コホート研究【発生率】(層化なし)

公開日: 更新日:

【2022年10月1週】 【A000】生物統計学 【A050】研究デザイン 【A051】コホート研究

この記事をシェアする
  • B!
サムネイル画像

本稿では、コホート研究の研究デザインのうち、①平均発生率を曝露効果の指標とする、②層化なしのデザイン・パターンについて、その分割表の形式、統計モデル、曝露効果の指標の定義をまとめています。

なお、閲覧にあたっては、以下の点にご注意ください。

  • スマートフォンやタブレット端末でご覧の際、数式が見切れている場合は、横にスクロールすることができます。
  • 曝露(発症)状況を表す右下の添え字は、「0」である場合($n_0,\pi_0$ など)や「2」である場合($n_2,\pi_2$ など)がありますが、どちらも「非曝露群(コントロール群)」を表しています。

分割表の形式

研究期間を \begin{gather} S \left[\mathrm{Time}\right] \end{gather} 曝露群と非曝露群の観察対象人数をそれぞれ、 \begin{gather} n_1 \quad n_0\\ N=n_1+n_0 \end{gather} 研究期間内にそれぞれの集団内で発生したイベント数を \begin{gather} a \left(=d_1\right) \quad b \left(=d_0\right) \end{gather} 曝露群の $i$ 番目の対象者がリスクに曝露されていた時間(リスク人・時)を \begin{gather} t_i \quad i=1,2, \cdots ,n_1 \end{gather} 非曝露群の $j$ 番目の対象者がリスクに曝露されていた時間(リスク人・時)を \begin{gather} t_j \quad j=1,2, \cdots ,n_0 \end{gather} 曝露群と非曝露群の総リスク人・時をそれぞれ、 \begin{gather} T_1=\sum_{i=1}^{n_1}t_i \quad T_0=\sum_{j=1}^{n_0}t_j\\ \end{gather} 両群を合わせた全体としての総リスク人・時を \begin{gather} T=T_1+T_0 \end{gather} 両群を合わせた全体としての総イベント発生数を \begin{gather} M=a+b \end{gather} とする。

表1 コホート研究に関する $2\times2$ 分割表(観測値)
発生数
$ \left(D\right)$
リスク人・時
曝露群
$ \left(E\right)$
$a$ $T_1$
非曝露群
$(\bar{E})$
$b$ $T_0$
合計 $M$ $T$

統計モデル

曝露群と非曝露群の観察人・時 \begin{gather} T_1 \quad T_0 \end{gather} が固定されているという条件の下で 各群のイベント発生数 $a,b$ が互いに独立に、パラメータ(単位時間あたりの平均発生回数)がそれぞれ \begin{align} \lambda_1 \quad \lambda_0 \end{align} である ポアソン分布 \begin{align} a \left(=d_1\right) \sim \mathrm{Po} \left(\lambda_1\right) \quad b \left(=d_0\right) \sim \mathrm{Po} \left(\lambda_0\right) \end{align} に従うとする。 ただし、各群のイベント発生率は研究期間を通じて一定であるとする。

曝露効果の指標

発生率

\begin{gather} {\mathrm{IR}}_1=\lambda_1 \quad {\mathrm{IR}}_0=\lambda_0\\ {\mathrm{\widehat{IR}}}_1={\hat{\lambda}}_1=\frac{a}{T_1} \quad {\mathrm{\widehat{IR}}}_0={\hat{\lambda}}_0=\frac{b}{T_0} \end{gather}

発生率差

\begin{gather} \mathrm{IRD}=\lambda_1-\lambda_0\\ \mathrm{\widehat{IRD}}={\hat{\lambda}}_1-{\hat{\lambda}}_0=\frac{a}{T_1}-\frac{b}{T_0} \end{gather}

発生率比

\begin{gather} \mathrm{IRR}=\frac{\lambda_1}{\lambda_0}\\ \mathrm{\widehat{IRR}}=\frac{{\hat{\lambda}}_1}{{\hat{\lambda}}_0}=\frac{aT_0}{bT_1} \end{gather}

寄与危険割合

\begin{gather} \mathrm{ARP}=\frac{\lambda_1-\lambda_0}{\lambda_1}\\ \mathrm{\widehat{ARP}}=\frac{{\hat{\lambda}}_1-{\hat{\lambda}}_0}{{\hat{\lambda}}_1}=\frac{\frac{a}{T_1}-\frac{b}{T_0}}{\frac{a}{T_1}} \end{gather}

検定仮説

帰無仮説

\begin{gather} H_0:\lambda_1=\lambda_0 \end{gather}

対立仮説

①両側仮説 \begin{gather} H_1:\lambda_1 \neq \lambda_0 \end{gather} ②右側仮説 \begin{align} H_1:\lambda_1 \gt \lambda_0 \end{align} ③左側仮説 \begin{align} H_1:\lambda_1 \lt \lambda_0 \end{align}

参考文献

  • ケネス・ロスマン 著, 矢野 栄二, 橋本 英樹, 大脇 和浩 監訳. ロスマンの疫学. 篠原出版新社, 2013, p.236
  • 丹後 俊郎, 松井 茂之 編集. 医学統計学ハンドブック. 朝倉書店, 2018, p.508-510

自己紹介

自分の写真

yama

大学時代に読書の面白さに気づいて以来、読書や勉強を通じて、興味をもったことや新しいことを学ぶことが生きる原動力。そんな人間が、その時々に学んだことを備忘録兼人生の軌跡として記録しているブログです。

このブログを検索

ブログ アーカイブ

QooQ