Two-stage imputation of longitudinal anthropometric data with cross-reference harmonisation: a simulation study

想像してみてください。あなたは子供の成長を記録した映画を復元しようとしていますが、フィルムのリールが損傷しています。いくつかのフレームが欠落しており（欠損データ）、さらに悪いことに、いくつかのシーンは、色の記録の仕方がわずかに異なる2種類のカメラ（WHO対CDCといった異なる成長基準）を使用して撮影されています。もし、欠けている部分を単に推測したり、カメラの違いを無視したりすれば、完成した映画はぼやけたり、歪んだりしてしまうでしょう。

この論文は、これらの欠落した成長測定値（体重と身長）を修正しつつ、パズルのピースがどのように見つけられたのかという正確な記録を明確に残すための、シンプルな2段階の「フィルム復元」手法を紹介しています。

この手法の仕組みを、日常的な例えを用いて説明します。

問題点：欠落したフレームと混在するカメラ

健康研究では、人々の体重と身長を時系列で追跡します。多くの場合、人々が受診を逃すことで、データに空白が生じます。また、ある研究ではWHO成長曲線（「ヨーロッパのカメラ」のようなもの）を使用し、別の研究ではCDC曲線（「アメリカのカメラ」のようなもの）を使用することもあります。たとえ同じ大きさの子供であっても、これら2つのチャートでは、異なる「パーセンタイル（他の子供と比較した順位）」を示すことがあります。もし、これらのデータセットを気づかずに混ぜ合わせてしまうと、シーンごとに照明がランダムに変わる映画を編集しようとする時のように、隠れたエラーが生じてしまいます。

解決策：2段階の復元プロセス

著者らは、一般的な集団に基づいて推測する前に、その特定の人物に関する既知の情報を優先させる「2段階」の手法を提案しています。

ステージ1：「点つなぎ」法（被験者内補間）

• 例え： 5歳の時の子供の写真と7歳の時の写真があるが、6歳の時の写真が欠けている状況を想像してください。最も簡単で論理的な推測は、5歳と7歳の写真の間に直線を描くことです。その間に子供が着実に成長したと仮定します。
• 論文の内容： ある人物の欠損した受診の前後に測定値がある場合、コンピュータは単にそれらの間に直線を描いて空白を埋めます。これは、その特定の人物のデータのみを使用します。これが個別の子供の成長パターンを尊重するため、最も正確な方法です。

ステージ2：「成長曲線」法（LMSセンチル補完）

• 例え： もし特定の年に関する写真が全くない場合、あるいはその子供の写真が1枚しかない場合はどうでしょうか。線を引くことはできません。代わりに、標準的な「成長曲線」（WHOやCDCのチャートなど）を見ます。その子が通常どの位置にいるか（例：50パーセンタイル、つまり平均的なサイズ）を見つけ、次に姿を確認するまで、その子が同じ「トラック（軌道）」に留まっていると仮定します。
• 論文の内容： ステージ1で空白を埋められない場合、この手法はその子の既知の測定値から、その子の「成長トラック（センチル）」を特定します。そして、その子がそのトラックに留まっていると仮定し、元のデータソースが使用していた特定の成長曲線（WHOまたはCDC）を用いて、欠落している時点での体重や身長が「どうあるべきか」を算出します。
• 「明示的パラメータ」の工夫： 極めて重要な点として、この手法は研究者に対し、「ソースAにはWHOチャートを使い、ソースBにはCDCチャートを使う」と宣言することを強制します。この選択を隠しません。どの「カメラ」がすべての推測に使用されたのかを正確に記録します。

「プロベナンス（由来）」ラベル：すべての推測に対する領収書

この論文は、最終的なデータセットのすべての数値に「ラベル」または領収書が付与されることを強調しています。

1. Observed（観測値）： 実際に測定されたもの。
2. Interpolated（補間値）： 点をつないだもの（ステージ1）。
3. Growth Reference（成長参照値）： 成長曲線に基づいて推測したもの（ステージ2）。

これは極めて重要です。なぜなら、研究者がより慎なる判断をしたい場合、「『観測値』と『補間値』のみを信頼し、『成長参照値』による推測は無視する」としたり、あるいは「推測」が結果にどのように影響するかを見るために、それらを分けて分析したりすることができるからです。

結果：復元はどの程度優れているのか？

著者らは、この手法を合成データ（実在の成長研究に似せた、コンピュータ生成の偽データ）を用いてテストしました。彼らは既知の数値の20%を意図的に隠し、それらを推測し直そうと試みました。

• 結果： この手法は、空白を100%埋めることに成功しました。
• 精度： 推測値は真実に非常に近いものでした。体重については平均誤差は約1.78 kg（約3.5%の誤差）であり、身長については約2.84 cm（2%の誤差）でした。
• 判定： 予想通り、「点つなぎ」による推測（ステージ1）は、「成長曲線」による推測（ステージ2）よりも正確でした。これは、2段階の順序（まず点をつなぐことを試し、必要に応じて成長曲線を用いる）が正しいアプローチであることを証明しています。

重要な限界（論文が述べていること）

この論文は、現時点で何が「できていないか」についても非常に正直に述べています。

• 「単一の推測」であること： この手法は、欠落した数値に対して一つの最善の推測を与えます。不確実性や可能性の範囲を計算するものではありません。もしこれらの推測値を最終的な医学的研究に使用する場合、実際以上に正確に把握していると誤解してしまう可能性があります。
• 「安定性」の仮定： ステージ2は、子供が同じ成長トラックに留まっていると仮定しています。もし子供に急激な病気や、パーセンタイルを劇的に変化させるような成長期があった場合、この手法はその変化を捉えられない可能性があります。しかし、「ラベル」があるため、研究者はこれらの推測を特定し、注意深く扱うことができます。
• 合成データのみ： これらの結果はコンピュータ・シミュレーションに基づくものであり、実際の患者に基づいたものではありません。手法はシミュレーション内では完璧に機能しますが、深刻な医学的結論のために使用される前に、現実世界の複雑なデータでテストされる必要があります。

まとめ

この論文は、欠落した成長データを修正するための、シンプルで透明性の高いツールを提供しています。それは、個人の過去の履歴を第一に優先し、必要に応じて標準的な成長曲線へと移行し、かつ、すべての計算に対してどの「基準」が使用されたかを明確に宣言します。これは、異なるソースからのデータを組み合わせる際に、知らないうちに「リンゴとオレンジを混ぜ合わせる（比較できないものを比較する）」ことがないようにするための方法なのです。