Skip to content
検索結果に戻る

横断的研究デザイン

提唱者
Epidemiologists in the mid-20th century; formalized by Kelsey, Rothman, and others
年
1950s-1970s
種類
Research Design
系統
observational design

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?

横断的研究(または有病率研究)は、単一の時点において曝露とアウトカムを同時に測定し、集団の「スナップショット」を生成する。回答者は同じ機会に募集され、調査(または検査)され、曝露と疾患の両方の現在の有病率を捉える。横断的研究は、単純、迅速、安価であるため、ニーズ評価、サーベイランス、仮説生成に人気があるが、時間的順序の欠如により因果関係を確立できない。

手法の背後にある直感

ある朝、工場に入り、全労働者500人に「腰痛はありますか? 1日に何時間持ち上げ作業をしていますか?」と質問する状況を想像してください。腰痛のある労働者の数(有病率)を数え、次に重い物を持ち上げる作業に従事している人と軽い作業に従事している人を比較します。重い物を持ち上げる人の30%が腰痛を訴え、軽い作業の人の10%が腰痛を訴えることがわかったとします。有病率比(Prevalence Ratio; PR)は3:1です。しかし、問題はここにあります。重い物を持ち上げることが腰痛の原因だったのか、それとも腰痛のある労働者がより軽い仕事に変わったのか、わからないのです。曝露とアウトカムを同時に測定したため、時間的順序が曖昧です。横断的研究は、迅速な評価や有病率推定には適していますが、因果推論には弱いです。

歴史学

横断的調査の起源は、20世紀初頭の公衆衛生サーベイランスと国勢調査業務にある。現代の疫学では、20世紀半ばに有病率研究として形式化された。有名な例としては、アメリカ人の健康状態、食事、リスク因子に関する横断的調査を実施したNational Health and Nutrition Examination Survey(NHANES、1960年代開始、米国)がある。横断的デザインは現在、サーベイランス(例:CDCのBehavioral Risk Factor Surveillance System、BRFSS)や国際保健モニタリング(例:Demographic and Health Surveys、DHS)の標準となっている。電子健康記録と管理データの台頭により、大規模な後向き横断的研究が可能になった。

使うべき場面

横断的研究は以下に使用する:(1) 集団における疾患または状態の有病率の推定(サーベイランス、公衆衛生モニタリング)、(2) ニーズ評価:いくつの患者がサービスを必要としているか?、(3) 仮説生成:どの要因がアウトカムと関連しているか?、(4) 迅速評価:迅速な結果(数週間から数ヶ月)、(5) 発生率の測定が困難であるが有病率が安定している慢性疾患の研究、(6) 1回の調査で1つの曝露から複数のアウトカムを評価すること、(7) 費用のかかるコホート研究または症例対照研究を開始する前の予備研究。

限界と注意点

  • 因果関係を確立できない:時間的順序が存在しないため、横断的データは曝露がアウトカムに先行したことを証明できない。
  • 有病症例のみを対象:単一時点での既存症例を捉えるが、新規症例や回復した者、死亡した者は見逃す。関連性は有病症例と新規症例で異なる可能性がある。
  • 生存者バイアス:アウトカムが致命的であるか、転居や入院につながる場合、影響を受けた個人が横断的サンプルで過小評価される可能性がある。
  • 曝露とアウトカムの曖昧さ:曝露がアウトカムを引き起こすのか、それともアウトカムが報告された曝露を変えるのか?逆因果関係を排除できない。
  • 想起バイアス:曝露が過去のものである場合(過去の曝露について尋ねる)、特に病気の人では、想起の正確性は記憶と意欲に依存する。

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

  • 速度と効率性:データ収集は、数年間の追跡ではなく、短い期間(数週間から数ヶ月)で行われる。
  • 低コスト:縦断的な追跡や再連絡は不要で、1回の調査/検査で十分である。
  • 単純かつ実用的:診療所、学校、職場、地域社会で実施しやすい。
  • 有病率推定:有病率(疾患負担)を直接推定し、公衆衛生計画やサーベイランスに有用である。
  • 複数の曝露とアウトカム:1回の横断的調査で多くの曝露とアウトカムを同時に測定でき、仮説生成に効率的である。

応用

  • 慢性疾患の有病率:国民調査は、集団における高血圧、糖尿病、肥満の有病率を評価し、その結果は公衆衛生政策と資源配分に情報を提供する。
  • 職業性健康サーベイランス:工場や職場は、従業員に症状(呼吸器系、筋骨格系)と曝露について調査し、職業関連状態の有病率を推定する。
  • 学生の健康とリスク行動:学校は、生徒にメンタルヘルス、薬物使用、身体活動、いじめについて調査し、その結果は学校保健プログラムを導く。
  • 病院患者調査:入院時または退院時に、患者に症状、障害、満足度について調査し、患者中心のアウトカムとサービスギャップの評価に役立つ。
  • 地域ベースの参加型研究:地域社会で横断的調査を実施し、健康格差、健康リテラシー、社会的要因を評価し、介入ターゲットを特定する。

使い方

使い方

1

対象集団を定義する(例:ある自治体の18〜65歳の成人、ある企業の従業員、ある病院の患者)。無作為抽出、層化抽出(年齢、性別、地域別にサンプルを抽出しバランスを確保する)、またはクラスター抽出(学校や地域などのクラスターを抽出し、その中の個人を抽出する)を用いて、代表的なサンプルを選択する。参加者を募集し、調査(質問票、面接)または臨床検査を実施して、単一の時点での曝露とアウトカムの両方を測定する。データ収集を標準化する:同じ調査員研修、同じ機器、一貫したプロトコル。人口統計学的特性および潜在的な交絡因子(年齢、性別、教育、併存疾患など)を記録する。「スナップショット」としての性質を維持するために、狭い時間枠内でデータ収集を完了する。

数式
Define target population; select representative sample via random, stratified, or cluster sampling; enroll participants and administer survey or examination.
2

有病率を計算する:有病率 = (アウトカムを有する者の数) / (総サンプルサイズ)。割合またはパーセンテージで表す。曝露別に層別化して分析する場合、曝露群の有病率 = (曝露群におけるアウトカムを有する者の数) / (総曝露者数) を計算する。非曝露群についても同様に計算する。有病率比(PR)を計算する:PR = 曝露群の有病率 / 非曝露群の有病率。PR > 1 は、曝露がより高い有病率と関連していることを示唆する(リスク因子を示唆する可能性があるが、時間性は不明瞭)。PR < 1 は、曝露群で有病率が低いことを示唆する(保護的な関連性を示唆するが、ここでも時間性の曖昧さがある)。二項分布またはポアソン法を用いて、有病率とPRの95%信頼区間(CI)を計算する。交絡因子を調整する:ロジスティック回帰を用いて調整済みPRを推定する(またはPRを直接モデル化する対数二項回帰を使用する);CIとともに調整済みPRを報告する。

数式
Calculate prevalence (proportion with outcome); compute Prevalence Ratio (PR) = Prevalence_{\text{exposed}} / Prevalence_{\text{unexposed}}; adjust for confounders using logistic regression.
3

PRが2であるということは、曝露群が非曝露群と比較してアウトカムの有病率が2倍であることを意味する。しかし、慎重に解釈する必要がある。曝露がアウトカムを引き起こした可能性、アウトカムが曝露の認識を引き起こした可能性、あるいは両方が第3の変数に起因する可能性もある。時間性の曖昧さは因果推論を制限する。横断的データは因果関係を証明できない。有病率は、集団における疾患負担の特性評価(サーベイランス、ニーズ評価、資源計画)には有用であるが、リスクの定量化や病因の確立には適さない。もしアウトカムが集団において稀であり、サンプリングが横断的である場合、観察された関連性は、曝露において新規症例とは異なる有病症例(生存者)を反映する可能性がある。結果は、サンプルが抽出された対象集団に一般化する。

数式
Interpret PR; note temporal ambiguity (cannot establish exposure preceded outcome); generalize to target population; discuss confounding and selection bias.

よくある落とし穴

  • 有病率と発生率の混同:有病率 = ある時点での既存症例数;発生率 = ある期間における新規症例数。横断的研究は有病率を測定し、発生率ではない。
  • 代表的でないサンプルの選択:便宜的サンプリング(例:診療所の患者やボランティアのみを調査する)は選択バイアスを導入する。定義された集団からの無作為抽出または層化抽出を使用する。
  • PRを有病率比(Risk Ratio; RR)として解釈すること:コホート研究では、RR = 曝露群の発生率 / 非曝露群の発生率。横断的研究では、PR = 曝露群の有病率 / 非曝露群の有病率。これらは同等ではなく、混同してはならない。
  • 欠損データの無視:多くの参加者が曝露に関する質問に回答しない場合、またはアウトカム測定が不完全な場合、推定値は偏る。欠損データを報告し、感度分析を実施する。
  • 弱い関連性の過剰解釈:横断的PRは小さく不正確である可能性があり、弱い関連性は交絡から生じる可能性がある。事前に定義された仮説を確立し、既知の交絡因子を調整する。

よくある質問

有病率と発生率の違いは何ですか?

有病率は、特定の時点における集団中の疾患(または状態)の割合である:有病率 = (既存症例数) / (総人口)。発生率は、ある期間における新規症例の発生率である:発生率 = (新規症例数) / (リスクのある人時)。横断的研究は有病率を測定する。コホート研究は発生率を測定する。有病率は、発生率と疾患期間の両方に依存する。治療によって生存期間が延びれば、発生率が変わらなくても有病率は上昇する。有病率は疾患負担とニーズの評価に有用であり、発生率は疾患リスクを定量化する。

なぜ横断的研究から因果関係を確立できないのですか?

因果関係には時間的順序が必要である。すなわち、原因は結果に先行しなければならない。横断的研究は、曝露とアウトカムを同時に測定するため、どちらが先に起こったかを決定できない。例えば、労働者の調査で、腰痛を訴える人が重い物を持ち上げていると報告した場合、持ち上げが痛みを引き起こしたのか、それとも痛みのある労働者がより軽い作業に変わったのかはわからない。これは逆因果関係または双方向性の関連である。コホート研究は、まず曝露を測定し、次に追跡してアウトカムを測定することにより時間的順序を確立する。因果推論においては、横断的研究よりもはるかに強力である。

横断的有病率研究のサンプルサイズはどのように計算しますか?

単一の有病率を推定する場合、n = (Z²/2 × p × (1 − p)) / d² を使用する。ここで、pは予測される有病率、dは許容される誤差範囲(例:±0.05)、ZはZ値(95% CIの場合は1.96)である。例えば、推定有病率が20%、許容誤差が±5%の場合、n ≈ (1.96² × 0.20 × 0.80) / 0.05² ≈ 246となる。2つの曝露群を比較する場合、2群の有病率比較の公式(2群の割合検定に類似)を使用する。クラスター抽出(学校などのクラスターを抽出する場合)を考慮して、デザイン効果を適用する。予期される無回答または脱落を考慮して、サンプルサイズを応答率の逆数で増大させる。

生存者バイアスとは何ですか?また、それは横断的研究にどのように影響しますか?

生存者バイアスは、横断的サンプルが調査時点で生存しており、集団内にいる者のみを含み、アウトカムによって死亡した者や転居した者を除外する場合に発生する。例えば、脳卒中患者の横断的調査では、調査日前に脳卒中で死亡した者や、障害のために転居した者は含まれない可能性がある。残った(生存した)症例は、すべての症例とは曝露や重症度が異なる可能性がある。これは曝露とアウトカムの関連を偏らせる。これを最小限にするために、横断的研究では、遅い時点(有病症例の生存者)ではなく、早い時点(新規症例)でアウトカムを測定するか、より広範な症例集団を捉えるために病院ベースまたは登録ベースの症例を使用すべきである。

関連する手法

参考文献

  1. Kelsey, J. L., Whittemore, A. S., Evans, A. S., & Thompson, W. D. (1996). Methods in Observational Epidemiology (2nd ed.). Oxford University Press.

    ISBN:978-0195083299
    コピーしました。
  2. Rothman, K. J., Lash, T. L., & Greenland, S. (2008). Modern Epidemiology (3rd ed.). Lippincott Williams & Wilkins.

    ISBN:978-0781755657
    コピーしました。
  3. Lynn, P. (2009). Methodology of longitudinal surveys. Wiley Interdisciplinary Reviews: Computational Statistics, 1(3), 369–379.

    出版物の文献を開く
    コピーしました。