▼▼▼▼▼▼▼▼
チャンネル登録はこちら

誤り，勘違い，誤った解釈

我々はみな完璧ではないので,たびたび誤りを犯す．

観察研究においてよくある間違い，勘違い．誤った解釈について以下にいくつか述べる．

観察研究のデータに基づく２変数の関連性を常に信用すること

観察結果が豊富にあることを無視して，２つの変数を単純に比較する解析を行うことがある．

これは２変数(bivariate)の関連性である．

例えば，統計解析として．カイニ乗検定や相関を調べることのみを行う場合がある．

これらの解析はデータの探索には有用であるが，観察研究においては重大な限界がある．

２つの連続変数の相関は，２つの変数に直線的な関連があるかどうかを評価している．

２つの変数には，Ｕ字型や逆Ｕ字型などの形状での強い関連性があるかもしれない．

その場合，強い相関はないが，非常に強い関連性は存在する．

さらに，もし他の変数をそのモデルに加えたら．カイニ乗検定や無相関検定でみられた関連性が消失するかもしれないし，何もないようにみえたところに強い関連性が現れるかもしれない．

回帰のような多変量の手法を用いた場合に，多くの単変量と２変量の関連性が消失することにより，相関や２変量のカイニ乗検定は誤解を招くものとなる恐れがある．

そのため，相関やカイニ乗検定は，観察的なデータの決定的な解析としては勧められない．

探索的な解析としては有用であり，データを示す簡単な方法となる．

オッズ比と相対リスクは同じ大きさを持つと想定すること

相対リスクを算出するには２つの方法があり得る．

我々は「何のリスクなのか」ということを定義しなければならない．

このことを説明する簡単な方法は，ある特徴が成功の確率を上げるかどうかを検討できるたびに，その特徴が失敗する確率を下げるかどうかを検討することもできた，ということである．

あるイベントが発生する確率の相対的に小さな変化は，イベントが起こらないことの相対的に大きな変化と大抵関連している.

Schulmanらは，ある比較実験を実施し，胸痛を有する患者に心カテーテル法を勧める際の，医師による潜在的なバイアスについて報告した論文を発表した。

多変量ロジスティック回帰分析を用いて女性患者よりも男性患者に対して医師はより心カテーテル法を勧めると結論づけた.

Schwartzらは，批評の中で，オッズ比はその影響を誇張して述べており．相対リスクを用いることが適切である，と述べた。

オッズ比は,共変量の調整が比較的容易にできるが，相対リスクは，ここで考えるように臨床上より重要な関連性であるかもしれない.

90.6%と84.7%を比較してみることは適切だろうか．それは適切である．

より消極的な介入を提案する割合(9.4%と15.3%)を比較することも適切であり，その場合の相対リスクは1.63 (逆数は0.61)とかなり大きな値である．

相対リスクはより直感的なものに見えるが，それは，解釈がより容易であることや，そもそも計算が可能であることでさえも意味するものではない.

結果の解釈の際は，常に慎重になる必要がある．

この事例では，皆が正しく，より多くの情報が得られるならば，解釈は不十分である．

相対的な指標の誤った解釈

Schwartzの論説には，情報を伝達する際のいくつかの有益な指針がリストアップされている．

オッズ比を正確に解釈するのは困難である.

効率のよさから，我々はオッズ比を相対リスクやリスク比として誤って解釈することが多い．

オッズ比はリスク比に変換できることもあるが．これには注意が必要であり，統計家や疫学者によって慎重になされるべきである．

よくある別の問題として，適切な比較が行われていることの保証がある．

どちらの群が分母になるのか？ある特定の群の結果が，偶然にもより広い群に起因するものである場合がある．

最後に，絶対的な割合を簡単に報告したい場合に，我々は相対的な割合を報告することがある．

ある群は治療を受けることが50％少なくなる，という報告は有益に聞こえるが．それぞれの群で治療を受けた人の実際のパーセントを報告することはより有益であり，読者はより結論を出しやすくなる．

因果関係を暗示すること(そういうつもりではない場合でも)　｢その影響はとても大きいよ．とにかく大きなオッズ比／リスク比／絶対リスクをみて関連性の大きさや程度に注目して，因果関係を想定することは，よくある間違った主張である．

多くの変数が測定される研究では，興味のあるアウトカムや曝露に，いくつかの変数が関連しているように見えることは，よくあることである．

ある時系列が，生物学的にみて合理的であるように見えることがあるかもしれない．

アウトカムに対する曝露の影響はゼロではないという有意なエビデンスが,複数の研究から示されるかもしれないが，観察研究，特にある１つの観察研究からは，因果関係を想定することはできない．

我々ができることは関連性の評価に留まる．このことはすべての人が同意しているわけではない.

観察研究におけるエビデンスが，因果関係を支持することを「証明する」ために必要だと研究者たちが考える.

要するに，すべてのエビデンスは同じ方向を示す必要があり，観察に基づいたエビデンスは，強固であり，臨床的または生物学的に意味のある妥当なものであり，統計学的に有意であり，ある種の量一反応関係を示す必要があり．そして最終的には実験に基づくエビデンスが必要となる.この実験に基づくエビデンスは，動物から得られるものかもしれないし，ヒトから集められた観察データを補うための研究所の実験から得られるものかもしれない．

つまり，１つの研究のエビデンスの価値ではなく，様々なグループが実施した多数の研究から得られたエビデンスを．総合したものが必要とされるのである．

観察研究におけるデータ解析に関する誤解や誤った解釈は多く存在し、そのいくつかを正確に理解することは、正確な結論を導くために非常に重要です。まず、観察研究において頻繁に見られる誤りとして、2変数間の関連性を単純に信用してしまうことが挙げられます。観察データの分析において2変数の関連を調べることは基本的なステップではありますが、この関連性に基づいた結論を過度に信用すると誤った解釈が生まれる可能性が高まります。たとえば、カイ二乗検定や相関分析はデータを探索するために有用であり、2変数の間に直線的な関係があるかどうかを評価するのに適していますが、これらの手法には大きな限界があります。2変数の関係がU字型や逆U字型といった非線形の形状で強く結びついている場合、相関係数が低くても実際には強い関連が存在することがあるため、単に直線的な相関の有無を調べるだけでは不十分です。また、他の変数をモデルに追加すると、カイ二乗検定や無相関検定で見られた関連性が消失する可能性もあり、逆に、何も関連がないように見えた変数同士に強い関連性が現れることもあります。このような場合には、単変量および2変量の関連性を過度に信頼せず、多変量解析を用いることでより正確な理解が得られます。多変量解析は、複数の変数が相互に影響を及ぼしあう可能性があるときに特に有用で、回帰分析などの手法を用いることで、単純な2変数間の解析では見えにくい複雑な関連性を明らかにすることができます。従って、観察データの解析においては、相関やカイ二乗検定を決定的な解析手法とするのではなく、探索的な分析手法として用いるのが適切であり、観察研究の解析にはより高度な多変量解析手法が推奨されます。さらに、オッズ比と相対リスクを同一視することも一般的な誤解の一つです。オッズ比は統計解析においてよく使用される指標で、特に回帰分析で共変量の調整が容易であるため、よく採用される指標ですが、臨床的または現実的な解釈においては、相対リスクの方が直感的で分かりやすいとされています。相対リスクは、ある特定の条件下で発生する確率を比較するもので、実際のリスクの大きさや影響を具体的に理解しやすい指標です。オッズ比と相対リスクは理論上同様に用いられることもありますが、その解釈には注意が必要であり、単純に相対リスクのように扱うと誤解を生む可能性があります。例えば、胸痛のある患者に対して心カテーテル法を勧める医師の行動に関するある研究では、多変量ロジスティック回帰分析を用いてオッズ比が算出され、男性患者に対して女性患者よりも心カテーテル法を勧める傾向があると結論付けられましたが、このオッズ比が相対リスクと同様に解釈され、影響が誇張された可能性が指摘されています。Schwartzらの批評では、オッズ比はその影響を強調しており、より適切な指標として相対リスクを用いるべきとされています。このような指摘は、オッズ比が持つ解釈上の問題点に対する注意喚起とも言えるでしょう。オッズ比と相対リスクはしばしば混同されますが、解釈を正確に行うためには、どちらが適切かを慎重に選択する必要があります。適切な比較も重要であり、例えば2つの群での治療の割合を比較する場合に、90.6%と84.7%のような実数の比較は直感的に理解しやすいものです。同様に、消極的な介入の割合を示す9.4%と15.3%を比較することも適切であり、この場合の相対リスクは1.63（逆数は0.61）となり、介入の効果の大小が具体的に把握できます。相対リスクは直感的に把握しやすい一方で、実際に計算可能であるかや、解釈が簡単であるかということは別問題であり、安易な解釈は避けるべきです。因果関係を暗示することは観察研究においてよくある誤りのひとつです。観察研究の結果がオッズ比や相対リスク、絶対リスクの観点から大きな値を示す場合、その関連性の大きさに目がいき、因果関係があると考えてしまうことがあります。しかし、観察研究では因果関係を証明することはできず、あくまで関連性を示すものにすぎません。観察研究におけるデータは、あくまで関連性の評価にとどまるべきであり、因果関係を導くためには介入実験や無作為化試験といった別の研究デザインが必要とされます。観察研究から因果関係を想定することは、研究デザインの限界を無視した解釈であり、多くの変数が影響し合う中で得られたデータを慎重に解釈する必要があります。Schwartzらの論説でも、オッズ比を相対リスクとして解釈することは情報の伝達に混乱を招きやすいと指摘されています。情報の正確な伝達は統計家や疫学者に求められる責任であり、オッズ比が適切に使われているかを常に意識することが重要です。もう一つの問題として、絶対的な割合と相対的な割合を適切に報告することも挙げられます。ある治療法によって治療を受ける割合が50％減少したという報告は一見有益に見えますが、各群の実際の治療を受けた人数や割合も併せて報告することで、より具体的な情報が得られます。これにより、読者はデータに基づいた結論を出しやすくなり、結果の信頼性も向上します。さらに、観察研究で得られるデータが因果関係を支持するためには、複数の研究からのエビデンスが同じ方向を示していることが重要です。観察に基づくエビデンスは統計的に有意であるだけでなく、生物学的に合理的で、かつ臨床的にも妥当なものである必要があります。エビデンスの信頼性を高めるためには、単一の観察研究に依存するのではなく、多数の研究からのデータを総合することが必要です。最終的には、動物実験やヒトから得られる実験データといった実験に基づくエビデンスも加味することで、観察データの解釈がより確かなものとなります。観察研究の限界を正確に理解し、さまざまなデータを総合的に評価することが、真の因果関係の理解には欠かせないのです。