12. 時変共変量：動的リスク因子のCoxモデルへの組み込み

時変共変量とは何か：静的モデルの限界と動的拡張の必要性

標準的な比例ハザードモデルは共変量ベクトル$\boldsymbol{Z}$をベースライン時点で固定し、$h(t|\boldsymbol{Z}) = h_0(t)\exp(\boldsymbol{\beta}’\boldsymbol{Z})$を仮定します。しかし血圧・免疫マーカー・治療状況のように追跡期間中に変化するリスク因子が存在する場合、登録時固定コホートデータに基づくモデルは共変量の変動を捉えられず、推定に系統的な誤差が生じます。時変共変量の拡張モデルでは$\boldsymbol{Z}$を時点$t$の関数$\boldsymbol{Z}(t)$に置き換えることで動的リスク因子を定式化します。

$$h(t|\boldsymbol{Z}(t)) = h_0(t)\exp(\boldsymbol{\beta}’\boldsymbol{Z}(t))$$

静的モデルでは$\boldsymbol{Z}$が時点によらず定数であるのに対し、動的モデルでは$\boldsymbol{Z}(t)$が各失敗時刻で更新されます。この形式的な差異は部分尤度の構成とリスク集合の定義を根本的に変えます。

時変共変量は外因性と内因性の2種類に区別されます。外因性時変共変量は将来の軌跡が生存時間$T$と過去の観測条件付きで独立であるものを指し、治療割り当ての変更・季節変動・環境暴露が該当します。内因性時変共変量は疾患過程自体が生成するものであり、バイオマーカー・症状スコア・臓器機能値がこれにあたります。この区別は因果解釈の可否を決定します。

各時点$t$における$\boldsymbol{Z}(t)$が観測可能であること、および将来の共変量値や事象情報に依存しない非先行性が仮定されます。内因性共変量については疾患進行に伴う逆因果性の問題により、$\exp(\hat{\boldsymbol{\beta}})$を因果効果として解釈できません。また未来の測定値を現在のリスク計算に使用することは部分尤度の正当性を損ないます。

カウントプロセス定式化：時変モデルの数理的基盤

時変共変量Coxモデルの数学的正当性はカウントプロセス理論によって確立されます。個人$i$に対してカウントプロセスを

$$N_i(t) = I(T_i \leq t,\;\Delta_i = 1)$$

と定義します。$N_i(t)$は時点$t$以前に事象が観察された場合に0から1へジャンプする単調増加の確率過程です。リスク過程は

$$Y_i(t) = I(T_i \geq t)$$

であり、個人$i$が時点$t$において観察下かつ事象未発生である間1をとります。強度過程は

$$\lambda_i(t) = Y_i(t)\,h_0(t)\exp(\boldsymbol{\beta}’\boldsymbol{Z}_i(t))$$

と表されます。$N_i(t)$から強度過程の累積値を引いたマーチンゲールは

$$M_i(t) = N_i(t) – \int_0^t Y_i(s)\,\lambda_i(s)\,ds$$

と定義され、フィルタレーション$\{\mathcal{F}_t\}$に関する条件付き期待値がゼロとなる確率過程です。積分項$\int_0^t Y_i(s)\lambda_i(s)\,ds$は補償過程（累積強度）であり、$M_i(t)$の確率的変動から体系的な成分を取り除いた残差に相当します。

$\boldsymbol{Z}_i(t)$は予測可能プロセスである必要があります。これは時点$t$の共変量値が$\mathcal{F}_{t^-} = \sigma(\bigcup_{s < t}\mathcal{F}_s)$、すなわち$t$より厳密に前の情報によって決まることを意味し、将来の事象情報がハザードに混入しないことを保証します。フィルタレーションは左連続であることが仮定されます。

連続時間のマーチンゲール理論を有限サンプルの離散的測定スケジュールに適用する際、カウントプロセス定式化は近似として機能します。実データでは完備確率空間や右連続左極限フィルタレーションといった技術的前提が厳密には成立せず、推定精度は測定頻度と区間長に依存します。

Start-Stopデータ形式と修正部分尤度

カウントプロセス定式化を標準的な統計ソフトウェアで実装するために、個人の連続観察記録を区間ごとの行へ展開するstart-stop形式が用いられます。各行は

$(i,\;t_{\text{start}},\;t_{\text{stop}},\;\text{event},\;\boldsymbol{Z})$

の5要素で構成され、$\boldsymbol{Z}$は区間$(t_{\text{start}},\,t_{\text{stop}}]$内で一定と見なされます。eventは最終区間かつ事象発生時のみ1となり、1被験者が$K$個の測定区間を持つ場合は$K$行として展開されます。リスク集合は各失敗時刻で$Y_j(t_i)=1$を満たす行単位で動的に構成されます。

（Fig1. 個人単位データからStart-Stop形式への展開（3名の例示：測定タイミング・事象・打ち切りの可視化））

時変部分尤度は各失敗時刻$t_i$における条件付き確率の積として

$$L_p(\boldsymbol{\beta}) = \prod_{i:\Delta_i=1} \frac{\exp(\boldsymbol{\beta}’\boldsymbol{Z}_i(t_i))}{\displaystyle\sum_{j:\,Y_j(t_i)=1} \exp(\boldsymbol{\beta}’\boldsymbol{Z}_j(t_i))}$$

と定義されます。分子・分母ともに$t_i$時点での共変量値$\boldsymbol{Z}(t_i)$を使用する点が静的モデルとの本質的な差異です。ベースライン累積ハザードのBreslow推定量も同様にカウントプロセス形式へ修正され、各失敗時刻でのリスク集合を動的に構成することで時変共変量に対応します。同着（ties）はBreslow法またはEfron法を拡張リスク集合へ適用して処理されます。

各区間内での共変量値の一定性（区分定数近似）と、測定が当該リスク区間の開始より先行することが仮定されます。測定間隔が疎な場合には区間内変動が失われ近似バイアスが生じます。また1被験者が多数の測定区間を持つデータセットでは行数が大幅に増加しメモリ使用量と計算コストが比例して増大します。欠測測定値の補完方法に依存して推定結果が不安定になることも注意が必要です。

外因性・内因性共変量の区別と因果解釈

$\hat{\boldsymbol{\beta}}$の因果解釈は共変量が外因性か内因性かに依存します。外因性条件は、将来の軌跡$\{Z(s): s > t\}$が過去の観測と$T > t$の条件付きで生存時間$T$と独立であることとして定式化されます。この条件が成立するとき$\exp(\hat{\beta}_k)$は瞬間ハザードへの1単位増加の乗法的効果を表す観察的関連として解釈可能ですが、これは因果効果の推定量とは区別されます。

内因性共変量は疾患過程によって生成されるため、時点$t$での値に生存選択性が混入します。時点$t$まで観察されている個人は定義上$t$まで生存した選択的サバイバーであり、内因性共変量の測定値は生存時間$T$との相関を内包します。この逆因果性により$\exp(\hat{\beta})$は生物学的機序の因果的効果量ではありません。

過調整は共変量が治療から転帰への因果経路上に位置する媒介変数である場合に生じます。媒介変数に条件付けると治療効果の一部がモデルから除去され、推定量は因果解釈を失います。時間依存の交絡は、先行する治療歴によって変化しかつ将来の転帰を予測する共変量が存在するとき、通常の回帰調整では因果効果を回収できないことを意味します。この場合、IPTW（逆確率打ち切り重み付け）や縦断・生存結合モデルが必要です。

競合リスクが存在する場合には、一方の事象を加速する共変量が他方に対して保護的に見える可能性があり解釈が複雑になります。外因性共変量であっても測定誤差なしの観測という強い仮定が置かれており、系統的な測定誤差は推定に影響します。

生物統計学的応用：HIV研究における免疫マーカーの動的モデリング

HIV感染コホート研究は時変共変量モデルの代表的な応用領域です。抗レトロウイルス療法の開始・切り替えは外部から割り当てられる治療変数であり、外因性時変共変量として定式化できます。治療状態$Z_{\text{ART}}(t) \in \{0, 1\}$に対するハザード比の推定量は

$$\widehat{HR}_{\text{ART}} = \exp(\hat{\beta}_{\text{ART}})$$

であり、95%信頼区間は$L_p(\boldsymbol{\beta})$の観測フィッシャー情報行列から構成されます。CD4細胞数やウイルス量は疾患進行に伴い変化する内因性時変共変量であり、これをART効果の共変量として同時に投入すると過調整と逆因果性の問題が生じ、ART効果の推定量に偏りが生まれます。

（Fig2. 外因性時変共変量（治療開始）によるハザード比の時間推移と95%信頼区間）

ランドマーク解析は基準時刻$t_L$を固定し$t_L$時点での生存者に限定してコホートを再定義する手法です。この設計により、条件付き生存関数

$$S(t \mid T > t_L,\;\boldsymbol{Z}(t_L))$$

が推定されます。$t_L$より前の共変量軌跡のモデル化が不要になる反面、$t_L$以前に事象を経験した個人の情報が失われます。治療割り当てのランダム性を保持する意図治療解析と比較すると、ランドマーク解析は動的な治療変更の影響を捉えますが、$t_L$の設定が恣意的になりやすく感度分析が必要です。

観察されない交絡因子の独立性と測定タイミングのランダム性が仮定されます。臨床的に状態が悪化している時点に採血が集中する場合、共変量値の測定タイミングと事象タイミングが相関し推定に情報バイアスが生じます。CD4細胞数の内因性的性質から、そのハザード比は観察的関連を反映するにすぎず因果推定量ではありません。治療開始タイミングや治療スイッチングの動的効果の因果推定には結合モデルまたはIPCWが不可欠です。

関連手法との比較と拡張：マルチステートモデル・結合モデルへの橋渡し

時変共変量Coxモデルは複数の代替・拡張手法と相互補完的な位置づけにあります。

層別Coxモデルは、TVCとして扱う共変量について比例ハザード仮定が成立しない場合や関数形が特定できない場合に有効です。カテゴリカルなTVCで各層のベースラインハザードを独立に推定することで比例ハザード違反を回避できます。共変量の時変効果そのものを推定したい場合は時変係数モデルが、層によって全体のハザード型が異なる場合は層別化が、それぞれ適切です。

マルチステートモデルは健康・疾患・死亡などの複数状態間遷移を各遷移強度$q_{hk}(t|\boldsymbol{Z}(t))$で個別にモデル化します。時変共変量Coxモデルを終端事象の単一遷移に適用したものは、マルチステートモデルの特殊ケースと見なせます。状態間の依存構造が複雑な場合や中間事象の動態を明示的に記述する必要がある場合には、マルチステートモデルが適切です。

縦断・生存結合モデルは縦断サブモデル（混合効果モデルによるバイオマーカー軌跡の推定）と生存サブモデルを共有ランダム効果$\boldsymbol{b}_i$で結合します。縦断サブモデルが推定した真の軌跡$m_i(t)$が生存サブモデルの時変共変量として入力されるため、内因性共変量に内在する測定誤差と内因性バイアスを同時に処理できます。この連結構造により、観測値の誤差汚染を除いた生物学的プロセスの効果推定が可能になります。

（Fig3. 外因性TVCモデルと内因性TVCモデルの推定生存曲線の乖離：バイアスの図示）

IPCW（逆確率打ち切り重み付け）は各時点での打ち切り確率の逆数を重みとして部分尤度に付与することで、時間依存の交絡の下でも周辺的な因果ハザードを推定します。IPCW推定は治療・打ち切りメカニズムのモデルが必要であり、そのモデルの誤設定が推定精度に直接影響します。

複雑な状態間依存構造を持つ疾患プロセスにはマルチステートモデルが適切であり、測定誤差を含む内因性共変量の推定には縦断・生存結合モデルが必要です。時変共変量Coxモデル単独では動的治療戦略の因果効果は推定できず、IPCWまたは構造的モデルを別途適用する必要があります。