技術的要約：N-of-1試験における因果推論

問題提起

ランダム化比較試験（RCT）における従来の因果推論のアプローチは、集団内における平均的な因果効果を推定することに焦こそしている。しかし、個別化医療の台頭により、個人は治療に対して異質な反応を示したり、独自の好みを保持していたり、あるいは既存の集団レベルのRCTの適格基準を満たさない場合があるなど、こうしたアプローチの限界が浮き彫りになっている。N-of-1試験（単一の個人が連続する期間において治療と対照を交互に受ける、個人内クロスオーバー試験と定義される）は、個人特有の因果効果を特定するための潜在的な解決策を提供する。

その直感的な魅力にもかかわらず、N-of-1試験の分析と解釈は方法論的に複雑なままである。ランダム化の役割、交絡の処理（具体的には自己相関やキャリーオーバー効果）、および適切な因果的推定対象（estimand）をめぐって混乱が生じている。先行文献では相反する見解が示されており、ランダム化によって因果推論手法の必要性が排除されると主張するものもあれば、ランダム化された設計であっても自己相関やキャリーオーバーを考慮しなければならないと主張するものもある。本論文は、直感的な主張を裏付けるための正式な因果推論フレームワークを構築し、精密な推定対象を定義し、単一のN-of-1試験における識別および推定戦略を確立する必要性に取り組むものである。

方法論

フレームワークと表記法

著者らは、構造的因果モデル（SCM）と反事実的推論に基づく正式な因果推論フレームワークを採用している。彼らは、N-of-1試験を、ベースライン時に治療スケジュール $Z$ が割り当てられ、時間の経過とともに周期的に繰り返される研究として定義する。時刻 $k$ における治療状態 $A_k$ は、$Z$ の決定論的な関数である。分析は、ほぼ無限の超集団（superpopulation）からの１つの抽出として概念化された単一の個人に焦点を当てており、これにより個人特有の因果効果の定義を可能にしている。

因果モデル

本論文では、主に2つの因果モデルを開発している。

1. 基本シナリオ:

   • 仮定: アウトカム $Y_k$ は、構造方程式 $Y_k = f^Y(A_k, U, \epsilon_k)$ によって生成される。ここで、$U$ は未測定の個人固有の特性（ベースライン共変量）を表し、$\epsilon_k$ は時変的なノイズを表す。
   • 主要な制約: このモデルは、キャリーオーバー効果（時刻 $k$ での治療が時刻 $k' > k$ のアウトカムに影響を与えないこと）、アウトカム－アウトカム効果、および時間の経過とともに分布が変化するアウトカムの時変的な共通原因が存在しないことを仮定している。
   • 定常性: 強固な条件付き定常性を仮定している。すなわち、$U$ が与えられたとき、反事実的なアウトカムの分布は時間を通じて一定である。

2. 緩和された因果モデル:

   • 動機: キャリーオーバー効果、自己相関、またはタイムトレンドといった臨床現場で一般的な定常性への脅威に対処すること。
   • 構造: このモデルは、過去の治療、過去のアウトカム、および過去の共変量の状態に影響を受ける可能性のある時変的な共変量 $L_k$（例：環境要因、生理学的状態）を導入する。アウトカム $Y_k$ は、$A_k, Y_{k-1}, L_k, L_{k-1}$、および個人固有の変数 $U$ に依存する。
   • 仮定: 強固な定常性は緩和されているが、正則性制約を課している。すなわち、$L_k$ および $Y_k$ を生成する関数形式は時間の経過とともに変化せず、ノイズ分布は定常である。これは、直接的および間接的なキャリーオーバー効果、ならびにアウトカム－アウトカムの依存関係を許容する。

識別と推定

• ターゲットとなる推定対象: 本論文では、U-CATE（$U$ 条件付き平均治療効果）を主要な推定対象として定義する。これは、特定の個人における「常に治療を受ける」戦略と「決して治療を受けない」戦略の間の期待反事実的アウトカムの対比を表す。
• 基本シナリオの推定: 基本モデルの下では、U-CATEは、治療期間中の観測されたアウトカムと対照期間中のアウトカムの単純な平均差によって識別される。著者らは、この単純な差が不偏かつ漸近正規な推定量であることを証明している。
• 緩和されたモデルの推定: 緩和されたモデルの下では、キャリーオーバーやタイムトレンドにより、単純な平均差はバイアスを持つ。著者らは、特定の定常条件が満たされる場合に、縦断的g-formulaを用いてU-CATEが識別可能であることを示している。これには、直接的な原因（例：$P(Y_k | A_k, Y_{k-1}, L_k, L_{k-1}, U)$）を条件としたアウトカムおよび共変量の条件付き分布を推定することが必要となる。
• ランダム化の役割: 著者らは、これらの設定において、個人の特性（$U$）および特定のスケジュール（$Z$）に条件付けられた推論を行う場合、治療スケジュールのランダム化は識別のために厳密には必要ではないと主張している。ランダム化は、主に、異なる時点や異なるスケジュールに対して周辺的な推論を行いたい場合に、交換可能性を確保するために機能するが、中核となる個人特有の推論は、構造的仮定と定常性条件に依存している。

主要な結果

1. N-of-1推論の定式化: 本論文は、超集団フレームワーク内でN-of-1試験を形式化することに成功し、厳密な個人特有の因果効果としてのU-CATEを定義した。
2. 単純な推定量の妥当性: 「基本シナリオ」（キャリーオーバーなし、タイムトレンドなし）において、単純な非対応の平均差がU-CATEの有効で不偏な推定量となる。これは、特定のN-of-1の文脈における単純なt検定の使用に対する理論的な正当性を与えるものである。
3. 複雑な状況下での識別: キャリーオーバー効果、自己相関、および時変的な交絡因子を含むより現実的な設定においても、特定の定常条件が満たされ、十分なデータ（繰り返されるサイクル）が利用可能であれば、g-formulaを介してU-CATEが依然として識別可能であることを本論文は示している。
4. データの適用: 著者らは、ニキビの重症度に関する2つのN-of-1試験の公開データを用いて、彼らの手法を適用した。
   • 基本モデルの下では、一方の参加者は有意な治療効果を示し、もう一方は示さなかった。
   • 緩和されたモデル（時刻、温度、および潜在的なキャリーオーバーを考慮）の下では、g-computationアルゴリズムは、二人目の参加者には好ましい治療効果があることを確認したが、一人目の参加者については効果の証拠は見出せなかった。
   • この適用は、データ生成過程に関する仮定の違いがいかに異なる分析戦略と結果をもたらすかを例証しており、モデルの仕様化の重要性を強調している。

意義と主張

本論文は、アドホックな統計的手法を超えて、N-of-1試験の分析に不可欠な理論的基礎を提供することを主張している。形式的な因果フレームワークにこれらの試験を根付かせることで、著者らは以下のことを目的としている：

• 単一被験者デザインにおけるランダム化の必要性と交絡の処理に関する誤解を明確にすること。
• 特定の、明確に定義されたシナリオにおける単純な推定量の使用を正当化すること。
• キャリーオーバーやタイムトレンドが存在する複雑なN-of-1試験を分析するための、厳密な経路（g-formulaを介して）を提供すること。
• 単一のN-of-1試験の結果は個人に特有であるが（汎用性は限定的）、一連のN-of-1試験を集計することで、（$U$ による効果修飾がないなどの特定の仮定の下で）集団レベルの平均治療効果の効率的な推定が可能になることを強調すること。

著者らは、結果の妥当性が基礎となる因果的仮定（定常性、正しいモデル仕様など）の妥当性に大きく依存することを認め、控えめな姿勢を維持している。彼らは、フレームワークが個人の効果の識別を可能にする一方で、これらの結果を将来の時点や他の個人へと転送（transportability）することは、個別化医療の本質的な課題として残ることを指摘している。