術後合併症の有無を目的変数にしたロジスティック回帰へ年齢や収縮期血圧を入れると、出力される係数は1歳や1mmHgあたりの対数オッズの変化として表示されるため、0.06のような小さな値をどう読むか、特定の患者の合併症確率をどう計算するかで迷う場面がよくあります。しかも、年齢を65歳以上と未満に分けて解析し直すと、オッズ比の値も予測確率も大きく変わります。
連続変数の係数が表す1単位の比較
オッズとオッズ比の基本的な読み方は「ロジスティック回帰:オッズとオッズ比の読み方」で扱ったので、ここでは説明変数が年齢や血圧のような連続変数である場合に絞ります。合併症ありを$Y=1$、年齢を$x_1$、収縮期血圧を$x_2$とすると、モデルは次の式で表せます。
$$\log\frac{\Pr(Y=1\mid \mathbf{x})}{1-\Pr(Y=1\mid \mathbf{x})}=\beta_0+\beta_1x_1+\beta_2x_2 \tag{1}$$
この式(1)は、合併症の対数オッズが年齢と血圧の一次式で表されることを示しており、$\beta_1$は血圧を同じ値に固定したまま年齢が1歳高い人と比べた時の対数オッズの差です。一方、$\beta_0$は年齢0歳・血圧0mmHgの人の対数オッズで、このままでは実在しない患者の値になります。
他の変数を固定するという条件の意味は「単回帰分析と重回帰分析の違い:同じ係数が表す比較条件」と共通であり、ロジスティック回帰に特有なのは、この差が確率ではなく対数オッズの尺度で一定だと仮定している点です。そのため、係数そのものは年齢がいくつであっても同じ値ですが、後の節で見るように確率の差は年齢によって大きく異なります。
そこで、具体的な数値で確かめるため、手術患者1,500例について年齢と収縮期血圧を乱数で生成し、65歳・140mmHgでの対数オッズを-1.8、年齢1歳あたり0.06、血圧1mmHgあたり0.015という線形の関係から術後合併症を発生させたところ、合併症は16.1%でした。このデータセットに式(1)を当てはめると、年齢の係数は0.062、血圧の係数は0.013となり、どちらも設定した真の値の近くに推定されています。
1歳あたりの係数を10歳あたりへ換算する
この年齢1歳あたりのオッズ比は$\exp(0.0618)=1.064$で、10歳あたりでは別の値になります。臨床研究では1歳違いより10歳違いの患者を比べることが多いため、係数を10倍してから指数変換します。
$$\mathrm{OR}_c=\exp(c\,\beta_1)=\left\{\exp(\beta_1)\right\}^{c} \tag{2}$$
この式(2)は、$c$単位離れた2人のオッズ比が、係数を$c$倍してから指数をとった値、言い換えれば1単位あたりのオッズ比の$c$乗になることを表しています。今回の推定値では10歳あたりのオッズ比が$\exp(0.618)=1.86$(95%信頼区間1.60〜2.16)、血圧10mmHgあたりが1.13(95%信頼区間1.05〜1.23)となり、1歳あたりの1.064とは比べる単位が異なる値です。
この換算で注意したいのは、信頼区間も係数の区間の両端を10倍してから指数変換する点で、1歳あたりの区間の端点をそのまま10倍しても正しい区間にはなりません。また、実務上は年齢を$(x_1-65)/10$のように中心化・尺度変換してから当てはめる方法がよく使われ、今回のデータでは年齢の係数が0.618、切片が-1.774になりました。
中心化した切片は65歳・140mmHgの患者の対数オッズを表しており、逆ロジット変換すると合併症確率は0.145です。
年齢を65歳で二分すると失われる情報
また、連続変数を扱う研究では、65歳以上と未満のように境界を決めて二値変数にする解析を見かけます。同じデータで年齢を65歳で二分すると、65歳以上群のオッズ比は2.84(95%信頼区間2.10〜3.84)となり、10歳あたりの1.86よりも大きな値が出ます。
もっとも、BennetteとVickers(2012)が指摘するように、分位点や任意の境界で区切ったカテゴリーは研究ごとに異なるため、この2.84は各群に含まれる年齢の分布に依存し、境界が異なる研究のオッズ比とは並べて比べにくい値です。加えて、二分した年齢の検定統計量はz=6.76で、連続のまま入れた時の8.01より小さく、AICも1,247.9から1,267.5へ悪化しており、AltmanとRoyston(2006)が述べた情報の損失がこのデータでも表れています。
この要約値の問題以上に影響が大きいのは個々の患者の予測確率で、血圧を140mmHgに固定すると、二分化モデルでは40歳でも64歳でも確率は0.091のままで、65歳になった途端に0.222へ跳ね上がります。真のモデルでの確率は40歳が0.036、90歳が0.426なので、二分化モデルは40歳を0.056過大に、90歳を0.204過小に見積もり、64歳から65歳への1歳の差で確率が0.131変わる一方、連続のまま入れたモデルではその変化は0.0075にとどまります。
このように境界の前後で似た患者を別のリスクとして扱い、群内のリスクの違いを無視する点を、Royston、Altman、Sauerbrei(2006)は二分化の主な欠点として挙げています。したがって、連続変数は原則として連続のまま入れ、臨床的な基準値で群を示したい場合も、表示用の区分と解析モデルの変数を分けて扱います。
線形の仮定を自然3次スプラインで確かめる
連続のまま入れるという判断には、式(1)が置く「対数オッズが年齢に対して直線的に変化する」という仮定が伴います。年齢と合併症の関係がある年齢から急に強まるような形であれば、1本の係数では若年側と高齢側の両方を正しく表せないため、Gauthier、Wu、Gooley(2020)が解説している3次スプラインで、線形からの逸脱を確認しておくと判断材料が増えます。
実際、年齢を自由度3の自然3次スプラインに置き換えたモデルと線形モデルを尤度比検定で比べると、統計量は0.99(自由度2)、p値は0.61で、AICは線形モデルの1,247.9に対してスプラインモデルが1,250.9でした。後で示す図1でも、スプラインの曲線は50歳から90歳の範囲で線形モデルとの差が0.01以内に収まっています。
この結果は真のモデルが線形であることを反映していますが、p値が0.61と大きいことは線形性が成り立つ証拠にはならず、明確な逸脱は確認されなかったという範囲の結論にとどまります。
係数から予測確率を計算する
そこで、75歳・収縮期血圧160mmHgの患者について合併症の確率を求める場面では、推定した係数を式(1)の右辺へ代入して線形予測子$\hat\eta$を求め、それを逆ロジット変換して確率に戻します。式で書くと次のとおりです。
$$\hat p=\frac{1}{1+\exp(-\hat\eta)},\quad \hat\eta=\hat\beta_0+\hat\beta_1x_1+\hat\beta_2x_2 \tag{3}$$
この式(3)は、対数オッズの尺度で足し合わせた値を0から1の確率へ戻す変換を表しています。今回の推定値を入れると$\hat\eta=-7.55719+0.061843\times75+0.012593\times160=-0.904$となり、確率は$1/(1+e^{0.904})=0.288$で、真のモデルから計算した0.289とほぼ同じ値です。
この点推定に信頼区間を付ける時は、線形予測子の標準誤差0.112を使って対数オッズの尺度で区間を作り、両端を式(3)で確率へ戻すと0.245〜0.335でした。確率の尺度で直接対称な区間を作る方法の0.243〜0.333とこの例では近いものの、確率が0や1に近い患者では後者が0を下回ったり1を超えたりするため、対数オッズの尺度で作ります。
同じオッズ比でも確率の差は年齢で異なる
この点で、血圧を140mmHgに固定すると、50歳から60歳では予測確率が0.063から0.111へ0.048上がるのに対し、75歳から85歳では0.239から0.369へ0.129上がり、同じ10歳の違いでも確率の差は約2.7倍です。どちらの区間でも10歳あたりのオッズ比は1.86で変わらないので、オッズ比が一定であることと確率の差が一定であることは別の性質だと分かります。
この違いは、ロジスティック曲線の傾きが確率0.5に近いほど急になることから生じており、合併症の確率が0.5より十分低い範囲では、基準となる確率が高い高齢側ほど同じオッズ比が大きな確率の差に対応します。そのため、オッズ比1.86だけからは、50〜60歳の差0.048と75〜85歳の差0.129のどちらに当たるかが分からず、「オッズ比とリスク比:どちらを報告するか」で扱った論点と同じく、代表的な年齢での予測確率やその差を併記する意味が出てきます。
平均的な患者の確率と集団で平均した確率
また、MullerとMacLehose(2014)は、共変量を平均値に固定して計算した確率と、全員の予測確率を計算してから平均した確率とが、異なる対象集団に対応することを示しており、予測確率を1つの値で要約する時にはどちらを計算したかで意味が変わります。今回のデータでは、全員の予測確率の平均が0.161で観察された合併症割合0.161と一致したのに対し、平均年齢64.7歳・平均血圧140.1mmHgの患者の確率は0.143で、集団のリスクを小さく見積もっていました。
この平均的な患者の確率が小さくなったのは、確率が0.5より十分低い範囲でロジスティック曲線が下に凸の形をとり、高齢者や高血圧の患者の高い確率が平均値での計算に反映されないためです。集団全体で全員が75歳だった場合の合併症割合を知りたい場合は、各患者の年齢だけを75歳に置き換えて予測確率を計算し、その平均をとる周辺標準化を使うと今回のデータでは0.242、全員を55歳にした場合は0.086となり、この2つの差が年齢を変えた時の集団での確率の差に対応します。
したがって、個々の患者のリスクを示す予測モデルでは特定の共変量の組み合わせでの確率を、集団での影響を示す研究では周辺標準化した確率を報告するのが目的に合っており、平均値に固定した確率を集団の平均リスクとして示す方法は不適切です。
TRIPODが求める連続変数と予測式の記載
Collinsら(2015)が示した予測モデルの報告ガイドラインであるTRIPOD声明は、連続予測変数をどう扱ったか(カテゴリー化したか、非線形項を使ったか)を記載し、切片を含む完全なモデル式を示して読者が予測確率を計算できるようにすることを求めています。オッズ比だけを並べた表からは式(3)を計算できないため、今回のモデルであれば切片-7.557と2つの係数、あるいは中心化した切片-1.774と10単位あたりの係数を、変数の単位と中心化の基準値とともに示すことになります。
一方、予測ではなく関連の大きさを推定する研究でも、連続変数を二分した場合は境界の根拠を、スプラインを使った場合は節点の位置と自由度を記載しておくと、読者が同じモデルを再現でき、データを見てから境界を選ぶ解析との区別も明確になります。
Rで年齢と血圧のモデルを再現する
ここまでの数値は、手術患者1,500例のランダムに生成したデータセットにロジスティック回帰を当てはめて得たもので、Rのbase、statsとsplinesパッケージだけで再現できます。最初のブロックではデータを生成し、年齢と血圧を連続のまま入れたモデルの係数と、10単位あたりのオッズ比を出力しています。
library(splines)
set.seed(42)
n_patients <- 1500
age <- round(pmin(pmax(rnorm(n_patients, mean = 65, sd = 10), 30), 95))
sbp <- round(rnorm(n_patients, mean = 140, sd = 18))
true_logit <- -1.8 + 0.06 * (age - 65) + 0.015 * (sbp - 140) # 真のモデル:年齢と血圧はどちらも線形
complication <- rbinom(n_patients, size = 1, prob = plogis(true_logit))
surgery <- data.frame(age = age, sbp = sbp, complication = complication)
fit_linear <- glm(complication ~ age + sbp, family = binomial, data = surgery)
round(coef(fit_linear), 4)
round(cbind(or_10 = exp(10 * coef(fit_linear)), exp(10 * confint.default(fit_linear)))[c("age", "sbp"), ], 3)
fit_c <- glm(complication ~ I((age - 65) / 10) + I((sbp - 140) / 10), family = binomial, data = surgery)
round(c(coef(fit_c)[1:2], p_ref = plogis(coef(fit_c)[1])), 3)
#> (Intercept) age sbp
#> -7.5572 0.0618 0.0126
#> or_10 2.5 % 97.5 %
#> age 1.856 1.595 2.159
#> sbp 1.134 1.049 1.226
#> (Intercept) I((age - 65)/10) p_ref.(Intercept)
#> -1.774 0.618 0.145
この出力のうち、1行目の係数は1単位あたりの対数オッズで、2行目の1.856と1.134が10歳あたり、10mmHgあたりのオッズ比です。切片の-7.557は0歳・0mmHgへの外挿値なので、この値単独に臨床的な意味を読み取らないよう注意が必要です。
profile <- data.frame(age = 75, sbp = 160)
pred_link <- predict(fit_linear, newdata = profile, type = "link", se.fit = TRUE)
round(plogis(pred_link$fit + c(0, -1, 1) * qnorm(0.975) * pred_link$se.fit), 4) # 対数オッズの尺度で区間を作り確率へ戻す
grid <- data.frame(age = c(50, 60, 75, 85), sbp = 140)
round(predict(fit_linear, newdata = grid, type = "response"), 4)
at_means <- data.frame(age = mean(age), sbp = mean(sbp))
round(c(mean(fitted(fit_linear)), unname(predict(fit_linear, newdata = at_means, type = "response")),
mean(predict(fit_linear, newdata = transform(surgery, age = 75), type = "response")),
mean(predict(fit_linear, newdata = transform(surgery, age = 55), type = "response"))), 4)
#> [1] 0.2882 0.2454 0.3352
#> 1 2 3 4
#> 0.0629 0.1107 0.2394 0.3688
#> [1] 0.1607 0.1428 0.2423 0.0856
続く出力の1行目は75歳・160mmHgの患者の予測確率と、対数オッズの尺度で作った95%信頼区間を並べたもので、2行目は血圧140mmHgでの50、60、75、85歳の確率です。3行目は順に全員の予測確率の平均、平均的な患者の確率、全員を75歳に置き換えた周辺標準化確率であり、1つ目と2つ目の差が前の節で述べた過小評価に当たります。
fit_spline <- glm(complication ~ ns(age, df = 3) + sbp, family = binomial, data = surgery)
lr_test <- anova(fit_linear, fit_spline, test = "LRT")
round(c(chisq = lr_test$Deviance[2], df = lr_test$Df[2], p = lr_test$"Pr(>Chi)"[2]), 3)
surgery$age_high <- as.integer(surgery$age >= 65)
fit_dichot <- glm(complication ~ age_high + sbp, family = binomial, data = surgery)
round(c(linear = AIC(fit_linear), spline = AIC(fit_spline), dichot = AIC(fit_dichot)), 2)
round(c(or_high = exp(coef(fit_dichot)[["age_high"]]), exp(confint.default(fit_dichot)["age_high", ]),
z_dichot = coef(summary(fit_dichot))["age_high", "z value"], z_linear = coef(summary(fit_linear))["age", "z value"]), 2)
#> chisq df p
#> 0.986 2.000 0.611
#> linear spline dichot
#> 1247.87 1250.88 1267.52
#> or_high 2.5 % 97.5 % z_dichot z_linear
#> 2.84 2.10 3.84 6.76 8.01
最後の出力では、尤度比検定の統計量0.99とp値0.611に加え、二分化モデルのAICが線形モデルより約20大きいことから、二分化による当てはまりの悪化が読み取れます。なお、スプラインモデルのAICが線形モデルより大きいのは、真の関係が線形なデータに2個の余分なパラメータを加えたためで、AICの小ささだけでスプラインを採否するより、事前に定めた確認手順に沿って判断する方が一貫します。
png("predicted-probability-age.png", width = 1100, height = 688, res = 200, type = "cairo")
age_grid <- data.frame(age = 30:95, sbp = 140); age_grid$age_high <- as.integer(age_grid$age >= 65)
plot(age_grid$age, plogis(-1.8 + 0.06 * (age_grid$age - 65)), type = "l", lty = 3, lwd = 2,
ylim = c(0, 0.6), xlab = "Age (years), SBP fixed at 140 mmHg", ylab = "Predicted probability")
lines(age_grid$age, predict(fit_linear, newdata = age_grid, type = "response"), lwd = 2, col = "#1f6fb2")
lines(age_grid$age, predict(fit_spline, newdata = age_grid, type = "response"), lwd = 2, col = "#2a9d55", lty = 2)
lines(age_grid$age, predict(fit_dichot, newdata = age_grid, type = "response"), type = "s", lwd = 2, col = "#c4472d")
legend("topleft", legend = c("True model", "Linear age", "Spline (df = 3)", "Age >= 65 vs < 65"), col = c("black", "#1f6fb2", "#2a9d55", "#c4472d"), lty = c(3, 1, 2, 1), lwd = 2, bty = "n", cex = 0.8)
dev.off()

図1を見ると、点線の真の確率曲線に対して青の線形モデルと緑のスプラインモデルがほぼ重なっているのに対し、赤の二分化モデルは65歳を境に階段状に跳ね、境界から離れるほど真の曲線との差が広がり、40歳では0.056過大、90歳では0.204過小になっています。
連続のまま入れて予測確率で示す
解析計画の段階では、比較に使う単位(10歳や10mmHg)、線形性を確かめる手順、予測確率を個人と集団のどちらで示すかを、結果を見る前に決めておきます。個々の患者のリスクを予測するモデルでは特定の共変量の組み合わせでの確率を、集団での影響を推定する研究では周辺標準化した確率を示すという区分も、モデルを当てはめる前に固定できます。
実際の研究データでは、連続変数の形の確認、報告する単位、予測確率を個人と集団のどちらで示すかを解析計画の段階で組み合わせて決める必要があり、Dr.データサイエンスではこうした解析方針のご相談を承っています。
参考文献
- Royston P, Altman DG, Sauerbrei W. Dichotomizing continuous predictors in multiple regression: a bad idea. Statistics in Medicine. 2006;25(1):127-141.
- Altman DG, Royston P. The cost of dichotomising continuous variables. BMJ. 2006;332(7549):1080.
- Bennette C, Vickers A. Against quantiles: categorization of continuous variables in epidemiologic research, and its discontents. BMC Medical Research Methodology. 2012;12:21.
- Gauthier J, Wu QV, Gooley TA. Cubic splines to model relationships between continuous variables and outcomes: a guide for clinicians. Bone Marrow Transplantation. 2020;55(4):675-680.
- Muller CJ, MacLehose RF. Estimating predicted probabilities from logistic regression: different methods correspond to different target populations. International Journal of Epidemiology. 2014;43(3):962-970.
- Collins GS, Reitsma JB, Altman DG, Moons KGM. Transparent Reporting of a multivariable prediction model for Individual Prognosis or Diagnosis (TRIPOD): the TRIPOD statement. Annals of Internal Medicine. 2015;162(1):55-63.


