Efficient Cumulative Incidence Estimation in Biobank Studies Using All Prevalent and Incident Events

技術要約：バイオバンク研究における効率的な累積罹患率の推定

問題提起
本論文は、バイオバンクデータを用いて特定の疾患の累積罹患関数（CIF）を推定する際の課題に取り組んでいる。バイオバンク研究では、通常、特定の年齢窓 $[R_L, R_U]$（例：UKバイオバンクにおける40〜69歳）内の被験者がリクルートされ、前向きに追跡される。この設計は、以下の2つの重要な統計的複雑さをもたらす。

1. 左側切断（Left Truncation）： 被験者は、自身のリクルート年齢 $R_i$ まで生存している場合にのみ観察される。したがって、罹患率は生存 $R_L$ を条件としたもの、すなわち $G_1(t | T_2 > R_L)$ として推定されなければならない。
2. 既往例（Prevalent cases）対 新規例（Incident cases）： データには「既往例」（リクルート前に診断された個人）と「新規例」（リクルート後に診断された個人）の両方が含まれる。さらに、疾患は終末的なものではなく、診断後に死亡する場合もあれば、追跡終了時まで生存し続ける場合もある。

既存の手法は、これらの要因の組み合わせを効率的に扱うことができない。標準的な左側切断調整済みアレン・ヤンセン（AJ）推定量は、既往例を除外しており、実質的に異なるターゲット、すなわちリクルート時に無病であることを条件としたCIF（$G_1(t | T_1 > R_L, T_2 > R_L)$）を推定している。ChangおよびTzeng (2006)、Vakulenko-Lagunら (2017)、およびGorfineら (2025) (GZS) による逆確率重み付け（IPW）法は、既往例を含めようと試みているが、重大な限界がある。具体的には、GZS推定量は、追跡期間中に死亡した疾患ケースにのみ正の質量を割り当てる。これは、診断後の生存期間が長い（乳がんのような疾患に共通する特徴）シナリオにおいて、大幅なバイアスと非効率性を招く。なぜなら、多くの既往例および新規例が研究終了時に生存しており、GZS法ではそれらが破棄されてしまうためである。

手法
著者らは、すべての観察された疾患ケース（既往例および新規例の両方）を、その個人が追跡期間中に死亡したか、あるいは追跡終了まで生存していたかにかかわらず組み込むように設計された、新しい完全ノンパラメトリックCIF推定量 $\hat{G}_1(t^*_1)$ を提案している。

この推定量は、健康（0）から疾患（1）へ、および疾患（1）から死亡（2）へ、あるいは健康（0）から直接死亡（2）へと遷移するイルネス・デス・モデル（半競合リスクモデル）内で構築されている。提案手法の核となるのは、データの条件付き同時密度から導出された重み付けスキームである。この推定量は以下の形式をとる：
$$\hat{G}_1(t^*_1) = \frac{1}{n} \sum_{i=1}^n \delta_{1i} I(V_{1i} \le t^*_1) \hat{Q}(V_{1i})$$
ここで、$\delta_{1i}$ は疾患の発症を示し、$V_{1i}$ は観察された最初のイベント（診断または死亡）の時刻であり、$\hat{Q}$ はデータ駆動型の重み関数である。

一貫性を確保するため、$\hat{Q}$ は以下の要素を考慮した推定関数 $\hat{B}(V_{1i})$ の逆数として選択される：

• 生存を条件としたリクルート年齢の分布 ($f_{R|R \le T_2}$)
• 死亡の生存関数 ($S_{T_2}$)
• 疾患発症を条件とした死亡の条件付き生存関数 ($S_{T_2|T_1}$)
• リクルートから検閲までの時間の分布 ($S_W$)

条件付き生存関数 $S_{T_2|T_1}$ は、カーネルを用いたノンパラメトリック回帰アプローチ（Beranの推定量のNelson-Aalen版）を用いて推定される。カーネルのバンド幅は、マルチンゲール残差に基づく$K$-分割交差検証法によって選択される。

主な貢献

1. 新しい推定量： 本論文は、既往例や研究期間中を生存している者を含む、すべての疾患ケースを利用する、イルネス・デス・モデルにおける初の完全ノンパラメトリックかつ一貫性のあるCIF推定量を紹介している。
2. 理論的特性： 著者らは、提案された推定量の整合性と漸近正規性を確立している。また、点別信頼区間および同時信頼帯の構築を可能にする影響関数の明示的な公式を提供している。
3. 効率性の向上： 従来のメソッドが破棄していたデータ（特に既往例や長期生存者）を取り入れることにより、本手法は大幅に高い効率性を達成し、より狭い信頼区間を実現している。
4. ソフトウェアの実装： 提案された推定量を実装するためのRパッケージ illdthCIF1 が提供されている。

結果

• シミュレーション研究： 著者らは、疾患の発症、死亡、および検閲の異なる分布を含む様々なシナリオにおいて、広範なシミュレーションを実施した。
  • 診断後の生存期間に対して追跡期間が短いシナリオ（多くの患者が生存している場合）では、GZS推定量は深刻なバイアスを示し、CIFを過小評価した。提案された推定量は概ねバイアスがなく、特定の構成においてわずかなバイアスが見られたものの、サンプルサイズの増加とともに減少した。
  • 追跡期間が長いシナリオでは、GZS推定量はバイアスがなかったが、提案された推定量は標準偏差が低かった（より高効率であった）。
  • 提案手法は、ほとんどのシナリオにおいて、点別信頼区間および同時信頼帯の両方に対して満足のいく被覆率を提供した。
• UKバイオバンクへの適用： 本手法は、UKバイオバンクの乳がんおよびその他の癌のデータ（女性参加者約25万名）に適用された。
  • 診断後の生存期間が長いことが多い乳がんにおいて、GZS推定量はAJ法および提案手法と比較して、体系的にCIFを過小評価した。
  • 提案された推定量とAJ法は、乳がんにおいて同様の点推定値を示したが、提案手法は著しく狭い信頼帯をもたらした。具体的には、乳がんにおける95%同時信頼帯の平均幅は、AJ法（0.0068）から提案手法（0.0035）へと減少し、約2倍の効率向上を示した。
  • 診断後の生存期間が短い癌（肺がん、白血病など）については、死亡がより完全に観察されていたため、3つの手法すべてが同様の推定値を示した。

意義
本論文の主要な意義は、バイオバンク解析における方法論的なギャップを埋めることにあると主張されている。バイオバンクは、希少疾患や長期間のエンドポイントの研究において前例のないパワーを提供する一方で、標準的な推定量は、貴重な既往データを破棄するか（AJ）、あるいは診断後の長期生存を考慮できない（GZS）という課題がある。提案された手法は、既往例や長期生存者を効率的に扱うことで、バイオバンクのリクルート生存を条件とした疾患発生率の一貫した推定を可能にする。これは、既往例や長期生存者を無視することが、バイアスのある、あるいは非効率な推定につながる乳がんのような疾患において特に重要である。著者らは、自身のアプローチが、統計的効率を最大化しつつ、推定をバイオバンク研究の真の条件付き推定量と一致させるものであることを強調している。