全6回・講義録画コース

疫学・臨床研究のための
因果推論を、体系的に。

観察研究・RCT・個別化医療・媒介分析・target trial emulation・生存時間分析まで、疫学と臨床研究に必要な因果推論を 6回分の講義録画 で学べます。

とくに 演習 は、過去の Nospare セミナーでは中心にならなかった 「手を動かして定着する」体験 を、全回で一貫して提供します。同テーマの録画を既にご覧の方にも、新しい学び方としてお役立ていただけます。

• ✓ 大学・研究機関、医療・製薬・疫学領域で観察研究・RCT・因果推論を実務に活かしたい方
• ✓ 傾向スコア・媒介分析・target trial emulation など テーマ別セミナー受講済み で、6回に横断して整理したい方
• ✓ 手を動かす演習とコホート形式の学習ペースを求める方
  ※聴講のみの方は修了条件をご確認ください

第1回

ランダム化比較試験における因果的な検討の基礎

講義概要

治療や施策などの2つ以上の介入のいずれが効果的かを判断するにはランダム化比較試験が基本となります。ランダム化には様々な工夫があり、試験参加者の特徴の違いや時間的傾向などの系統的な誤差と関連する要因にどのように対処するかを考えて、ランダム化の方法を適用する必要があります。

ランダム化比較試験から得られたデータに対する解析方法はいくつかありますが、いずれの試験参加者にも効果が無いという仮説（sharp causal null）に基づくFisher流の検定、平均的には効果が無いという仮説（weak causal null）に基づくNeyman流の検定がまずは考えられます。これらの違いは、2値結果変数におけるresponse typeと因果効果から理解することができます。また、2つの検定は検出力の違いにも注意する必要があります。

ランダム化比較試験における検出力（推定精度）向上という観点では、共変量調整（介入以外の説明変数の条件付き推測）の理解も重要です。連続変数を結果変数とする場合と2値や生存時間を結果変数とする場合では効果指標の特徴からできることが異なるため、共変量調整を行う際には注意が必要です。

本セミナーでは、ランダム化比較試験におけるデザインと解析について因果的な議論を踏まえた解説を行います。このセミナーを通じて、参加者はランダム化を利用するためのデザインと解析の全体像を因果推論の視点から理解し、実装手順を学ぶことができます。

このような方におすすめ

• 医療統計学の研究者または学生
• 統計学を使った医学論文の結果をより深く理解したい医療従事者
• 医療関連データを分析するデータサイエンティスト

第2回

傾向スコアを用いた因果推論ワークフロー

講義概要

本セミナーでは、観察データに基づく因果推論において中心的な課題となる交絡調整について、セミパラメトリック手法を用いた推測の枠組みから丁寧に解説する。とりわけ、傾向スコアを軸にした分析手法を体系的に整理し、回帰モデルによる調整、逆確率重み付け、そして二重ロバスト推定に至るまで、現代的な推定法がどのように交絡を乗り越え因果効果の識別に貢献するのかを示すことを目的とする。

また講義の中では、傾向スコア推定に対する二つのアプローチ、すなわち処置割当モデルを明示的に推定するモデリングアプローチと、処置群と対照群の共変量分布の一致を直接目的とするバランシングアプローチを比較検討する。両者が依拠する原理や実装における留意点を整理し、適切なワークフローとしてどのように活用すべきかを明示する。

また、本セミナーでは、傾向スコア調整後に必ず確認すべき共変量バランスの診断について、実務的な視点から体系的に紹介する。調整前後のバランス評価がなぜ重要であり、どのような場合に推定量の信頼性が損なわれるのかを理解することで、傾向スコア法を単なる機械的手順ではなく、設計に基づく因果推論の一部として位置づけることができるようになる。

講義では、理論的な解説だけでなく、オープンデータを用いた実例分析を通じて、傾向スコア推定、バランスチェック、重み付け、二重ロバスト推定の一連の流れを実際に体験してもらう。実務的な分析フローに触れることで、理論と応用の橋渡しを行い、参加者が自身の研究デザインに適用できるような知見を提供する。

最後に、アドホックな共変量調整がもたらす危険性や、アウトカムの種類に応じた推定法の拡張など、実際の研究場面で直面しやすい注意点について議論を行い、セミパラメトリック手法を用いた因果推論のより適切で頑健な活用方法を提示する。

対象者

• 観察データを用いて因果推論を行っており、傾向スコアや重み付けによる交絡調整を正しく理解・実践したい研究者や学生
• 回帰調整だけに頼らない、セミパラメトリック推定法（二重ロバスト推定など）を学び、実際の分析に応用したいデータサイエンティスト
• モデリングアプローチとバランシングアプローチの違いや、適切なバランスチェックの方法など、傾向スコア分析の正しいワークフローを体系的に身につけたい方

第3回

観察データを用いた因果推論の実践
標的試験エミュレーションの考え方と応用

講義概要

臨床研究や公衆衛生研究において、「この治療・介入は効果があったのか」を観察データから正確に検証することは、依然として大きな方法論的課題を抱えています。ランダム化比較試験（RCT）が実施できない状況下で観察データを用いる際、不死時間バイアス・交絡・選択バイアスといった問題が生じやすく、結果の妥当性を大きく損なうリスクがあります。こうした問題に体系的に対処するための枠組みとして近年注目されているのが、標的試験エミュレーション（Target Trial Emulation）です。

標的試験エミュレーションとは、観察データを用いた研究を設計・解析する際に、「もし理想的なRCTを実施するとしたらどのように設計するか」を明示的に定義し、その設計に観察データを当てはめることで因果効果の推定を目指すアプローチです。この枠組みを採用することで、研究者は分析を始める前に適格基準・治療戦略・追跡期間・アウトカム・因果効果の定義という標的試験の構成要素を事前に明確化することが求められます。これにより、事後的な分析上の恣意性を排除し、観察研究における推論の透明性と妥当性を高めることができます。

一方で、観察データへの適用には固有の難しさが伴います。中でもTime 0（追跡開始時点）の不適切な設定は、不死時間バイアスの主要な原因となります。また、介入実施に現実的な猶予を与えるGrace periodの考え方を正しく組み込まなければ、実態に即した治療戦略の定義ができません。これらの概念を正確に理解しないまま分析を進めると、推定値が大きく歪む可能性があります。標的試験エミュレーションの枠組みは、こうした落とし穴に対して体系的に対処するための指針を提供します。

本セミナーを通じて、参加者は標的試験エミュレーションの理論的基礎から実践的な設計・解析・解釈までを体系的に理解し、観察データを用いた因果推論において適切に活用できる力を身につけることを目指します。

セミナーで扱う内容

• 標的試験エミュレーションの発想
• Time 0 と Grace period の設定
• 適格基準、治療戦略、追跡期間、アウトカム、因果効果の定義
• 不死時間バイアス、交絡、選択バイアス
• R パッケージを用いた実装方法
• 実際の臨床・公衆衛生研究の実例紹介

講義の流れ

1. 標的試験エミュレーションの基本的な考え方と、観察データを用いた因果推論における役割を解説する
2. 標的試験を定義するための要素について説明する
3. Time 0とGrace periodの設定を中心に、不死時間バイアスや交絡バイアスなどの観察研究で起こりやすい問題にどのように対処するかを解説する
4. 実際の研究例を用いて、標的試験エミュレーションをどのように設計・解析・解釈するかを紹介する

第4回

因果推論×機械学習を用いた個別化医療戦略

講義概要

本セミナーでは、医療・公衆衛生や政策評価の現場で重要性が高まる「効果の異質性（HTE）」を、機械学習を用いて的確に捉え、高ベネフィットアプローチによる個別化医療へと結びつける考え方を紹介します。平均処置効果（ATE）にとどまらず、条件付き平均処置効果（CATE）／個別化処置効果（ITE）を推定し、研究実装に焦点を当てながら、実際に“誰に介入すべきか”という意思決定へ落とし込むための設計・推定・評価の一連の流れを体系的に扱います。

対象者

• 機械学習や因果推論を業務に活用したい実務家・データサイエンティスト
• 医療データを扱う業種の技術者
• 疫学など効果の異質性に着目した研究を統計分析を用いて行っている・行う予定の研究者

第5回

なぜ効果が生まれたのかを解明する
因果媒介分析の原理と実装

講義概要

マーケティング施策、医療介入、教育プログラム、プロダクト改善など、さまざまな分野で「施策は効果があったのか」を検証する重要性が高まっています。しかし、実務において本当に求められるのは、単に平均的な効果を確認することだけではなく、その効果がどのような経路を通じて生じたのかを理解することです。こうした問いに答えるための方法論として注目されているのが、因果媒介分析です。

因果媒介分析では、処置が結果に与える影響を、媒介変数を通じた間接効果と、それ以外の経路による直接効果に分解して評価します。たとえば、広告施策が売上を向上させたとき、その効果は「認知向上を通じた効果」なのか、それとも「購買意欲への直接的な影響」なのかを定量的に検証できます。施策改善やメカニズム理解において、極めて重要な分析手法です。

一方で、媒介分析には独特の難しさがあります。Natural Direct Effect や Natural Indirect Effect を識別するには、通常の因果推論以上に強い仮定が必要であり、実務データではその成立が難しいケースも少なくありません。そのため、定義だけを学んでも、現場でどのように適用すべきか判断できないという課題があります。

本セミナーでは、まず因果媒介分析の全体像を整理したうえで、Natural Direct Effect / Natural Indirect Effect の定義、識別仮定、推定方法を丁寧に解説します。さらに、従来の仮定が満たしにくい場合の現実的な代替指標として、Interventional Direct Effect / Interventional Indirect Effect（介入性直接・間接効果）を紹介します。後半では、Rパッケージを用いた実装例を通じて、媒介効果の推定手順、出力結果の読み取り方、分析時の注意点を具体的に学びます。加えて、未測定交絡の影響を評価する感度解析についても扱い、「結果をどこまで信頼できるか」を検証する実践的な視点を身につけます。

講義の流れ

1. 因果媒介分析の概要と代表的な活用例を説明する
2. Natural Direct Effect / Natural Indirect Effect の定義、識別仮定、推定方法を解説する
3. 識別仮定が厳しい場合の代替指標として、Interventional Direct Effect / Interventional Indirect Effect を紹介する
4. Rパッケージを用いて、直接効果・間接効果の推定方法を実演する
5. 未測定交絡が存在する場合の感度解析法を紹介し、結果の頑健性評価を学ぶ
6. 実務・研究で因果媒介分析を活用する際の注意点と限界を議論する

第6回

生存時間解析における因果推論入門
周辺構造モデル・構造ネストモデルから制限付き平均生存時間（RMST）まで

講義概要

アウトカムが発生するまでの時間（生存時間）は、医学・疫学における死亡や再発にとどまらず、企業の存続、失業期間、政権の持続、紛争の再発など、幅広い分野で分析対象となるアウトカムです。生存時間解析の標準的な手法である Cox 比例ハザードモデルは、共変量とハザードの関連を記述する強力な道具ですが、そこで得られるハザード比を「治療・介入の因果効果」として解釈するためには、追加の仮定と慎重な議論が必要です。特に、治療が時間とともに変化し、過去の治療の影響を受けた共変量が将来の治療とアウトカムの双方に影響する時間依存性交絡がある状況では、回帰による共変量調整は一致推定量を与えないことが知られています。

本セミナーでは、まず生存時間アウトカムに対する反事実因果モデルを導入し、因果効果を「もし全員が治療を受けた場合／受けなかった場合」の反事実的な生存関数の対比として定義します。そのうえで、一致性・条件付き交換可能性・正値性という識別条件と、打ち切りを扱うために必要な仮定を整理します。

次に、点治療（単一時点の治療）の設定において、逆確率重み付け（IPW）により推定する周辺構造 Cox モデルと、g 推定により推定する構造平均累積生存時間モデルの概要を解説し、R を用いたデモを行います。続いてこれを時間依存性治療の設定へと拡張し、時間依存性交絡の下でも因果効果の識別を可能にする周辺構造 Cox モデルと、構造ネスト累積生存時間モデルを解説し、同様に R によるデモで推定の流れを確認します。

最後に、ハザードを用いて因果推論を行う上での課題を取り上げます。ハザードは各時点まで生存した集団に条件付けた量であるため、ベースラインでランダム化がなされていても、時点別のハザードの比較には選択の問題が入り込みうることを解説します。そのうえで、指定した時点までの平均生存時間として定義され、因果的な対比として解釈しやすい制限付き平均生存時間（RMST）を代替指標として紹介し、実際の分析における効果の報告の仕方を議論します。

想定受講者

• 医学・疫学・経済学・政治学など、生存時間データ（イベントまでの時間）を研究に用いる研究者、大学院生・若手研究者
• Cox 回帰による「関連」の分析から一歩進んで、治療・介入の因果効果を推定したい方
• 治療が時間とともに変化するデータ（時間依存性治療・時間依存性交絡）の分析に課題を感じている方
• R を用いた因果的生存時間解析の実装を学びたい方

坂巻 顕太郎 さかまき けんたろう

順天堂大学 健康データサイエンス学部 准教授 ｜ MPH, PhD（保健学）

篠崎 智大 しのざき ともひろ

東京大学大学院 情報学環 准教授

井上 浩輔 Kosuke Inoue

京都大学大学院 医学研究科 健康増進・行動学分野 教授 ｜ 博士（疫学）

田栗 正隆 Masataka Taguri

東京医科大学 医療データサイエンス分野 教授

生物統計学を専門として、多くの臨床研究に統計家として従事するとともに、医学研究から生じる問題を解決するための方法論研究を積極的に行っている。観察研究データから因果推論を行うための諸手法に関して、特に関心を持っている。これまでに日本計量生物学会奨励賞、統計関連学会連合大会優秀報告賞などの受賞歴がある。

竹内 由則 たけうち よしのり

横浜市立大学 データサイエンス学部 准教授 ｜ 獣医学（学士・博士）、MPH