も一般的なのが多変量回帰分析です。ロジスティック回帰やCox回帰を使い、交絡因子を共変量として投入します。
王道の方法です。

例えば5つの交絡因子を同時に調整することで、未調整ではオッズ比2.0だった結果が1.1まで低下するケースがあります。これは見かけの関連だったことを示します。
よくある話です。

他にも層別解析があります。年齢層ごとに分けて比較することで、交絡の影響を可視化できます。Mantel-Haenszel法も古典的ですが有効です。
基本手法です。

交絡の多いデータでは、回帰だけでなく複数手法を併用することが重要です。
併用が安全です。

交絡因子 例 傾向スコアとバイアス対策

近年は傾向スコア（propensity score）がよく使われます。これは「治療を受ける確率」をモデル化し、その値でマッチングや重み付けを行う手法です。
直感的ですね。

例えば1000人のデータで、傾向スコアマッチングを行うと、背景因子がほぼ一致した500人対500人の比較が可能になります。これにより交絡が大幅に減ります。
かなり有効です。

ただし万能ではありません。未測定交絡（unmeasured confounding）は残ります。ここが限界です。
完全ではありません。

未測定交絡のリスクを下げる場面では、感度分析を行うことで結果の頑健性を確認できます。
これも重要です。

交絡因子 例 見落としやすい臨床現場の盲点

臨床現場では「重症度」が見落とされがちな交絡です。重症患者ほど積極治療を受けやすく、同時に予後も悪いため、治療が逆効果に見えることがあります。
典型的な逆転です。

例えばICU研究では、治療群の死亡率が高い場合でも、重症度で調整すると逆転するケースがあります。実際にスコア（APACHE IIなど）で補正すると結果が変わることは珍しくありません。
よく起きます。

このリスクを避ける場面では、「重症度スコアを必ず回帰に入れる」という行動が有効です。目的は交絡の最小化で、候補はAPACHE IIやSOFAスコアです。
これで精度が上がります。

さらに、電子カルテデータを使う場合は欠測も交絡の温床になります。多重代入法などの補完手法も検討が必要です。
ここも盲点です。