@misc{oai:jrckicn.repo.nii.ac.jp:00000642, author = {MORIYAMA, Masaki and 守山, 正樹}, month = {Aug}, note = {video/mp4, application/pdf, みなさんこんにちわ。今回は、疫学の論理の根幹である、原因と結果との関連、因果関係についてお話します。 １　因果関係の基本 １）因果関係とは何か 　疫学で常に意識すべきは、原因と結果の関連です。疫学者MacMahonによれば、因果関係は「2つの範疇に属する種々の事象(又は性質)があり、片方の事象の頻度または性質の変化に続き、他方の事象の頻度または性質が変化する関係」とされます。 　また、2つの(範疇の)事象間の相互の関係は、a統計的に関連のないもの、b統計的に関連しているものの二つに分かれ、bはさらに、b1因果関係なしに関連しているものとb2因果関係のあるもの、に分かれます。 ２）統計的関連性と因果関係 　過去10年間のサンフランシスコのすべての火事のデータから、個々の火事(A)における消防車数(B)と損害額(C)の統計的関連性を調べた人がいます。この場合「消防車数(B)と損害額(C)の間」には顕著な統計的関連性が見られました。ではこの統計的関連性は、因果関係でしょうか。「消防車数が多いことが原因になって、結果として損害額が増えた」と言えるでしょうか。よく考えるとこれは変な話です。よって「統計的な関連性」があったとしても、それがすぐに「因果関係」とは言えないことが分かります。 　因果関係があるためには“一方が変化すれば、もう一方も変化する”が必要です。この定義に従うと、統計的に関連しているもののうち、ごく少数にしか因果関係は成立しません。この定義に合わない多数の統計的関連は、二次的関連と呼ばれます。 　因果関係のない統計的関連は、通常、2つの事象の間の関連が、第3の事象に関連しているために生じます。例えば事象Aは、事象BおよびCの両方に因果関係があるとすると、BとCの間には統計的な関連が生まれます。しかしBを変えることによってC、Cを変えることによってBが変わるわけではなく、BとCとの関連は因果関係ではありません。 ３）記号的表現と交絡因子（交絡変数） 　因果関係、原因と結果の関係は、両者を矢印でむすび「A→B」のように、記号的に表現することが可能です。 　　「原因→結果」 　　「独立変数→従属変数」 　　「調査対象とする曝露要因→調査対象とする疾病」 　しかし、上記の矢印による表現は、実際の疫学調査においては、やや単純過ぎます。たとえば「喫煙→肺がん」「高塩分摂取→高血圧」など書いてしまうと、実際の複雑さが反映されません。現実には、原因と結果の双方に影響を与える因子・変数が存在する場合がほとんどです。より現実に近い関連性は、たとえば以下のように表現されます。 　　　　　　　年齢　　　　　　　　　　　　　　　　　　　　　　　年齢 　喫煙　➚　➔　　　➘　肺がん　　　　高塩分摂取　➚　➔　　➘　高血圧 　ここに示した年齢のように、従属変数と独立変数の両方に（肯定的または否定的に）相関する外部因子・変数を、交絡因子（または交絡変数）と呼びます。交絡因子が存在すると、真の因果関係が明らかでなくなるため、交絡因子を調整する、すなわちその好まざる影響を可能な限り除去することが大切です。たとえば疫学調査でデータを集める際に、対象者を特定の年齢幅の人々に限定したり、データを分析する際に、年齢の影響を統計計算の過程で調整することが、行われます。 ２　因果関係の判定基準 　さて、いったん統計的に関連があることが分かった後、それが因果関係、原因-結果の関係であるかどうかは、どうしたら決められるでしょうか。統計的な関係が強固であれば、因果関係の可能性は高くなりますが、それだけでは足りません。1964年、米国公衆衛生局長諮問委員会の報告書（Smoking and Health、第３章 20頁) が示した以下5つの判定基準がよく知られています。 　①関連の強固性 strength：　関連性が強ければ強いほど、“Aが無いときのBの出現率”に比べて“AがあったときのBの出現率”が高ければ高いほど、その関連が因果関係である可能性が高くなります。 　②関連の一致性 consistency：　異なる“集団・地域・国・時代”でも同様の関連性が認められるか／関連性が一致するか。 　③関連の時間性 temporality：　原因→結果の順になっているか。原因と考えられる事象は、結果と考えられる事象よりも先に起こらなければなりません。 　④関連の特異性 specificity：　「原因のある所に結果がある：結果のある所に原因がある」が、常に成立する必要があります。 　⑤関連の整合性 coherence：　これまでに確立されている知識や理論と整合すること、矛盾しないこと。 　因果関係の判定基準はこの他にも多くのものが知られており、教科書によっても表現が異なります。Bradford Hillによる1965年の判定基準“The Environment and Disease: Association or Causation?”には、上記５項目に加え、以下が含まれています。 　　・Biological gradient：用量-反応関係を意味します。 　　・Plausibility：説得性、整合性と似た考え方です。 　　・Experiment：実験的に根拠を示す。 　　・Analogy：類似の要因を考慮できること。 ３　因果関係の数値表現 １）４分表の考え方 　さて、上記の５基準が当てはまる統計的関連性は「因果関係である可能性がとても高い」「因果関係らしい」と判断されます。このようなとき、さらに一歩進んで、その関係が因果関係であることを数値で検討するのが、4分表の考え方です。以下、Marvin Sasserの本に従って説明します。 　表のマス目は「ある仮説的原因：要因への曝露（独立変数)」と「ある仮説的結果：疾病への罹患（従属変数)」とが一方のみ、あるいは双方ともに生じる場合の、集団における頻度を表します。各マス目のａ,ｂ,ｃ,ｄは人数をあらわします。 　疫学の主要な研究方法、コホート研究、症例対照研究、介入研究のそれぞれで行われる基本的な比較は、全てこの4分表で表せます。 　さて上記の表では「仮説的原因・要因曝露」を行に、「仮説的結果・疾病罹患」を列に示します。上記の3研究は表の記入順序が異なります。 ２）コホート研究の場合 コホート研究の出発点は、喫煙有り、喫煙無しなど、仮説的原因・要因曝露による２群の設定です。たとえば、20歳代の健康な若者について、喫煙有り群千名、喫煙無し群千名を設定します。表のa+b、c+dの欄には、数値1000を書き込みます。研究の開始時点では、まだ誰も肺がんにかかっておらず、aとcに書き込める数値はありません。さて、ここから始め20年間追跡した結果、喫煙群からは20名、非喫煙群からは2名の肺がん患者が発生しました。肺がんの罹患率を計算すると、喫煙群では20/1000、非喫煙群では2/1000となりました。相対危険度は、両群の罹患率の比、10となります。寄与危険度は、両群の罹患率の差、18/１000となります。 ３）症例対照研究の場合 　症例対照研究は、症例（患者）群と対照（患者ではない人：健康者など）群を比較する研究です。たとえば肺がんの原因を調べるのであれば、肺がんの各症例に対し、対照者を選びます。こうして調査開始時に症例群100名、対照群100名を設定しました。a+c、b+dの欄に100を書きます。コホート研究では10年20年と追跡しないと、表に数値を書き込めませんでしたが、症例対照研究では時間の経過を待つ必要はなく、すでに生じている過去の出来事（以前、喫煙していたか否か）を調査で思い出してもらえれば、すぐに数値が得られます。症例（患者）100人中、喫煙者は80人、非喫煙者は20人でした。 　（注）ここでオッズを説明します。オッズとは「ある事象が起こる確率と起こらない確率の比」です。上記の例だと、喫煙という事象が起こる確率は80／100、起こらない確率は20／100、よって確率の比は（80／100）／（20／100）、すなわち80を20で割り算して、オッズは４です。 　さて先ほどの話の続きですが、対照者では100人中、喫煙者は30人、非喫煙者は70人でした。オッズは30/70で0.429となります。これで症例群と対照群のそれぞれについて、オッズが計算できました。この二つのオッズの比がオッズ比です。（80／20）／（30／70）で9.33となります。症例対照研究の場合は、コホート研究と異なり、罹患率を求められないため、厳密にいえば、相対危険度も寄与危険度も計算できません。では、上記で計算されたオッズ比とは何でしょうか。症例対照研究の場合のオッズ比は、相対危険度の近似値とされます。 ４）介入研究の場合 　介入研究は“人為的実験的に要因曝露を行うコホート研究”です。４分表の用い方は、先ほどお話したコホート研究とよく似ていますので、計算方法は省略します。異なる点は、要因への曝露を研究者が行う点です。 　さて今日は因果関係を中心にお話しました。次回は疫学の最後として、主な研究方法の考え方をまとめます。 キーワード 　　原因と結果、因果関係、二つの範疇、統計的関連性、二次的関連、第3の事象、記号的表現、交絡因子、独立変数、従属変数、因果関係の判定基準、関連の強固性、関連の一致性、関連の時間性、関連の特異性、関連の整合性、４分表、仮説的原因、要因曝露、症例群、対照群、オッズ、オッズ比、相対危険度、寄与危険度}, title = {疫学の基本2 : 因果関係・危険度}, year = {2016}, yomi = {モリヤマ, マサキ} }