Skip to content
検索結果に戻る

Cox Proportional Hazards — イベント発生までの時間に対する回帰モデル

提唱者
Sir David Roxbee Cox
年
1972
種類
Semi-parametric regression model
系統
Clinical / epidemiology

この文章は機械翻訳で、まだ確認されていません。 英語の原文を読む

文字サイズ

何をする手法か?

Cox比例ハザードモデルは、ベースラインハザード関数の形状について仮定を置かずに、共変量1つ以上がイベント(死亡、再発、故障など)のハザード(瞬間的な発生率)に及ぼす影響を推定する半パラメータ回帰手法である。1972年にDavid Coxによって導入されたこのモデルは、臨床および疫学研究における多変量生存時間解析の主要なツールとなっている。

手法の背後にある直感

年齢と治療法が、患者が寛解に至るまでの速さに共同で影響するかどうかを知りたいと仮定する。Coxモデルは、リスクが時間とともに上昇するか、下降するか、あるいは平坦であるかを事前に指定することなく、この問いに答える。イベントが発生した時点をランク付けし、どの共変量パターンが早期のイベントと関連しているかを推定することによって機能する。「比例ハザード」という仮定は、異なる共変量値を持つ2人の被験者間のハザード比が時間とともに一定であることを意味する。すなわち、治療を受けた患者が3ヶ月目に回復する確率が2倍であれば、12ヶ月目でも2倍の確率である。各共変量はハザード比を生み出す。ハザード比が1.5ということは、その共変量の単位増加あたり瞬間的なイベント発生率が50%高いことを意味する。

歴史学

David Coxは、1972年にJournal of the Royal Statistical Society, Series Bに掲載された画期的な論文で比例ハザードモデルを発表した。このモデルは、ベースラインハザード分布を指定することなく生存時間解析で共変量調整を可能にしたため、革命的であった。Coxは、イベントの順序のみからの推定を可能にする偏尤度(1975年のフォローアップ論文でさらに完全に形式化)を導入した。この論文は統計学全体で最も引用された論文の一つとなり、Coxはナイトの称号を得た。時間依存性共変量、層別ベースライン、およびfrailty(ランダム効果)項を含む拡張により、このフレームワークはクラスター化、再発イベント、および競合リスクの設定に適用可能になった。

使うべき場面

結果がイベント発生までの時間であり、打ち切りが存在し(全ての参加者がイベントを経験するわけではない)、共変量を調整する必要がある場合にCoxモデルを使用する。これは、コホート研究、臨床試験、および生存期間エンドポイントを持つレジストリ分析におけるデフォルトの多変量手法である。比例ハザード仮定が全ての共変量に対して著しく違反されている場合は使用しない。代わりに加速故障時間モデルまたは柔軟なパラメータ代替モデルを検討する。イベントが共変量の数に対して非常に稀である場合(予測変数あたりイベント数が10未満という経験則が不安定性のために認識されている)は避ける。共変量のない単一の曝露については、Kaplan-Meier曲線と対数順位検定の方がシンプルで十分である。

限界と注意点

  • 比例ハザード仮定が満たされなければならない。ハザード比が時間とともに変化する場合、推定値は平均化され、潜在的に誤解を招く可能性がある。
  • 追加のベースラインハザード推定なしには、絶対的な生存時間予測を生成しない。
  • イベントが共変量に対して少ない場合、性能が低下する。予測変数あたりのイベント数が10未満の場合、過学習のリスクが高まる。
  • 打ち切りは非情報的でなければならない。患者が悪化しているために脱落した場合、推定値は偏る。

出典に示された条件は、独立した科学的レビューや分析エンジンによる検証の代わりにはなりません。

強み

  • ベースラインハザードの形状に関する仮定を必要としないため、広範囲の生存時間分布に対してロバストである。
  • 臨床追跡データに遍在する右側打ち切りを自然に処理する。
  • 各共変量が瞬間的なイベント発生率に及ぼす相対効果を定量化する、解釈可能なハザード比を生成する。
  • 層別解析、時間依存性共変量、およびクラスター化データ(frailtyモデル)に容易に拡張可能である。
  • 主要な統計ソフトウェア(R、Stata、SAS、SPSS)に広く実装されており、確立された診断ツールを備えている。

応用

  • ランダム化臨床試験における全生存期間または無増悪生存期間に対する治療割り当ての効果の評価。
  • がん登録および病院コホート研究における疾患再発または死亡率の予後因子の特定。
  • 職業疫学における慢性疾患発症までの時間と職業曝露との関連性の推定。
  • 医療サービス研究における年齢、併存疾患、および退院状況を調整した後の入院再入院までの時間のモデリング。
  • 生体工学研究における患者レベルのリスク因子を調整したデバイスまたはインプラントの故障率の評価。

使い方

使い方

1

モデリングの前に、Schoenfeld残差プロットまたは形式的なテスト(スケーリングされた残差と時間の相関)を使用して、各共変量に対する比例ハザード仮定を検証する。また、共変量層におけるイベント発生率のゼロ近傍、追跡期間における極端な外れ値、および打ち切りメカニズムの適切性も確認する。打ち切りは、有効な推論のために非情報的でなければならない。

2

ハザード関数を h(t|X) = h_0(t) * exp(b_1*X_1 + ... + b_p*X_p) と書く。ここで、h_0(t) は未指定のベースラインハザードであり、b_i は推定されるべき対数ハザード係数である。共変量は、単変量p値のみに基づいてではなく、主題分野の理論または先行研究に基づいて選択する。有意性に関わらず既知の交絡因子を含める。

数式
h(t|X) = h_0(t) * exp(b_1*X_1 + ... + b_p*X_p)
3

係数は、観測されたイベント順序に条件付けし、ベースラインハザードをキャンセルする関数である偏尤度を最大化することによって推定される。ベースラインハザードが消去されるため、生存時間に関する分布仮定は不要である。ゆえに「半パラメータ」と呼ばれる。この手法は、イベント時間のタイ(同着)をBreslowまたはEfron近似で処理する。

4

モデル適合度を、全体的な有意性について対数尤度比、Wald、およびスコア検定で評価する。dfbeta残差を用いて個々の共変量の影響を確認し、マルチンゲール残差を用いて連続予測変数の線形性を評価する。比例ハザード仮定が共変量に対して違反されている場合は、その変数による層別化または時間相互作用項の追加を検討する。

5

各係数を指数化してハザード比を得る:HR = exp(b_i)。HR > 1 はイベント発生率の上昇(生存期間の短縮)を示し、HR < 1 はイベント発生率の低下(生存期間の延長)を示す。HRを95%信頼区間および両側p値とともに報告する。HRは瞬間的な相対率を表し、リスク比ではない。この区別を専門家以外には明確に伝える。

数式
HR = exp(b_i)

よくある落とし穴

  • 比例ハザード仮定の無視。Schoenfeld残差のテストと報告を怠ると、追跡期間全体にわたるハザード比推定値を歪める検出されない違反につながる。
  • ハザード比をリスク比として扱う。HRは瞬間的な率の比であり、累積リスクの比ではない。絶対リスクの言葉で過度に解釈すると、臨床的な聴衆を誤解させる。
  • イベント数に対して共変量が多すぎる場合の過学習。全ての候補変数を、イベント数/変数比を考慮せずに投入すると、第一種の過誤が増加し、信頼性の低いCIが生成される。
  • タイしたイベント時間の無視。デフォルトのBreslow近似はタイが少ない場合には十分であるが、かなりのタイがある場合はEfron近似または厳密な方法が必要である。

よくある質問

比例ハザード仮定とは何か、そしてそれをどうテストするか?

この仮定は、任意の2つの共変量パターンの間のハザード比が時間とともに一定であると述べている。各共変量について、スケーリングされたSchoenfeld残差を時間に対してプロットすることでテストする。平坦な線は仮定が満たされていることを示唆する。Rのsurvivalパッケージのcox.zph()関数は、プロットと形式的な相関テストの両方を提供する。有意なp値は、層別化または時間相互作用項で対処すべき違反を示す。

Coxモデルよりもパラメータ生存時間モデルを好むのはどのような場合か?

主題分野の知識が特定の生存時間分布(例:デバイス故障に対するWeibull分布)を強く支持する場合、完全にパラメータ化されたモデルはより効率的であり、中央値または平均生存時間の直接的な予測を生成する。Coxモデルは、ハザードの形状について不明な場合、またはモデルのロバスト性がパラメータ効率よりも重要である場合(臨床研究のほとんどの場合)に好ましい。

Coxモデルを時間依存性共変量とともに使用できますか?

はい。Coxモデルのカウント過程定式化は、追跡期間中に値が変化する共変量(例:更新された検査値、治療変更)に対応できる。データセットは、各観測ウィンドウの開始-停止区間形式に再構造化する必要がある。これはR(survivalパッケージ)、Stata、SASで完全にサポートされている。

どのくらいのイベント数が必要か?

広く使用されている経験則は、モデル内の予測変数あたり少なくとも10件のイベント(EPV)である。この閾値を下回ると、係数推定値が不安定になり、信頼区間が広がり、モデルが確実に収束しない可能性がある。多くの候補共変量を持つモデルでは、ペナルティ付き回帰(ridge、LASSO)または形式的な縮小法が、EPVが低い場合に安定性を向上させることができる。

Coxモデルと競合リスク解析の違いは何ですか?

1種類のイベントのみが可能な場合は、標準的なCoxモデルが適用される。競合リスクは、被験者が複数の相互排他的なイベントのいずれか(例:がん特異的死亡対その他の原因による死亡)を経験する可能性がある場合に発生する。その設定では、原因特異的CoxモデルまたはFine-Gray副分布ハザードモデルが適切である。関心のあるイベントのみに対する標準的なCoxモデルは、原因特異的累積発生率を過大評価する。

関連する手法

参考文献

  1. Cox, D. R. (1972). Regression models and life-tables. Journal of the Royal Statistical Society: Series B (Methodological), 34(2), 187–202.

    DOI 文献を開く
    コピーしました。
  2. Collett, D. (2015). Modelling Survival Data in Medical Research (3rd ed.). CRC Press.

    ISBN:978-1439856789
    コピーしました。