Effect modification and non-collapsibility leads to conflicting treatment decisions: a review of marginal and conditional estimands and recommendations for decision-making
本論文は、効果修飾と非崩壊性が併存することで、周辺的推定値と条件付き推定値が相反する治療順位をもたらし得る仕組みを検討し、ターゲット集団に対してこれら両方の種類の推定値を生成するためにマルチレベル・ネットワーク・メタ回帰を活用した意思決定への実用的な推奨事項を提示するものである。
原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。 免責事項の全文を読む
ヘルスケアの世界において、医師や政策立案者は、ある特定の集団に対してどの治療法が最も効果的であるかを決定するという絶え間ない課題に直面しています。彼らは、答えを見つけ出すために、厳密に管理された実験である臨床試験に頼っています。しかし、人々は皆同じではありません。重症の疾患を持つ人もいれば、軽症の人もいます。また、体内の薬への反応を変えてしまう特定の生物学的マーカーを持つ人もいます。このような要因によって治療の効果が変わる場合、科学者はこれを「効果修飾（effect modification）」と呼びます。ある種の患者には劇的な効果がある一方で、別の種類の患者にはほとんど効果がない場合、グループ全体にとっての最善の選択は、そのグループに誰が含まれているかによって決まるということはよく知られた事実です。
これらの決定を下すために、研究者はしばしば複数の試験からデータを組み合わせて、より明確な全体像を描こうとします。しかし、そこには事態を複雑にする数学的な癖があります。治療の成功を測定する際、科学者はしばしばオッズ比やハザード比といった「比」を用います。これらは、あるイベントが発生する可能性を、一方のグループと他方のグループで比較するものです。これらの指標は「非加法性（non-collapsible）」、つまり、集団全体の平均的な結果は、その中に含まれる個人の結果の加重平均には単純にはならないという性質を持っています。このため、平均をどのように算出するかによって、結果が変わります。個々の効果を見てからそれらを平均する方法もあれば、グループ全体のイベント発生率を見て比較する方法もあります。通常、これら2つの方法で得られる数値はわずかに異なりますが、どちらの治療が優れているかという結論については概ね一致します。
デビッド・フィリッポとその同僚たちによる新しい論文は、この一致が必ずしも保証されるわけではないことを明らかにしています。研究者たちは、効果修飾が存在する場合、これら2つの平均算出法が全く正反対の結論を導き出す可能性があることを示しています。一方の方法は「どの治療が個々の患者に最大の平均的利益をもたらすか」を示唆し、もう一方は「どの治療が人口全体で総イベント数を最小にするか」を示唆することがあります。治療の有効性が患者の種類によって大きく異なる場合、これら2つの問いに対する答えは乖離してしまうのです。
著者らは、一連のシミュレーションを用いてこの対立を説明しています。あるシナリオでは、特定のバイオマーカーによって、ある治療が一部の人には非常に効果的である一方で、他の人々には効果が低いという集団をモデル化しました。個人の観点から平均的な利益を計算したとき、データはある薬を明確な勝者として示しました。しかし、グループ全体のイベント発生率を計算したとき、別の薬が最善の選択肢として現れました。この特定の例では、総イベント数を最小限に抑える薬を選択するということは、人口の75パーセントが実際には自分自身にとって劣る治療を受けることを意味していました。逆に、平均的な個人にとって最善の薬を選択することは、集団全体における総イベント数が増加することを意味していました。
この発見は、「集団に対して常に単一の『最善』の治療法が存在する」という一般的な仮定に疑問を投げかけています。研究者らは、この対立は、異なる治療法に対する事象の確率を表す数学的な曲線が互いに交差することによって生じると主張しています。ある治療が特定のサブグループには優れているが別のサブグループには劣っている場合、それらのサブグループが混ざり合うと、全体の平均が順位を逆転させてしまうことがあります。これは、生存時間のような「イベント発生までの時間」を扱うアウトカムにおいて特に重要であり、治療効果を変えないような患者特性であっても、それが存在することで平均的なリスクが時間の経過とともに変化する原因となります。
また、本論文は、研究集団間のこうした差異を調整するために現在用いられているツールについても検証しています。マッチング調整間接比較（matching-adjusted indirect comparison）やシミュレーション治療比較（simulated treatment comparison）といった手法は、試験結果を特定のターゲット集団に適合させるために広く用いられています。しかし、著者らは、これらの手法が元の研究の集団に特化した推定値しか生成できず、異なる特性を持つ新しい集団へ容易に転用できないことを示しています。彼らは、個人のレベルとグループのレベルの両方の推定値を、あらゆるターゲット集団に対して生成できる唯一の現在のアプローチとして、多水準ネットワーク・メタ回帰（multilevel network meta-regression）を挙げています。
最終的に、著者らは意思決定者に対し、単一の数値に頼って判断を下すことをやめるよう推奨しています。代わりに、個人レベルの推定値と集団レベルの推定値の両方を見るべきであるとしています。もし両方の方法が最善の治療について一致していれば、決定は単純です。もし不一致があるならば、それはその集団が均一ではないことを示しており、全員に対する単一の決定は最適ではない可能性があります。そのような場合、最善の策は集団をサブグループに分割し、それぞれのグループに異なる治療を割り当てることです。このアプローチにより、患者は、多数派のために妥協を強いるのではなく、自身の特性に最適な治療を受けられるようになります。論文は、サブグループを特定することは困難であり、注意深い統計的作業を必要とするものの、効果修飾が存在する場合に、個人の利益を最大化することと総害を最小化することの間の葛藤を解決する唯一の方法であると結論付けています。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。