Combining longitudinal cohort studies to examine cardiovascular risk factor trajectories across the adult lifespan

技術サマリー：心血管リスク因子の軌跡を検討するための縦断コホート研究の統合

問題提起
心血管疾患（CVD）の発症は生涯にわたるプロセスであるが、既存の疫学的理解は、しばしば中年期に測定された単一時点のリスク因子測定値に依存している。近年の文献は、成人初期から始まる累積曝露と長期的な軌跡の重要性を強調しているが、米国人口を広く代表する集団において、成人期全体（青年期から老年期まで）にわたる詳細な表現型データを収集した単一の研究は存在しない。さらに、個々の縦断コホートは、しばしば年齢カバレッジが限定的（例：中年期から開始、または老年期前に終了）であり、特定の検査における特定リスク因子のデータ欠損を含んでいる。従来のメタ分析は、個別の研究から結果を集約するが、定義の調和、共変量の一貫した調整、または個人レベルまたはサブグループレベルでの異質性の検討のために、個人レベルのデータを活用することができない。課題は、研究間の異質性（地理、歴史的時期、サンプル特性）を考慮しつつ、重複するが同一ではない年齢範囲と欠損したリスク因子測定値を持つ複数のコホートからのデータを統合することにある。

方法論
著者は、生涯リスク統合プロジェクト（LRPP）に属する 7 つのコホートにわたる複数の縦断的心血管リスク因子を共同でモデル化するためのベイズ階層多変量アプローチを提案する。データセットには、ARIC、CARDIA、CHS、MESA、FHS、FOS、JHS などのコホートから 256,000 件以上の観測値が含まれており、以下の 7 つの主要なリスク因子を網羅している：収縮期血圧（SBP）、拡張期血圧（DBP）、BMI、グルコース、総コレステロール、HDL、トリグリセリド。

方法論の中核は、リスク因子の傾きにおける年齢依存性の変化を捉えるために、10 年ごとの区切り（18 歳、28 歳、…、78 歳）でブレイクポイントを設けた区分的線形スプラインモデルである。モデル構造には以下が含まれる：

1. 多変量モデリング：特定の年齢において、モデルは同一個人内の異なるリスク因子の傾き間の相関を捉える。
2. 縦断モデリング：これは、個人内における時間経過に伴うリスク因子の傾向の相関を捉える。
3. 階層構造：
   • 固定効果：全体の切片、グローバルな年齢傾き、およびベースライン共変量（人種、学歴、出生年、コホート）との相互作用を含む。出生年は、世俗的傾向と世代間差異を調整するために四分位群に分類される。
   • 随机効果：
     • 個人レベル：ランダム切片とグローバルな年齢傾き（$p=0, 1$）は、被験者固有の偏差を許容し、リスク因子間における個人内の相関を捉える。
     • コホートレベル：スプラインベースの傾き増分（$p \ge 2$）に対するランダム効果は、コホート固有の偏差と、異なる研究間における傾向変化の相関を捉える。
4. 誤差分布：残差は、潜在的な非対称性と分散不均一性を考慮するために、年齢区間固有のスケールおよび歪度パラメータを持つ歪み正規分布を用いてモデル化される。
5. 欠損データ処理：この枠組みは、特定のコホートでカバーされていない年齢におけるリスク因子、または特定の検査で欠損しているものを欠損データとして扱う。これは、未観測測定値を埋めるために、リスク因子、年齢区間、およびコホート間で情報を借用する多重補完を利用する。
6. 推論：パラメータは Stan 経由のマルコフ連鎖モンテカルロ（MCMC）を用いて推定される。この高次元設定（842 パラメータ）における堅牢な収束を確保するために、著者はスーパーチェーンとサブチェーンを用いたネスト型 $\hat{R}$ 法を採用する。

主要な貢献

• 新規統計的枠組み：本論文は、観測されていない年齢を除外するのではなく欠損データとして扱うことで、重複しない年齢範囲を持つ複数の縦断コホートを統合する方法を導入する。
• 情報の借用：モデルは、個々の軌跡の精度を高めるためにすべてのリスク因子からの情報を活用し、コホート間から情報を借用して観測されていないリスク因子を補完することで、実質的にリスク因子軌跡の観測可能な生涯を拡張する。
• 堅牢な検証：著者は、以下の新規診断法を開発・実装した：
  • 事後予測チェック（PPC）：観測データのテスト統計量と複製データを比較し、残差変動、平均軌跡、および分散比を検証する。
  • 相関構造の検証：モデルが、同じおよび異なる年齢におけるリスク因子間の相関、ならびにコホート間における傾向増分の相関を捉える能力を評価する。
  • 補完の検証：観測データを体系的に削除（例：FOS における 40 歳未満の年齢、または FOS における DBP 値）し、モデルが削除された値を回復し、他のリスク因子および時間 - イベント結果との関連性を保持する能力を評価する。

結果

• モデル適合性：事後予測チェックは、モデルが平均リスク軌跡周りの変動を正確に捉えており、標準化残差が観測データと密接に一致していることを示した。観測残差と複製残差の間の分散比は 1.0 の近くに集積し、相関構造に対する事後予測確率は一般的に 0.5 に近く、モデルの共分散構造が観測データのパターンを反映していることを示した。
• 軌跡推定：モデルは、成人期全体（18 歳から 88 歳）にわたる 7 つのすべてのリスク因子について、滑らかで生物学的に妥当な平均軌跡を生成し、年齢関連の顕著な変動と、生涯段階、サブグループ（性別、人種、学歴）、およびコホート間における明確なパターンを明らかにした。
• 補完性能：
  • リスク因子が削除された場合（例：FOS における DBP）、補完された値は、期待される分布と固定効果係数（切片、傾き、スプライン増分）を保持し、事後確率は 0.5 に近かった。
  • 総コレステロール（TOTCHL）と CVD 死亡までの時間に関する共同モデリング分析において、補完データセット（CARDIA において 40 歳未満が削除された場合）から導出された曲線下面積（AUC）係数は、完全な観測データから導出されたもの（男性の場合、0.41 対 0.42 など）と密接に一致し、下流の生存分析に対する補完軌跡の信頼性を示した。
• シミュレーション：シミュレーション研究は、モデルが部分的な年齢カバレッジの状況下でも、コホートレベルの相関構造を正確に回復できることを確認した。これは、完全カバレッジの状況と比較して、低いバイアスと平均二乗誤差を伴うものである。

意義と主張
本論文は、この統合枠組みが、成人初期から始まる長期的な心血管健康の研究を可能にすることにより、単一コホート研究の重要な限界に対処すると主張している。LRPP からのデータを統合することで、著者は以下が可能であることを実証している：

1. 単一コホート分析では見逃される可能性のある心血管予防およびモニタリングの重要な時期（例：中年期のグルコースの上昇や老年期の HDL の低下）を特定する。
2. 既知のリスク因子の閾値をより正確に定義し、生活習慣行動および人口統計学的差異の役割を解明する。
3. 特定のコホートでカバーされていない年齢に対する堅牢な補完リスク因子軌跡を生成し、より広範な研究のための合成データの利用を促進する。

著者は、モデルが構造的仮定（例：区分的線形傾向、特定のランダム効果構造）に依存しているが、高次元設定において識別可能性を維持するために柔軟性と簡潔さのバランスに成功していることを強調している。彼らは、このアプローチが、リスク因子、薬物使用、および時間 - イベント結果の共同モデリングを含む将来の作業の基盤を提供し、より広範な研究コミュニティ向けに合成 LRPP データを普及させる道筋を提供すると結論付けている。