8. Cox比例ハザードモデル：セミパラメトリック回帰の理論

セミパラメトリック構造の動機：なぜCoxモデルが必要か

生存分析における中心的な概念であるハザード関数 $h(t)$ は、確率密度関数 $f(t)$ と生存関数 $S(t)$ を用いて

$$
h(t) = \frac{f(t)}{S(t)}
$$

と定義されます。$h(t)$ は時刻 $t$ まで生存した個体が次の瞬間にイベントを経験する条件付き瞬間危険率を表します。この関数の時間的な形状をどのように扱うかが、生存モデルの種別を決定します。

生存モデルはハザード関数の推定方針によって、ノンパラメトリック・パラメトリック・セミパラメトリックの三つに大別されます。カプランマイヤー推定量に代表されるノンパラメトリック手法は分布形状を仮定しませんが、複数の共変量を同時に調整する操作を体系的に組み込むことができません。ログランク検定も2群間の生存分布差を検定しますが、年齢・腫瘍病期・治療歴などの連続的交絡変数を同時に調整する枠組みを持ちません。複数の共変量が観測される観察研究や臨床試験では、この制約が解析上の本質的な障壁となります。

パラメトリック生存モデルは共変量調整を可能にしますが、ハザード関数の関数形を事前に指定する必要があります。指数分布モデルは $h(t) = \lambda$（時間に依存しない定数ハザード）を仮定し、ワイブルモデルは $h(t) \propto t^{\gamma-1}$ という単調増加または単調減少の形状のいずれかに限定されます。実際の生存データでは、治療効果が初期に顕著で後期に逓減するなど、これらの単純な関数形で捉えきれないパターンが生じます。分布仮定が誤指定された場合、パラメトリック推定量は回帰係数と生存曲線の双方に系統的なバイアスを被ります。このバイアスはモデルの誤指定に対して修正する手段がなく、推論の妥当性を根本から損ないます。

Cox比例ハザードモデルは、基準ハザード関数と回帰係数という二つの要素を分離するセミパラメトリック構造によってこの問題を解決します。基準ハザード関数は共変量が参照値にある個体のハザード関数であり、その形状を事前に指定しません。回帰係数は有限次元のパラメータとして推定される一方、基準ハザード関数は無限次元の非パラメトリック成分として扱われます。1972年に提唱されたこのアイデアの核心は、基準ハザード関数の形状を指定・推定せずとも、部分尤度によって回帰係数のみを一致推定できるという発見にあります。

モデルの定式化：比例ハザード仮定と基準ハザードの分離

Cox比例ハザードモデルは、共変量ベクトル $\boldsymbol{x} = (x_1, x_2, \ldots, x_p)^\top$ を持つ個体のハザード関数を

$$
h(t \mid \boldsymbol{x}) = h_0(t) \cdot \exp(\beta_1 x_1 + \beta_2 x_2 + \cdots + \beta_p x_p)
$$

と定義します。ここで $h_0(t)$ は基準ハザード関数、$\boldsymbol{\beta} = (\beta_1, \ldots, \beta_p)^\top$ は推定すべき回帰係数ベクトルです。

このモデルの基本的な仮定は比例ハザード仮定です。異なる共変量プロファイル $\boldsymbol{x}$ と $\boldsymbol{x}’$ を持つ2個体のハザード比は

$$
\frac{h(t \mid \boldsymbol{x})}{h(t \mid \boldsymbol{x}’)} = \frac{h_0(t) \exp(\boldsymbol{\beta}^\top \boldsymbol{x})}{h_0(t) \exp(\boldsymbol{\beta}^\top \boldsymbol{x}’)} = \exp\bigl(\boldsymbol{\beta}^\top (\boldsymbol{x} – \boldsymbol{x}’)\bigr)
$$

となり、時間 $t$ に依存しません。これが「比例」という語の意味です。例えば治療群と対照群のハザード比が観察期間を通じて一定であることが典型的な仮定の文脈です。基準ハザード関数 $h_0(t)$ は比に現れないため、その形状の指定が不要になります。

基準ハザード関数 $h_0(t)$ は形状を事前に指定されない非パラメトリックな成分です。指数変換 $\exp(\boldsymbol{\beta}^\top \boldsymbol{x})$ により、線形予測子が負の値をとる場合でもハザードは非負に保証されます。対数変換によりモデルは

$$
\log h(t \mid \boldsymbol{x}) = \log h_0(t) + \boldsymbol{\beta}^\top \boldsymbol{x}
$$

という形に書き換えられます。これは一般化線形モデルにおける対数リンク関数としての解釈を可能にし、ポアソン回帰との理論的接続が成立します。また、共変量 $\boldsymbol{x}$ を持つ個体の生存関数は基準生存関数 $S_0(t)$ を用いて

$$
S(t \mid \boldsymbol{x}) = S_0(t)^{\exp(\boldsymbol{\beta}^\top \boldsymbol{x})}
$$

と表されます。回帰係数の解釈は共変量の種類によって異なります。二値変量では $\exp(\beta_j)$ が参照カテゴリに対する処置群のハザード比を直接表します。連続変量では $x_j$ が1単位増加したときのハザード比が $\exp(\beta_j)$ となります。カテゴリ変量では参照カテゴリを基準としたダミー変数の係数がそれぞれのカテゴリのハザード比を与えます。

部分尤度による係数推定：基準ハザードの消去

Cox モデルの推定において中心的な役割を果たすのが部分尤度です。$n$ 個体のうち $D$ 件のイベントが時刻 $t_{(1)} < t_{(2)} < \cdots < t_{(D)}$ に発生したとします。リスク集合 $\mathcal{R}(t_{(j)})$ は時刻 $t_{(j)}$ においてまだイベントを経験しておらず打ち切りも受けていない個体の集合です。第 $j$ 番目のイベント時点に対応する部分尤度の因子は

$$
L_j(\boldsymbol{\beta}) = \frac{\exp(\boldsymbol{\beta}^\top \boldsymbol{x}_{(j)})}{\displaystyle\sum_{l \in \mathcal{R}(t_{(j)})} \exp(\boldsymbol{\beta}^\top \boldsymbol{x}_l)}
$$

であり、「時刻 $t_{(j)}$ のリスク集合の中から当該個体がイベントを経験した条件付き確率」を意味します。部分尤度はこれをすべてのイベント時点にわたって乗積したものです。

$$
L(\boldsymbol{\beta}) = \prod_{j=1}^{D} L_j(\boldsymbol{\beta})
$$

この式から基準ハザード関数 $h_0(t)$ が消去されていることが確認できます。各因子においてリスク集合の全個体で分母を形成することにより、基準ハザードが比として約分されます。部分尤度は完全尤度の一因子として理論的に正当化されており、部分尤度最大化で得られた推定量 $\hat{\boldsymbol{\beta}}$ は一致性と漸近正規性を持ちますが、その詳細な証明は後続の記事で扱われます。

打ち切りデータの処理は自然に組み込まれます。打ち切りが発生した個体はその時刻までリスク集合に残りますが、部分尤度の分子には現れません。この処理が妥当であるためには、独立打ち切り仮定が成立する必要があります。独立打ち切り仮定とは、打ち切りの発生機構がイベント発生のハザードと独立であるという条件です。状態悪化を理由に追跡不能となるような情報的打ち切りが存在する場合、この仮定は違反され推定量にバイアスが生じます。

同着、すなわち同一時刻に複数のイベントが生じる場合には追加の近似が必要です。Breslow 法は分母においてリスク集合全体をそのまま用いる近似であり計算が簡便ですが、同着が多い場合に係数を過小評価するバイアスが生じます。Efron 法は分母を漸進的に修正することでこのバイアスを軽減します。同着が全イベントの10%を超えるような場合には Efron 法の適用が推奨されますが、各方法の詳細は後続記事で解説します。また、部分尤度のスコア方程式を $\boldsymbol{\beta} = \boldsymbol{0}$ で評価したものがログランク検定統計量に対応することが示されており、ログランク検定はCox モデルのスコア検定の特殊ケースとして理解されます。

ハザード比の解釈と統計的推測

部分尤度を最大化して得られた推定値 $\hat{\boldsymbol{\beta}}$ に基づき、共変量 $x_j$ の効果量はハザード比 $\exp(\hat{\beta}_j)$ として報告されます。$\hat{\beta}_j$ の漸近正規性から、95% 信頼区間は

$$
\exp\!\left(\hat{\beta}_j \pm 1.96 \cdot \widehat{\mathrm{SE}}(\hat{\beta}_j)\right)
$$

と構成されます。ここで $\widehat{\mathrm{SE}}(\hat{\beta}_j)$ は観測情報行列の逆行列の対角要素から得られる標準誤差の推定値です。

ハザード比の解釈は次の通りです。$\mathrm{HR} > 1$ はイベント発生ハザードの増大、$\mathrm{HR} < 1$ はハザードの低減、$\mathrm{HR} = 1$ は効果なしを意味します。例えば $\mathrm{HR} = 1.5$ は当該共変量が1単位増加することでハザードが50%増大することを示します。連続変量 $x_j$ が $c$ 単位変化した場合のハザード比は

$$
\mathrm{HR} = \exp(c \cdot \hat{\beta}_j)
$$

と計算されます。多変量モデルでは $\exp(\hat{\beta}_j)$ は他の共変量を固定した上での $x_j$ の調整済みハザード比を表します。

係数の有意性は三種の漸近的検定によって評価されます。Wald 検定は統計量 $W = \hat{\beta}_j / \widehat{\mathrm{SE}}(\hat{\beta}_j)$ を標準正規分布で評価します。尤度比検定は帰無モデルと対立モデルの部分対数尤度の差を2倍したものをカイ二乗分布で評価します。スコア検定はスコア関数を帰無仮説のもとで評価するものです。三者は漸近的に同値ですが、小標本では尤度比検定が最も安定した結果を与えます。

ハザード比の解釈には二つの制約を認識する必要があります。第一に、ハザード比は観察期間全体を通じた比例的なリスク変化の要約値であり、比例ハザード仮定が成立しない場合には時間平均的な意味しか持たず、効果の時間変動を捉えられません。第二に、観察研究では測定されていない交絡変数が常に残存するため、ハザード比から直接的な因果関係を導くことはできません。多変量調整後のハザード比は交絡を部分的に削減しますが、未測定交絡の存在により推定値は関連の強さを正確に反映しない可能性があります。

比例ハザード仮定の内容と確認：視覚的・統計的診断の概要

比例ハザード仮定はCox モデルの核心的な仮定であり、すべての共変量についてハザード比が観察期間を通じて時間不変であることを要求します。加えて、各個体の観測は独立であり、クラスター構造がないことも前提となります。

仮定の成立を視覚的に確認する最も基本的な手法は $\log(-\log S(t))$ プロットです。生存関数 $S(t)$ に対して変換を施すと、比例ハザード仮定が成立する2群では

$$
\log\bigl(-\log S_k(t)\bigr) = \log\bigl(-\log S_0(t)\bigr) + \beta_k
$$

という関係が成り立ちます。これは $\log(-\log S(t))$ を $\log(t)$ に対してプロットした場合に2群の曲線が平行な直線をなすことを意味します。曲線が交差・発散するパターンが観察された場合は仮定違反の証拠となります。図1はこのプロットの典型例です。

（Fig1. 比例ハザード仮定の視覚的確認：2群の生存曲線とlog(−log)変換後の平行性）

より定量的な診断手法としてSchoenfeld 残差に基づく検定があります。Schoenfeld 残差は各イベント時点での観測共変量と期待共変量の差として定義され、比例ハザード仮定が成立する場合は時間との相関が生じないことが期待されます。残差を時間に回帰させた傾きの有意性をカイ二乗統計量で評価することで、仮定の定量的検定が実施されます。残差の散布図で明確な時間的傾向が観察された場合、仮定違反の可能性を示します。

比例ハザード仮定が満たされない場合、以下の対処方針が存在します。仮定を違反する共変量で層別化する層別Coxモデルは、層間でハザード比の推定値を共有しつつ層ごとに異なる基準ハザードを許容します。時変係数の導入は、共変量と時間の交互作用項を加えることで効果の時間変動をモデル化します。あるいは加速故障時間モデルへの変更も選択肢の一つです。各方法の詳細は後続記事で解説します。

臨床試験において治療効果が初期に顕著で後期に縮小するパターンが生じる場合、比例ハザード仮定は成立しないことがあります。このような効果逓減は免疫療法を含む分野で頻繁に報告されており、仮定の事前検討が重要です。また、推定された基準ハザード関数は観察期間内では利用できますが、観察期間を超えた範囲への外挿には大きな不確実性が伴います。

医療統計への応用：臨床試験での標準的実装

固形癌患者を対象とした無作為化比較試験において、新規分子標的薬と標準化学療法の全生存期間に対する治療効果を評価する際、Cox モデルは標準的な多変量解析手法として使用されます。共変量として年齢・腫瘍病期・患者の全身状態指標を含む多変量モデルを構築し、治療の調整済みハザード比と95% 信頼区間を推定します。

共変量の選択は臨床的意義と事前仮説に基づいて解析前のプロトコルで設定します。これにより選択バイアスを防ぎます。交絡変数については治療割り付けの予測因子かつアウトカムの独立した予測因子であるものを優先的に選択します。モデルに含める共変量の数については、10 events per variable ルールが広く参照されます。これはイベント数がモデルに含まれる共変量数の10倍以上あることを推奨するものであり、小標本での過適合を防ぐ経験的な基準です。

結果の報告では治療効果のハザード比・95% 信頼区間・p値を提示し、CONSORT が定める報告規準に準じた形式で記載します。調整済みハザード比の報告において、調整した共変量の一覧を明示することが求められます。生存曲線の提示においては、特定の共変量値を仮定した条件付き生存曲線と、集団全体の分布を考慮した周辺生存曲線を区別して報告します。図2は異なる年齢水準に対応したCox モデルの予測生存曲線を示しており、年齢群間でハザードの比例関係が成立する様子を確認できます。

（Fig2. Cox モデルによる調整済み生存曲線：共変量の値を変えた場合のハザード比の比例関係）

多変量解析の結果はフォレストプロットにより可視化されます。図3は治療群・年齢・性別・腫瘍病期・全身状態指標を含むCox モデルの推定結果をフォレストプロット形式で示したものです。対数スケールの水平軸に各共変量のハザード比点推定値と95% 信頼区間を表示し、$\mathrm{HR}=1$ の参照線を基準に効果の方向と不確実性を視覚化します。

（Fig3. Cox 多変量解析のフォレストプロット：各共変量のハザード比と95%信頼区間）

臨床応用における限界として以下を認識する必要があります。第一に、観察研究では治療方針の決定に影響した未測定の因子が推定バイアスを生じさせます。これは適応バイアスと呼ばれ、特に後向き研究で問題となります。第二に、癌患者では癌以外の死亡（競合死因）が存在するため、全死亡をアウトカムとする解析では癌特異的死亡の解釈に注意が必要です。競合死因が無視できない場合には競合リスク解析の適用が推奨されます。第三に、多施設共同試験では施設間のばらつき（クラスター構造）が存在しますが、基本的なCox モデルはこれを無視するため標準誤差の推定に偏りが生じる可能性があります。この場合、ロバスト標準誤差またはフレイルティモデルへの拡張が必要です。

関連手法との比較：位置づけと使い分けの基準

Cox 比例ハザードモデルの位置づけを理解するために、生存時間解析における主要な関連手法との比較を以下に示します。

Cox モデルとワイブル回帰の選択はロバスト性と推定効率のトレードオフです。ワイブル分布の仮定が正しければワイブル回帰の方が効率的な推定量を与えますが、仮定が誤指定された場合にはCox モデルの方が頑健な推定を維持します。

Cox モデルと加速故障時間モデルは効果量の解釈軸が異なります。Cox モデルは「比較群間でイベントが何倍の速さで起こるか」というハザード比を指標とするのに対し、加速故障時間モデルは「処置によって生存時間がどのくらい延長・短縮されるか」という時間比を指標とします。比例ハザード仮定と加速故障時間仮定は一般に同時に成立しないため、データの性質に応じて選択します。

Cox モデルとロジスティック回帰の最大の違いは、時間情報と打ち切りの扱いにあります。ロジスティック回帰は観察期間が個体間で均一であり打ち切りがない状況を前提としますが、Cox モデルは追跡期間が個体によって異なる場合でも自然に扱います。Cox モデルとログランク検定の差異は多変量調整の有無と連続変量の取り込み方にあります。ログランク検定は連続共変量の直接的な調整ができず、多変量調整が必要な場面ではCox モデルが適します。なお、Cox モデルはカウントプロセスの定式化を通じてポアソン回帰と理論的に等価であることが示されており、一般化線形モデルとの統一的な理解が可能です。