症例対照研究 オッズ比 なぜを実務で外さない考え方

症例対照研究 オッズ比 なぜ使うのか

「オッズ比だけ確認して帰宅する」と、あなたは数年後に高額な無駄検査の責任を負うことがあります。

症例対照研究 オッズ比 なぜリスク比が直接出せないのか

症例対照研究は、「病気になった人」と「なっていない人」を先に集め、過去の曝露歴をさかのぼって調べる「後ろ向き研究」です。 jeaweb(https://jeaweb.jp/glossary/glossary005.html)
この時点で、母集団における「発症した割合」そのものは設計上わかりません。 jeaweb(https://jeaweb.jp/glossary/glossary005.html)
研究者が「症例100人：対照100人」「症例200人：対照400人」のように、症例と対照の人数を恣意的に決められるからです。 best-biostatistics(https://best-biostatistics.com/contingency/odds_risk.html)
つまり〇〇が原則です。

リスク比は「曝露あり群の発症リスク ÷ 曝露なし群の発症リスク」ですが、症例対照研究では、そもそも各群の「リスク（発症率）」を測っていません。 jeaweb(https://jeaweb.jp/glossary/glossary019.html)
データとして手元にあるのは「症例の中での曝露のオッズ」「対照の中での曝露のオッズ」です。 nstudy(https://nstudy.info/23-6/)
そのため、計算可能なのは「曝露オッズの比＝オッズ比」であり、「リスク比」を計算したように見せる式は作れても、母集団のリスクを反映した値にはなりません。 medu4(https://medu4.com/topics/ed9523102e)
結論はオッズ比しか正当に比較できない、ということです。

例えば、ある薬剤と転倒の関連を調べる症例対照研究を考えます。 statfit-lab.hatenablog(https://statfit-lab.hatenablog.com/entry/20250228/1740697362)
転倒した患者200人、転倒していない患者400人を研究者が任意に選んだとします。
この人数設定を「200:400」から「200:800」に変えても、オッズ比は変わりませんが、リスク比の見かけは大きく変動します。 ilikeercp(https://ilikeercp.com/rj/page-odds/)
つまりオッズ比なら問題ありません。

症例対照研究 オッズ比 なぜ相対危険度の近似になるのか

教科書に必ず書かれているのが、「発症率が低いとき、オッズ比は相対危険度（リスク比）の近似になる」という一文です。 jeaweb(https://jeaweb.jp/glossary/glossary019.html)
医療従事者の多くは「稀な疾患ならオッズ比≒リスク比だから大丈夫」とだけ覚えてしまいがちです。
実務では、この「稀」の感覚がかなり重要です。
つまりそこが基本です。

具体例で見てみます。
喫煙の有無と、あるがんの発症をコホートで追跡したとします。 best-biostatistics(https://best-biostatistics.com/contingency/odds_risk.html)
喫煙あり群1000人中30人が発症（3%）、喫煙なし群1000人中10人が発症（1%）とすると、リスク比は0.03/0.01＝3倍です。 best-biostatistics(https://best-biostatistics.com/contingency/odds_risk.html)
一方、オッズ比は「発症オッズ」で見るので、喫煙あり群は30/970≒0.0309、喫煙なし群は10/990≒0.0101です。 best-biostatistics(https://best-biostatistics.com/contingency/odds_risk.html)
オッズ比は0.0309/0.0101≒3.06で、リスク比とほぼ同じになります。 best-biostatistics(https://best-biostatistics.com/contingency/odds_risk.html)
つまりリスク比≒オッズ比ということですね。

しかし、発症率が高くなるほどズレは大きくなります。
例えば、曝露群の発症率75%、非曝露群の発症率33%という極端な例を考えると、リスク比は0.75/0.33≒2.25ですが、オッズ比は3/0.5＝6まで膨らみます。 best-biostatistics(https://best-biostatistics.com/contingency/odds_risk.html)
患者への説明で「リスクが約6倍です」と言ってしまうと、実際のリスク（2.25倍）より大きく伝えることになります。
これは患者の意思決定に直結する誤差です。
厳しいところですね。

臨床現場では、ベースラインリスクが5%前後を超えるかどうかを一つの目安にして、「オッズ比をそのまま『リスクが○倍』とは言わない」線を引いておくと安全です。
特に、多変量調整されたオッズ比は、一見きれいな数字でも「近似の前提条件」を外れていることが多いからです。 medical-rs.sakura.ne(https://medical-rs.sakura.ne.jp/archives/376)
オッズ比をリスク比として扱うかどうかが条件です。

症例対照研究 オッズ比 なぜ症例数に依存しないのか

症例対照研究でリスク比が使えない決定的な理由の一つは、「症例数を変えるとリスク比が変わってしまうのに、オッズ比は変わらない」という点です。 ilikeercp(https://ilikeercp.com/rj/page-odds/)
これは、研究デザインとして症例数と対照数を研究者が自由に決められる、という構造に起因します。 ilikeercp(https://ilikeercp.com/rj/page-odds/)
つまり構造上の問題ということですね。

具体的なイメージをつかむために、2×2表を考えます。

- パターンA：症例250人、対照250人
- 症例：曝露あり150人／曝露なし100人
- 対照：曝露あり50人／曝露なし200人
- 症例の曝露オッズ＝150/100＝1.5
- 対照の曝露オッズ＝50/200＝0.25
- オッズ比＝1.5/0.25＝6

- パターンB：症例100人、対照400人（症例の比率を変えた例）
- 症例：曝露あり60人／曝露なし40人（同じ比率）
- 対照：曝露あり80人／曝露なし320人（同じ比率）
- 症例の曝露オッズ＝60/40＝1.5
- 対照の曝露オッズ＝80/320＝0.25
- オッズ比＝1.5/0.25＝6

このように、症例数や対照数をどのように設定しても、曝露の割合さえ同じであればオッズ比は一定です。 ilikeercp(https://ilikeercp.com/rj/page-odds/)
一方、リスク比を「症例の発症率」とみなして計算しようとすると、症例数と対照数の比を変えるたびに値が変動してしまいます。 best-biostatistics(https://best-biostatistics.com/contingency/odds_risk.html)
リスク比なら違反になりません、とはいえない設計なのです。

臨床の現場では、症例対照研究の結果として出てきたオッズ比を見て、「症例数が少ないから結果が不安定だ」と直感的に感じても、実は「症例数が変わってもオッズ比自体は変わらない」という性質を踏まえて解釈する必要があります。 ilikeercp(https://ilikeercp.com/rj/page-odds/)
不安定になるのはオッズ比そのものではなく、信頼区間の広がりです。
そこに注意すれば大丈夫です。

症例対照研究 オッズ比 なぜロジスティック回帰で多用されるのか【独自視点】

多くの医療従事者が日常的に触れているのは、「ロジスティック回帰のアウトプットとしてのオッズ比」です。 medical-rs.sakura.ne(https://medical-rs.sakura.ne.jp/archives/376)
症例対照研究に限らず、電子カルテのデータベース研究など、さまざまな観察研究でロジスティック回帰が使われています。
ここには、計算上・理論上の利点が複数あります。
つまり統計モデルとの相性が良いということですね。

ロジスティック回帰では、アウトカム（発症した／していない）を0-1の二値で扱い、「ある要因に1ユニットの変化があったとき、オッズが何倍になるか」を係数として推定します。 best-biostatistics(https://best-biostatistics.com/contingency/odds_risk.html)
この係数を指数変換すると、自然に「オッズ比」という形になるのです。 medical-rs.sakura.ne(https://medical-rs.sakura.ne.jp/archives/376)
そのため、リスク比よりも技術的に扱いやすく、共変量が多い医療データとの相性が良い指標になっています。

しかし、「扱いやすい」ことと、「解釈しやすい」ことは別問題です。
臨床の場で重要なのは、「層別のベースラインリスク」と組み合わせて解釈することです。
例えば、70歳以上・心不全ありの患者群におけるオッズ比2.0と、40歳代・健常者のオッズ比2.0では、絶対リスクの増加量が大きく異なります。
いいことですね。

実務的な対策としては、次のような手順が有効です。

- ロジスティック回帰の結果を見たら、まずオッズ比だけでなく、95%信頼区間の幅を確認する
- 可能であれば、同じデータでリスク差やリスク比を推計している資料がないか探す
- 患者説明のときは、「○倍」という表現だけでなく、「100人中○人程度が増えるイメージ」として絶対数で言い換える

このように、「モデル上はオッズ比でしか出ないが、患者にはリスク差で説明する」姿勢を徹底することで、過大評価や不必要な不安を避けやすくなります。 statfit-lab.hatenablog(https://statfit-lab.hatenablog.com/entry/20250228/1740697362)
結論はオッズ比をそのままリスクの大きさとして話さないことです。

症例対照研究 オッズ比 なぜ臨床現場で誤解が生まれるのか

最後に、医療従事者が現場で直面しやすい誤解のパターンと、そのリスクを整理します。
症例対照研究におけるオッズ比は、意外と「数字だけが独り歩きしやすい指標」です。 yaku-tik(https://yaku-tik.com/yakugaku/es-2-3-4/)
特に、忙しい外来やカンファレンスでは、「OR=4.0だからリスクも4倍くらい」とまとめてしまいがちです。
痛いですね。

誤解の典型パターンを挙げます。

- 発症率が決して低くない疾患（例：10〜20%程度）で、オッズ比をリスク比のように扱う
- 設計が症例対照研究なのに、「前向きコホート」のつもりで解釈してしまう
- ロジスティック回帰の調整オッズ比だけを見て、「因果効果」とみなしてしまう

このような誤解は、医療現場にとって時間とコストのロスにつながります。
例えば、オッズ比をリスク比と誤解して「リスクが6倍」と説明されると、患者や家族は高額な予防的検査や遠方への通院を選択しやすくなります。
その結果、「1人あたり年間数万円レベルの自己負担増」が数年続くケースも生じます。
これは使えそうです。

リスクを減らすための現実的な工夫としては、次のようなものがあります。

- 症例対照研究を読むときは、「これはベースラインリスク不明のデザインだ」と最初に心のなかでラベルを貼る
- ORが大きくても、「発症率が低い前提かどうか」「症例と対照が同じ母集団から来ているか」をセットで確認する。 jeaweb(https://jeaweb.jp/glossary/glossary019.html)
- カンファレンスで他職種と共有するときは、「オッズ比」と「リスク比」を意図的に言い分ける

また、統計に不慣れなスタッフ向けには、院内勉強会で「オッズ比をリスク比に近似して良い範囲」の感覚を共有しておくと、誤解を組織的に減らせます。 statfit-lab.hatenablog(https://statfit-lab.hatenablog.com/entry/20250228/1740697362)
つまり教育と共有が必須です。

症例対照研究とオッズ比の関係を正しく理解しておけば、「大きな数字に振り回される」場面をかなり減らすことができます。
結果として、検査や治療の優先順位付けが現実的になり、患者にとっても医療機関にとっても、時間とコストのロスを減らすことにつながります。
どういうことでしょうか？

症例対照研究とオッズ比の詳しい定義や、母集団の代表性に関する前提条件については、以下の日本疫学会の用語解説が参考になります。 jeaweb(https://jeaweb.jp/glossary/glossary005.html)
日本疫学会 疫学用語の基礎知識「オッズ比」
日本疫学会 疫学用語の基礎知識「症例対照研究」