A critical evaluation of longitudinal proportional effect models

大きな全体像：「魔法」ではない「魔法の」数式

新しいランニングシューズ（実薬群）が、古い靴（対照群）よりもランナーを速く走らせるかどうかを確かめるために、あなたがレースに参加していると想像してください。

科学者たちは、「縦断的比例効果モデル（Longitudinal Proportional Effect Model）」と呼ばれる新しい数学的ツールに熱狂してきました。このツールの売り文句は、それが「スーパーチャージャー」であるという点です。標準的な手法よりも強力であり、「新しい靴によってランナーのスピードは何パーセント向上したのか？」という非常に具体的な問いに対して、直接的な答えを出せると主張しています。

しかし、ドノヒュー、インセル、およびラングフォードによるこの論文は、批判的な警告ラベルです。彼らは、この「スーパーチャージャー」は実は壊れていると主張しています。それは単により良い答えを出すだけでなく、治療が実際よりも効果があるように錯覚させ、同時に、それが有害である可能性を隠してしまうような**偏り（バイアス）**のある答えを出してしまうのです。

コアとなる問題：「ゼロ地点」の罠

このバイアスを理解するために、温度計を想像してみてください。

• 標準的な手法（定規）： 温度の「差」を測定します。部屋が70度から75度になったら、変化は+5度です。0度から5度になったとしても、変化はやはり+5度です。どこからスタートしても関係ありません。
• 「比例」を用いた手法（パーセンテージ）： 開始点に対する「相対的な変化」を測定します。
  • 70度からスタートして75度になった場合、それは小さなパーセンテージの上昇です。
  • しかし、0度からスタートして5度になった場合、計算が壊れます。ゼロに対するパーセンテージを計算することはできません。
  • さらに、マイナス10度からスタートしてマイナス5度になった場合、計算は奇妙で不安定になります。

論文では、医学試験（特にアルツハイマー病のような疾患）において、「開始点」（対照群の平均スコア）がしばしばゼロ付近、あるいはマイナス（健康状態の低下を表す）になることが多いと指摘しています。数学がゼロに近い数値から「パーセンテージによる改善」を計算しようとすると、計算は不安定になり、結果を「幻視」し始めるのです。

「好意的」なバイアス：一方通行の道

著者らは、このモデルには組み込まれた**「好意的なバイアス」**があることを発見しました。

新しい靴のブランドを密かに応援している審判を想像してください。

1. もし新しい靴が役に立つ場合： モデルはその効果を誇張します。改善が非常に大きく見えるように仕向けます。
2. もし新しい靴が害を与える場合： モデルはそのダメージを見落とします。まるで盲点があるかのように振る舞い、治療が実際には状況を悪化させていることを検知するのが非常に困難になります。

論文は、このバイアスがモデルのルールが完璧に守られている場合であっても発生することを示しています。それは科学者がツールの使い方を間違えたのではなく、ツールそのものに欠陥があるのです。

「グループ・ラベリング」のトリック

この論文は、モデルの答えが、どちらを「グループA」と呼び、どちらを「グループB」と呼ぶかによって変わってしまうという奇妙な癖を指摘しています。

• 新しい治療法をメインのグループとしてラベル付けすると、モデルは治療が良く見えるように結果を偏らせます。
• ラベルを入れ替えて、対照群をメインのグループにした場合、モデルは対照群が良く見えるように結果を偏らせます。

これは、物体を左側に置くと左に傾き、右側に置くと右に傾く秤のようなものです。優れた秤であれば、物体をどこに置いても同じ重さを示すはずです。このモデルはラベル付けによって意見を変えてしまうため、その結果は信頼できません。

シミュレーション結果：「93%のエラー」

著者らは、コンピュータ・シミュレーション（仮想的な臨床試験）を実行してこれをテストしました。その結果、恐ろしい事実が判明しました。

• 対照群の平均スコアがゼロに近いとき、たとえ治療効果が全くなかったとしても、モデルは「何も起きていない」という考えを93%の確率で拒絶し始めました。
• 標準的なテストでは、間違いが発生する確率は5%（これは「第一種の過誤」と呼ばれます）であるべきです。しかし、このモデルは本来あるべき姿よりも20倍近く多く間違っていました。
• 多くの場合、このモデルは片側検定のように振る舞いました。つまり、「効果がある！」と叫ぶことはあっても、「害がある！」と叫ぶことは滅多にないのです。

安全性の懸念：害を隠蔽する

このバイアスの中で最も危険な部分は、安全性に関するものです。
アルツハイマー病のような疾患では、薬が記憶力を悪化させる（治療による害）という現実的な懸念があります。

• このモデルは「改善」を見ることに偏っているため、「低下」を見るのが非常に苦手です。
• 著者らは、このモデルを使用することで、数学が「パーセンテージによる改善」を見つけようと躍起になるあまり、被害に気づけず、結果として患者に害を及ぼす可能性のある薬を承認してしまう危険性があると警告しています。

結論：使うべきではない

著者らは、高い「統計的検出力（ノイズの中から信号を見つけ出す能力）」という約束にもかかわらず、このモデルはそのリスクに見合うものではないと結論づけています。

• モデルが主張する「検出力」とは、実際には成功を装った**「バイアス」**に過ぎません。
• 標準的な線形モデル（「定規」）の方が安全で、誠実であり、グループのラベル付けによって答えが変わることもありません。
• 彼らは、特に安全性の観点から、科学者がこれらの比例効果モデルの使用を避けることを推奨しています。

要約すると： この論文は、この新しい数学的ツールは、新しい車を運転している時に常に「高速」と表示するものの、崖に向かって走っている時には警告してくれない、壊れたスピードメーターのようなものだと言っています。あなたを騙すような派手なスピードメーターを使うよりも、古くて信頼できるスピードメーターを使う方が賢明なのです。