Multiple Imputation Methods for Handling Missing Data under Treatment Policy Strategy: A Scoping Review

医学研究の世界において、新しい薬が効くことを証明するためのゴールドスタンダード（標準的な指標）は、ランダム化比較試験です。これらの研究では、ボランティアが新しい治療を受けるか標準的な治療を受けるかに割り当てられ、研究者が時間の経過とともに彼らの健康状態を追跡し、誰が改善したかを確認します。しかし、現実の世界は複雑です。参加者が服用を中止したり、別の治療に切り替えたり、副作用や個人的な理由で研究から脱落したりすることがよくあります。これらの中断は「中間イベント（intercurrent events）」と呼ばれます。数十年にわたり、統計学者は、これらの参加者が治療の経路を外れた後のデータをどのように扱うべきかについて議論してきました。彼らが治療を止めたふりをするべきか、それとも実際に薬を服用していた期間のみをカウントすべきか。国際的な臨床試験ガイドラインの重要な更新により、「治療方針戦略（treatment policy strategy）」と呼ばれる特定のアプローチが導入されました。このアプローチは、シンプルで実用的な問いを投げかけます。すなわち、患者が治療を継続するかどうかにかかわらず、その治療に割り当てられた場合に何が起こるのか？ ということです。これは、割り当てそのものを鍵となる要因として扱い、患者が薬を止めた後であっても、発生したすべてのアウトカムを分析対象とします。

課題は、患者が治療を中止し、その結果、フォローアップの受診も停止してしまう場合に発生します。その患者の健康データは欠損となります。もし研究者が単にこれらの欠損値を無視してしまうと、結果が歪み、薬が実際よりも良く見えたり、あるいは悪く見えたりする可能性があります。これを解決するために、統計学者は「多重代入法（multiple imputation）」という手法を用います。パズルのピースがいくつか失われている場面を想像してください。隙間を残しておく代わりに、残っているピースのパターンに基づいて、失われたピースの妥当なバージョンをいくつか作成します。そして、それぞれのバージョンでパズルを解き、それらの結果を組み合わせることで、信頼できる答えを得るのです。この手法は、データが「ランダムに欠損している」場合にはうまく機能しますが、治療方針戦略の下では失敗することがよくあります。なぜなら、治療を止めた患者は、治療を継続した患者とは異なる形で健康状態の軌跡が変化することが多いからです。標準的な仮定はもはや適用できず、欠損したピースを埋めるには、より洗練された論理が必要となります。

インペリアル・カレッジ・ロンドンの研究チームは、これら高度な解決策の全体像を明らかにすることに着手しました。彼らは、治療方針戦略に特化した欠損データの補完方法を提案または比較している研究をすべて探し出し、科学文献の包括的なレビューを行いました。彼らは、データベースの記録開始時から2026年初頭までの論文を調査しました。重複や無関係な研究を除去する厳格なスクリーニングプロセスを経て、この特定の問題に焦点を当てた52件の主要な論文を特定しました。彼らの目的は新しい薬をテストすることではなく、患者が脱落した際に臨床試験の結果が誠実かつ正確であり続けるために、研究者が使用する数学的ツールを整理することでした。

このレビューにより、特に2019年に新しいガイドラインが正式に導入されて以降、この分野が大きく進化してきたことが明らかになりました。それ以前にも同様の概念は存在していましたが、「デ・ファクト（de facto）」や「有効性（effectiveness）」のエスティマンド（推定対象）といった異なる名称で呼ばれていました。新しいガイドラインは用語の標準化を助け、治療方針戦略を明示的に扱った出版物の急増につながりました。研究者たちは、この分野の著作の多くが米国と英国によるものであり、その大部分が実際の臨床試験の報告ではなく、統計モデルをテストし洗練させるための方法論的研究であることを発見しました。

レビューの中核は、これらの欠損データを扱うために用いられる4つの主要な手法のグループに焦点を当てています。最も一般的なアプローチ（研究の約4分の3で見られるもの）は、「参照ベースの代入法（reference-based imputation）」と呼ばれるものです。この手法は、患者が割り当てられた治療を中止した場合、その後の健康アウトカムが、特定の比較グループ（多くの場合、プラセボまたは標準的なケアを受けた患者）のそれと似たものになると想定します。この考え方にはいくつかのバリエーションがあります。「ジャンプ・トゥ・リファレンス（jump to reference）」として知られるバージョンは、患者が新しい薬の恩恵を即座に失い、直ちに比較グループの軌跡を辿ると想定します。もう一つの「コピー・インクリメント・イン・リファレンス（copy increments in reference）」は、患者が治療を停止した時点までに得た恩恵は維持するものの、その後の健康状態の変化率は比較グループと同じになると想定します。3つ目のバリエーションである「ラスト・ミーン・キャリード・フォワード（last mean carried forward）」は、研究を離れる時点での平均的な恩恵を維持すると想定します。

第2の主要な手法は、「リトリーブド・ドロップアウト代入法（retrieved dropout imputation）」と呼ばれます。このアプローチは異なる視点を持っています。比較グループからのデータを借りる代わりに、治療を中止したが研究には留まっている他の患者から実際に収集されたデータに完全に依存します。ある患者が脱落した場合、その欠損した将来のデータは、治療を中止したが研究には継続している人々から得られた観察パターンに基づいて推定されます。この手法は、脱落した患者の実際のデータを用いるため強力ですが、治療を中止した患者のうち、信頼できるパターンを提供するために研究に留まっている者が十分に存在する必要があります。研究者たちは、この手法が様々な形態で開発されていることを見出しました。あるものは脱落直前の最後の受診のみを見るものもあれば、患者の治療履歴と中止の経緯を追跡するより複雑なモデルを用いるものもあります。

また、レビューでは、より一般的ではない2つの戦略も特定されました。一つは「リターン・トゥ・ベースライン（return-to-baseline）」法で、これは患者が治療を中止した後、研究の開始時のレベルに健康状態が戻り、そこにランダムな変動が加わると想定するものです。もう一つは「ウォッシュアウト（washout）」法で、これは参照ベースのアプローチに似ていますが、研究の最終測定に対してのみ適用されます。これは、実験薬による恩恵が時間の経過とともに消失し、プラセボまたは標準的なケアの効果だけが残ると想定しています。これら4つの主要なカテゴリーに加えて、研究者たちは「ハイブリッド」手法が増加していることも発見しました。これらは、利用可能な場合には脱落者の実際のデータを使用し、信頼できる推定を行うためのデータが不十分な場合には参照ベースの仮定に切り替えるなど、異なるアプローチの強みを組み合わせようとする新しい技術です。

研究者たちはまた、これらの手法が異なる種類の健康アウトカムにどのように適用されているかも調査しました。作業の大部分は、血圧や痛みスコアのような連続的な測定値に焦点を当てていましたが、レビューでは、統計学者がこれらのテクニックを二値アウトカム（回復したか否かなど）や、イベント発生までの時間データ（疾患の再発までの期間など）、さらには複雑な反復イベントのカウントにまで適応させることに成功していることが示されました。しかし、レビューは重要なギャップを指摘しています。連続データのための手法は十分に発達している一方で、他のアウトカムタイプのツールはまだ成熟段階にあるということです。さらに、多くの論文がこれらの代入法を実行するためのコンピュータコードを提供している一方で、それらをテストするためのシミュレーションデータを生成するために使用されたコードを提供しているものは少ないことも指摘されました。これにより、他の科学者がその手法がどのように検証されたのかを完全に理解することが難しくなっています。

レビューで議論されている重要な問題の一つは、「不適合性（uncongeniality）」の問題です。これは、欠損データを補完するために使用される数学的モデルが、最終的な結果を分析するために使用されるモデルと完全に一致しない場合に発生します。この不一致は、研究者が自身の発見に対してどの程度確信を持つべきかという推定を誤らせる可能性があります。レビューでは、標準的な統計ルールが広く用いられている一方で、一部の専門家は、これらの特定の手法に対しては最適ではない可能性があると主張していることが分かりました。代わりに、より正確な不確確実性の尺度を得るために、ブートストラップ法などの代替的な計算方法を使用することを推奨する研究者もいます。レビューは、どの手法が他よりも優れていると宣言したわけではありません。むしろ、選択する手法は、研究者が患者の治療中止後に何が起こると想定するかという具体的な仮定に大きく依存することを強調しました。

結局のところ、このスコーピング・レビューは、現代の臨床試験分析における複雑な地形を示す重要な地図としての役割を果たしています。患者が治療を中止した際の欠損データを扱うための、唯一の完璧な方法というものは存在しませんが、堅牢で成長し続けている手法のツールキットが存在することを示しています。研究者たちは、各手法の背後にある具体的な仮定を理解することが、適切な手法を選択するために不可欠であると結論付けました。臨床試験が現実世界の状況を反映するように進化し続ける中で、欠損データによって生じた空白を正確に埋める能力は、信頼できる医学の礎であり続けるでしょう。統計学者たちの仕事は、医師が治療を処方する際、患者が必ずしも計画通りに進められないという現実を考慮に入れた上で、その治療を支持するエビデンスが成り立つようにするためのものなのです。