標的試験エミュレーション：観察研究における因果推論を強化するためのフレームワーク

深澤 俊貴, 篠崎 智大

薬剤疫学　2025 年 30 巻 2 号 p. 53-73 DOI https://doi.org/10.3820/jjpe.30.e4

以下、Chat GPTによる要約（2026/8/31）

この論文は、標的試験エミュレーション（Target Trial Emulation; TTE）を、単なる解析手法ではなく「観察研究で因果的な問いを明確にするための研究デザインのフレームワーク」として解説した総説です。

論文の要点

RCTは因果推論の標準ですが、倫理・費用・実施可能性・長期追跡などの理由で実施できない場面が多くあります。一方、観察研究には未測定交絡だけでなく、選択バイアス、不死時間バイアス、time zeroのずれなど、研究デザインそのものから生じるバイアスがあります。そこで、まず「もし理想的なRCTを実施できるなら、どのような試験にするか」を明示し、それを観察データで可能な限り再現するのがTTEです。

著者らはTTEを2段階で整理しています。

因果的な問いに答える「標的試験」のプロトコルを設計する

そのプロトコルを、利用可能な観察データでエミュレートする

標的試験では、特に以下の6要素を明確にします：①適格基準、②治療戦略、③治療割り付け、④アウトカム、⑤追跡開始・終了、⑥因果的な対比（estimand）。さらに、交換可能性・一致性・正値性などの識別仮定と、実際にどの解析法で推定するかという**推定量（estimator）**を明示します。

特に重要なのが「time zero」

この論文で実務的にかなり重要なのは、適格性判定・治療割り付け・追跡開始を同じ時点に揃えるという原則です。

RCTでは、

Eligibility → Treatment assignment → Follow-up start

がほぼ同時に起こります。観察研究でもこれを再現しないと、immortal time biasやselection biasが生じます。著者らは、time zeroを一意に定められない場合や、その時点で治療戦略を決められない場合が典型的な失敗だと説明しています。

これはTTEの非常に大事なポイントで、**「高度な統計解析を使うこと」よりも「RCTならどう設計するかを先に考えること」**が本質です。

治療戦略も曖昧にしてはいけない

例えば単に「スタチン使用 vs 非使用」とするだけでは、種類、用量、期間など複数の治療バージョンが混在します。そのため、「何を開始するのか」「継続するのか」「中止をどう扱うのか」まで治療戦略を明確にする必要があります。

さらに長期的な治療では、治療と交絡因子が時間とともに互いに影響するtreatment-confounder feedbackが問題になります。この場合、通常のCox回帰などで単純に時間依存性共変量を調整するだけでは不十分なことがあり、parametric g-formula、IPW/MSM、g-estimationなどのg-methodsが必要になります。

ITTとper-protocolの考え方

観察研究では本当の意味でランダム割付がないため、RCTのITT効果そのものを推定するのは通常困難です。その代わり、

「治療Aを開始する vs 治療Bを開始する」効果

をITT効果の observational analog として考えます。

一方、per-protocol効果、つまり「その治療戦略を遵守した場合の効果」を推定したい場合には、治療中止・変更などに関係する時間依存性交絡を扱う必要があり、g-methodsが重要になります。

Coxのハザード比にもかなり批判的

興味深いのは、著者らがTTEにおける効果指標としてCoxモデルのHRを必ずしも推奨していない点です。

HRには、①時間によって変化しうる、②生存者だけを比較することによる built-in selection bias、③non-collapsibility、という問題があると整理しています。

そのため、むしろ

X年累積発生率、risk difference、risk ratio、調整済み累積発生率曲線

など、絶対リスクに基づく比較を推奨しています。IPW Kaplan–Meierやparametric g-formulaなどを使って、反事実的な累積発生率曲線を推定する考え方です。

実例：透析患者の骨粗鬆症治療

後半では、維持透析＋骨粗鬆症患者について、

デノスマブ開始 vs 経口ビスホスホネート開始

を比較したレセプトデータ研究を例示しています。アウトカムは安全性としてMACE、有効性として骨折です。

この例では、薬剤の最初の調剤日をtime zeroとして、治療開始と追跡開始を一致させています。交絡についてはベースライン共変量を選択し、inverse probability weightingで調整しています。

そしてHRではなく、3年累積発生率、3年risk difference、3年risk ratioを推定しています。

この論文の一番大事なメッセージ

一言でまとめると、

TTEの本質は「観察データをRCTっぽく解析すること」ではなく、「まず答えたい因果的な問いを仮想RCTとして完全に定義し、そのRCTを観察データでどこまで再現できるか考えること」です。

したがって、TTEを使っても未測定交絡、測定誤差、不十分なアウトカム定義など、データそのものの問題は消えません。TTEが主に防ぐのは「デザインに由来するバイアス」であり、むしろ残されたデータ上の限界を明確にするところに価値があります。