Doubly robust Methods for Recurrent Event Outcomes: Causal Effects of Blood Pressure Medications on Acute Kidney Injuries

技術要約：反復イベントアウトカムに対する二重に頑健な手法

問題提起
治療戦略の平均因果効果（ACE）を、反復イベントアウトカム（例：急性腎障害のエピソード）に対して評価することは、臨床研究において極めて重要であるが、方法論的な課題が多い。標準的な解析では、時変治療、時変共変量、および非遵守（アドヒアランスの欠如）を伴う縦断的な設定における複雑さに十分に対処できないことが多い。さらに、反復イベントに対するACEを推定する先行研究の多くは、一点曝露の設定に焦点を当てており、持続的な治療遵守のニュアンスを軽視してきた。加えて、「準競合リスク」としての死亡（死亡は将来のイベントのリスクセットを中断させる）の存在が、反復的な非終末イベントの解析を複雑にしている。SPRINT（Systolic Blood Pressure Intervention Trial）データは、集中的な血圧管理と標準的な血圧管理が、急性腎障害（AKI）の再発および死亡に対して異なる影響を与える可能性があり、これらの効果を解き明かすための堅牢な因果推論手法を必要とする具体的な事例を提示している。

方法論
著者らは、時変治療およびアドヒアランス・レジメンの下での因果効果を推定するために、カウンターファクチュアル（反事実）モデルと縦断的g-formulaに基づくフレームワークを提案している。

1. データ構造と識別:

   • 本研究では、ベースライン変数 ($L_0$)、時変共変量 ($L_k$)、治療割り当て ($Z$)、時変アドヒアランス ($A_k$)、およびバイナリの反復イベント指標 ($Y_k$) を持つ縦断的データ構造を定義している。
   • 因果的識別は、条件付き交換可能性、正値性、および一貫性の3つの標準的な仮定に基づいている。
   • 対象となる推定対象量は、特定の治療レジメン ($z$) およびアドヒアランス・レジメン ($\bar{a}_K$) の下での期待累積イベント数 ($E[R_{K+1}^{z, \bar{a}_K}]$) である。これは、逐次的な条件付き期待値（ICE）の形式を通じて表現される。

2. TMLEによる二重に頑健な推定:

   • 著者らは、離散的な時間グリッド上の反復イベントアウトカムを扱うために、縦断的標的最大尤度推定（Longitudinal TMLE）を拡張した。
   • この手法は、効率的影響関数（EIF）を利用して、**二重に頑健な（doubly robust）**性質を持つ推定量を構築する。すなわち、傾向スコアモデル（治療またはアドヒアランスのメカニズム）またはアウトカム回帰モデルのいずれかが正しく特定されていれば、推定量の整合性が保たれる。
   • 実装には、モデルの誤設定によるバイアスを軽減するために、機械学習アルゴリズム（Extreme Gradient Boosting、Generalized Additive Modelsなど）を用いた処置関数（nuisance function）の推定が含まれる。
   • アルゴリズムは、特定の推定対象量を標的とするために、傾向スコアから導出された変動パラメータを用いてアウトカム回帰モデルを調整する、反復的な更新プロセスを含む。

3. 準競合リスクの取り扱い:

   • 死亡が反復イベントの観察を中断するという問題に対処するため、死亡 ($D_k$) を、排除すべきセンサリングイベントとしてではなく、準競合リスクとしてモデル化している。
   • 死亡は、決定論的な関係（$D_k=1 \implies Y_k=0$）を持つ時変共変量 ($L_k^*$) の構成要素として組み込まれている。これにより、死亡を経由する経路を含む**全効果（total effect）**の推定が可能となる。

主な貢献

• 方法論的拡張: 本論文は、時変治療およびアドヒアランスを伴う反復イベントアウトカムに対するターゲットとなる因果的推定量とデータ構造を定式化し、縦断的TMLEをこの特定の文脈へと拡張した。
• 実践的な実装: 機械学習を用いた二重に頑健な推定量を構築するための透明性の高いステップ・バイ・ステップのガイド（アルゴリズム1）を提供し、実世界の研究への適用を容易にしている。
• 複雑性の処理: 本フレームワークは、時変的な交絡、非遵守（Intent-to-Treat分析およびPer-Protocol分析の両方を可能にする）、および死亡を（死亡を排除するという仮説的な介入に頼ることなく）排除すべきものではない準競合リスクとして扱うことを明示的に対処している。

結果（SPRINTへの適用）
提案された手法は、4年間にわたるAKI再発に対する、集中的な（$<120$ mm Hg）対標準的な（$<140$ mm Hg）血圧低下療法の効果を評価するために、SPRINTデータセット（9,322名）に適用された。

• 全Intent-to-Treat (ITT) 効果: 患者を集中的な療法に割り当てた結果、標準的な療法と比較して、AKIイベントが統計的に有意に増加した。推定差は0.019（95% CI: [0.011, 0.026]）であった。
• 全Per-Protocol (PP) 効果: 割り当てられたレジメンに完全に遵守するという仮説的なシナリオの下でも、集中的な療法群は標準群と比較して、期待されるAKI再発数がわずかに高かった。推定差は0.017（95% CI: [0.007, 0.027]）であった。
• アドヒアランスの効果: アドヒアランスに関する集団介入効果（PIE）の補足分析により、観察されたアドヒアランスから完全なアドヒアランスへの移行がAKI再発率に与える影響は無視できる程度であることが示された。これは、ITTとPPの推定値が類似している理由が、研究対象集団における高いベースラインのアドヒアランスにあることを示唆している。
• 頑健性: 時間の離散化（2年ごと vs 1年ごと）および異なる機械学習アルゴリズム（GLM, XGB, GAM）の使用に関する感度分析は、一貫した結果をもたらし、因果的な結論の頑健性を裏付けた。

意義および主張
本論文は、その手法が、準競合リスクが存在する状況下で、治療戦略の全因果効果を推定するための厳密なアプローチを提供すると主張している。死亡を、排除すべきセンサリングメカニズムとしてではなく、中断させるイベントとして扱うことで、著者らは、自らのアプローチが、死亡の排除という（定義が不明確になり得る）仮説に依存する手法よりも、現実世界の公衆衛生上の意味合いをより正確に反映していると論じている。

著者らは、集中的な血圧低下は死亡率を減少させる一方で、反復的なAKIエピソードの頻度をわずかに増加させる可能性があると結論づけている。彼らは、機械学習によって強化された二重に頑健なTMLEフレームワークが、複雑なアドヒアランスと競合リスク構造を持つ縦断的研究において、心血管系の利益と腎臓へのリスクの間のトレードオフをナビゲートするための信頼できるツールを提供することを強調している。また、アドヒアランスの定義の妥当性は、区間レベルのアドヒアランス測定が真のアドヒアランスを正確に反映しているという仮定に依存しており、これはコンプライアンスが低い集団においてより顕著になる可能性があるという限界についても謙虚に述べている。