1  交絡とは

ヒントこの章はブラウザ上で R を実行できます

コードセルは 編集して「Run Code」を押すと再実行 できます(R はあなたのブラウザ内で動いています)。 初回はパッケージの読み込みに数十秒かかります。

1.1 喫煙と 24 年間の死亡

Framingham の 1 回目の診察で喫煙していた人と、していなかった人の、その後 24 年間の死亡を比べます。

死亡割合は 36.1% と 33.8% で、オッズ比 1.11(95% CI 0.98〜1.25)。喫煙と死亡の関連は、ほとんどない ように見えます。

1.1.1 2 つの群は、喫煙以外でも違う

喫煙者は 3.6 歳若く、男性が多い 集団です。年齢は死亡に強く関係するので、若い喫煙者が多いぶん、喫煙者の死亡が少なく見えている可能性があります。

1.1.2 年齢と性別で調整する

年齢と性別をモデルに入れると、喫煙のオッズ比は 1.63(1.40〜1.90)になりました。 同じ年齢・同じ性別の人どうしで比べると、喫煙者は死亡のオッズが 1.6 倍ほど高い、という意味です。

1.2 交絡とは

このように、曝露(喫煙)と結果(死亡)の両方に関係する第 3 の変数(年齢) があり、そのために曝露と結果の関連が歪んで見えることを 交絡(confounding)といいます。

flowchart LR
  A["年齢"] --> E["喫煙"]
  A --> Y["死亡"]
  E -- "知りたい効果" --> Y

  • 年齢 → 喫煙:若い人ほど喫煙者が多い(この集団では)
  • 年齢 → 死亡:高齢ほど死亡が多い
  • そのため、喫煙と死亡の間に、喫煙の効果とは別の「年齢を通じた」関連 が混ざる

交絡因子の条件は、おおむね次の 3 つです。

  1. 結果(死亡)の原因である(またはその代わりになる)
  2. 曝露(喫煙)と関連している
  3. 曝露の 結果ではない(曝露と結果の間の中間因子ではない。第 2 章)

1.3 適応による交絡:降圧薬と死亡

もうひとつの例です。1 回目の診察で 降圧薬 を飲んでいた人の、24 年間の死亡を見ます。

降圧薬を飲んでいた 144 人は、死亡割合が 66.0%(飲んでいない人は 33.6%)でした。 しかし、降圧薬を飲んでいる人は、高齢で、血圧が高く、心臓病の既往が多い 人たちです。薬は、病気が重い人ほど処方される ので、薬を飲んでいる人の予後が悪く見えます。これを 適応による交絡(confounding by indication)といいます。

調整する変数を増やしていくと、オッズ比はどう変わるでしょうか。

  • 調整なし:3.82
  • 年齢・性別:2.67
  • +血圧:1.70
  • +既往・危険因子:1.40(95% CI 0.92〜2.13)

調整するほどオッズ比は小さくなりますが、1 にはなりません。これは「降圧薬が死亡を増やす」ことを意味するでしょうか?

警告測っていない交絡は、調整できない

降圧薬を処方するかどうかは、ここで測った変数だけでなく、医師が見た重症度・臓器障害・家族歴 など、データにない情報でも決まります。 モデルに入れられるのは 測った変数だけ です。調整したオッズ比が 1 より大きく残っていても、それが 薬の効果なのか、測っていない交絡(残余交絡)なのか は、このデータだけでは区別できません。 治療の効果を確かめるには、ランダム化比較試験が必要になります(第 7 章の傾向スコアでも、この問題は解決しません)。

1.4 調整で「何が」変わったのか

調整の前後で推定値が変わったことは、交絡があったことの 目安 になります(「10% 以上変わったら交絡」という基準を使う論文もあります)。 しかし、推定値が変わる理由は交絡だけではありません。

  • 中間因子 を調整すると、効果の一部が消える(第 2 章)
  • 合流点 を調整すると、なかった関連が生まれる(第 2 章)
  • オッズ比は、交絡がなくても、変数を加えるだけで変わる(非併合性、第 3 章)

「調整で変わったから交絡因子」「変わらなかったから調整不要」と、データの結果から調整する変数を決める のは危険です。 何を調整するかは、データを見る前に、因果の構造(第 2 章の DAG)から 決めます。

重要この章のまとめ
  • 交絡:曝露と結果の両方に関係する第 3 の変数のために、関連が歪む
  • 喫煙と死亡:調整なし OR 1.11 → 年齢・性別で調整 1.63(喫煙者が若かった)
  • 降圧薬と死亡:適応による交絡。調整で 3.82 → 1.40 に下がるが、測っていない交絡は残りうる
  • 調整する変数は、結果ではなく 因果の構造 から決める