Pseudo-value Based Mean Cumulative Count Regression

技術要約：疑似値に基づく平均累積カウント回帰

問題提起
再発イベント（例：入院、疾患の増悪）を伴う生物医学的応用において、標準的な解析は通常、イベント率や強度に焦点を当てます。しかし、右側打ち切りや終末イベント（例：死亡）が存在する場合、科学的な問いは、臨床的に関連のある時間軸における累積的な疾患負担を理解することへとシフトすることが頻繁にあります。この負担を表す自然な要約として、時刻 $\tau$ までに蓄積される期待イベント数を示す「平均累積関数（MCF）」と、失われた総イベントフリー時間を示す「MCFの下の面積（AUMCF）」の2つがあります。

これらの量を推定するためのノンパラメトリック手法は存在しますが、共変量効果を MCF および AUMCF に直接回帰する手法の開発は遅れています。既存の強度ベースのモデルは、必ずしも累積的な負担に対する解釈可能な効果へと直接変換できるわけではなく、特に再発イベントのプロセスが死亡によって中断される場合にはその傾向があります。さらに、近年の共変量調整済み推定法は、ノンパラメトリックな治療比較や線形化されたテスト統計量に焦点を当てており、累積的な負担に対する共変量効果を直接モデリングするための一般的な回帰フレームワークを提供するには至っていません。

手法
著者らは、固定された打ち切り時刻 $\tau$ における MCF および AUMCF への共変量効果を推定するために、疑似値（pseudo-value）に基づく回帰アプローチを提案しています。

1. 回帰ターゲット： 本手法では、回帰係数 ($\beta$) を基礎となる強度モデルのパラメータとしてではなく、母集団の推定方程式の解として定義します。具体的には、恒等リンク（identity link）の場合、$\beta$ は $E[W \{ \theta(\tau | W) - W^\top \beta \}] = 0$ を満たす一意の解となります（ここで $\theta$ は共変量 $W$ を条件とした条件付き MCF または AUMCF です）。これにより、推論の対象を特定の再発イベント率モデルの仮定から分離しています。
2. 疑似値： これらのターゲットを推定するために、著者らは被験者固有の疑似値をアウトカムとして利用します。
   • 正確なジャックナイフ（Exact Jackknife）： 被験者 $i$ の正確な疑似値は、$\hat{\xi}_i(\tau) = n\hat{\theta}(\tau) - (n-1)\hat{\theta}_{(-i)}(\tau)$ と定義されます（ここで $\hat{\theta}_{(-i)}$ は被験者 $i$ を除外した後に計算された推定値です）。
   • 影響関数近似（Influence Function Approximation）： $n$ 回の leave-one-out 再計算に伴う計算負荷を避けるため、著者らは経験的影響関数を用いて疑似値を近似しています：$\tilde{\xi}_i(\tau) = \hat{\theta}(\tau) + \hat{\phi}_i(\tau)$。本論文では、これら影響関数に基づく疑似値が、正確なジャックナイフ値と漸近的に等価であることを示しています。
3. 推定： 疑似値が生成された後、標準的な一般化推定方程式（GEE）の手法を用いて回帰が行われます。恒等リンクおよび被験者非依存のワーキング分散の下では、これは最小二乗法（OLS）に帰着します。疑似値によって誘発される相関構造を考慮するため、ロバスト分散推定法が使用されます。

主な結果
著者らは、広範なシミュレーション研究および実データへの適用を通じて、提案手法を評価しました。

• 疑似値の検証： シミュレーションにより、影響関数に基づく近似が、正確なジャックナイフ疑似値と極めて高い一致度を示すことが確認されました（$R^2 = 1.00$）。また、平均絶対差は平均絶対ジャックナイフ値のわずか 0.4% でした。
• 推定の精度と被覆率： 様々なサンプルサイズ（$N=50, 100, 200$）、打ち切り時刻、および再発イベント率パラメータにおいて、回帰推定値は不偏でした。モデルベースの標準誤差を用いて構築された信頼区間は、公称 95% の被覆率を達成しました。
• 頑健性（Robustness）： 本手法は、以下のシナリオにおいても頑健でした。
  • 死亡と再発イベントが共通の乗法的フライルティ（frailty）を介して依存している場合。
  • 共変量が（再発イベントの率ではなく）終末イベントのプロセス（死亡率）に影響を与える場合。
• 統計的推論： 帰無仮説の下で、第 I 型過誤の発生率は適切に較正されていました。検出力はサンプルサイズおよび治療効果の大きさに応じて増加し、MCF および AUMCF ベースのテストは同様のパフォーマンスを示しました。
• データへの適用： 本手法は、原発性進行型多発性硬化症（PPMS）に関する ORATORIO 治験に適用されました。ベースラインの臨床およびバイオマーカー共変量（例：EDSS、T2 病変容積）を用いて、障害進行の AUMCF をモデリングしました。解析の結果、ベースラインの EDSS および 9HPT が有意な予後因子であることが特定されました。特筆すべき点として、共変量調整により、治療効果の推定における標準誤差が、未調整の推定値と比較して 13.6%、増強（augmentation）による共変量調整と比較して 8.4% 低減しました。

意義と主張
本論文は、疑似値に基づく回帰が、累積的な再発イベントの負担に対する共変量効果をモデリングするための「単純かつ解釈可能なフレームワーク」を提供すると主張しています。その主な貢献は以下の通りです。

1. 直接的なモデリング： 複雑な強度モデルのパラメータを累積的な負担として解釈する必要がなく、MCF および AUMCF を直接回帰することを可能にします。
2. 計算の効率性： 影響関数に基づく疑似値を利用することで、繰り返しの leave-one-out 推定に伴う計算コストを回避しつつ、精度を維持しています。
3. 柔軟性： 標準的な GEE/OLS ソフトウェアを活用できるため、研究者にとってアクセシブルです。ランダム化比較試験における精度向上のための共変量調整や、サブグループ解析のための交互作用項の導入も可能です。
4. 解釈可能性： 得られる係数は、共変量の単位変化あたりの期待累積イベント数、または失われたイベントフリー時間の変化を表しており、終末イベントが存在する場合でも有効な、臨床的に意味のある要約を提供します。

著者らは、非情報的検閲（non-informative censoring）の仮定に関する制限についても言及しており、今後の課題として、逆確率重み付け（IPCW）を用いて共変量依存の検閲を扱う枠組みへの拡張を挙げています。