Top 5 This Week

関連記事

ハザード比0.7の意味:30%減は何が減るのか

- 本サイト運営者のサービスの紹介 -
Dr.データサイエンス|医療統計解析の代行・相談

生存時間解析の結果表に「ハザード比0.70」と書かれていると、本文や要約では「イベントのリスクが30%減った」と言い換えられることがよくあります。この言い換えでは、2年後にイベントを経験した人の割合が3割少ない、あるいは生存期間が3割長いという意味に読まれやすく、ハザード比が実際に表す量とは別の数字が読者の頭に残ります。

実際、ハザード比0.7という同じ数字でも、対照群でイベントがどれだけ起きるかによって、2年後のイベント割合の比は0.70に近い値にも0.87にもなり、中央生存期間の比も分布の形で変わります。そのため、結果をどの言葉で報告し、何を併記するかは、ハザード比が表す量を確認したうえで決めます。

ハザード比は各時点の瞬間的な発生率の比

ハザードは、ある時点までイベントを経験していない人が、その直後の短い時間にイベントを起こす速さを表します。時点$t$における群$g$のハザードを$h_g(t)$と書くと、定義は次の式になります。

$$h_g(t) = \lim_{\Delta t \to 0} \frac{\Pr(t \le T < t + \Delta t \mid T \ge t,\ G = g)}{\Delta t} \tag{1}$$

式(1)は、時点$t$まで残っている人の中で、ごく短い次の区間にイベントが起きる確率を区間の長さで割った値です。$T$はイベントまでの時間、$G$は群を表し、単位は「1年あたり」のような率になります。

この率を2群で割ったものがハザード比で、Cox(1972)の比例ハザードモデルは、その比が時点によらず一定と置きます。

$$\mathrm{HR} = \frac{h_1(t)}{h_0(t)} = 0.7 \quad (\text{どの}\ t\ \text{でも}) \tag{2}$$

式(2)は、どの時点を取っても、治療群の瞬間的な発生率が対照群の0.7倍、つまり30%低いという意味です。$h_0(t)$は対照群、$h_1(t)$は治療群のハザードで、「30%減」が指しているのは、この各時点の発生率の比だけです。

この定義から、ハザード比はイベントの「速さ」の比を表しますが、累積発生割合や生存期間はハザードを時間方向に積み上げて決まるため、ある期間に何人がイベントを経験したかという「量」の比は、積み上げ方によってハザード比とは異なる値になります。

比例ハザードの下で生存関数がたどる関係

ハザードを時間方向に積み上げた累積ハザードを$H_g(t)$とすると、生存関数は$S_g(t) = \exp\{-H_g(t)\}$で表せます。式(2)が成り立つ時は$H_1(t) = 0.7\,H_0(t)$となるため、2群の生存関数の間に次の関係が生まれます。

$$S_1(t) = S_0(t)^{\mathrm{HR}} = S_0(t)^{0.7} \tag{3}$$

式(3)は、治療群の生存割合が対照群の生存割合を0.7乗した値になるという関係です。$S_0(t)$と$S_1(t)$は時点$t$でイベントを経験していない人の割合で、累積発生割合は$1 – S_g(t)$です。

この0.7乗という形では、対照群の生存割合が1に近い時は発生割合の比が0.7に近くなりますが、対照群の生存割合が小さいほど0.7乗した値は相対的に大きく引き上げられます。その結果、ハザード比が同じでも、累積発生割合の比はイベントが多い集団ほど0.7から離れて1へ近づきます。

「リスクが30%減る」と書けない理由

「リスクが30%減る」という表現の「リスク」は、一般には一定期間内にイベントを経験する確率を指す言葉です。Spruanceら(2004)は臨床試験の報告を例に、ハザード比は瞬間的な発生率の比を表すため、ある期間の累積的な確率の比とは区別して読む必要があることを解説しています。

もっとも、前節で見たとおりイベントがまれで$S_0(t)$が1に近い時は、累積発生割合の比はほぼハザード比に一致するので、「30%減」という言い換えが大きく外れないのは、追跡期間内のイベント割合が低い場合に限られます。

逆に、イベントが多く起きる集団では言い換えによる誤差が大きくなり、SashegyiとFerry(2017)も、ハザード比を「死亡リスクが何%減る」と伝える表現が、生存割合や生存期間の改善の大きさを過大に印象づけることを指摘して、絶対的な指標を合わせて示すことを求めています。

この2つの指摘から、本文で使う言葉は「各時点でのイベント発生率が対照群の0.7倍」あるいは「瞬間的な発生率が30%低い」に限り、「リスク」「確率」「割合」が30%減るとは書かない方が安全です。時点を決めた累積発生割合を言いたい場合は、その時点の割合を別に推定して示します。

対照群の発生率(ベースライン)で変わる累積発生割合の比と差

対照群のハザードを年あたり0.02から1.00まで6段階に変え、どの場合も治療群のハザードを0.7倍に固定して、2年時点の累積発生割合を指数分布の理論式から計算しました。指数分布はハザードが時間によらず一定の分布なので、比例ハザードの仮定を正確に満たします。

library(survival)
hr <- 0.7
eval_time <- 2
# 対照群のハザード(年あたり)を変えて2年時点の累積発生割合を比べる
base_rates <- c(0.02, 0.05, 0.1, 0.2, 0.5, 1.0)
cum_control <- 1 - exp(-base_rates * eval_time)
cum_treat <- 1 - exp(-hr * base_rates * eval_time)
round(data.frame(base_rate = base_rates, cum_control, cum_treat,
                 risk_ratio = cum_treat / cum_control,
                 risk_diff = cum_treat - cum_control), 4)
#>   base_rate cum_control cum_treat risk_ratio risk_diff
#> 1      0.02      0.0392    0.0276     0.7042   -0.0116
#> 2      0.05      0.0952    0.0676     0.7104   -0.0276
#> 3      0.10      0.1813    0.1306     0.7207   -0.0506
#> 4      0.20      0.3297    0.2442     0.7408   -0.0855
#> 5      0.50      0.6321    0.5034     0.7964   -0.1287
#> 6      1.00      0.8647    0.7534     0.8713   -0.1113

この出力の1行目では、対照群の2年累積発生割合が3.9%、治療群が2.8%で、比は0.7042とハザード比にほぼ一致しています。一方、6行目では対照群が86.5%、治療群が75.3%となり、比は0.871まで1に近づいているので、同じハザード比0.7でも「2年でイベントを経験する人が何割減るか」は約30%から約13%まで変わります。

その差の列を見ると、対照群のハザードが0.02の時は1.2ポイントしか減りませんが、0.50では12.9ポイント減り、1.00では11.1ポイントへ再び小さくなります。比とは異なるこの動きから、差は対照群の累積発生割合が中程度の時に最も大きく、ほとんどの人がイベントを経験する状況では縮むことが分かります。

この表の6つの行はどれもハザード比0.7という同じ効果から計算しており、累積発生割合の比や差の違いは、対照群でイベントがどれだけ起きやすいかの違いから生じています。そのため、比が1に近い6行目を「効果が弱い集団」と読むと、対照群の発生率(ベースライン)の違いを効果の違いと取り違えます。

中央生存期間は30%延びるのか

生存期間の側から見ると、ハザード比0.7は「生存期間が30%延びる」とも言い換えられがちです。指数分布では中央生存期間がハザードの逆数に$\log 2$を掛けた値になるため、治療群と対照群の中央値の比は$1/0.7$となり、計算すると1.429、つまり約43%延びる結果になります。

ただし、Weibull分布のようにハザードが時間とともに変わる分布では、同じハザード比でも中央値の比は形状パラメータによって変わるため、1.429という比は指数分布を置いた時にだけ成り立つ値です。SashegyiとFerry(2017)も、ハザード比から生存期間の延長幅を直接読み取ることには限界があると述べています。

したがって、ハザード比0.7からは「生存期間が30%延びる」とも「43%延びる」とも一般には言えず、生存期間について述べたい場合は、各群の中央生存期間やKaplan–Meier曲線そのものを推定して示す必要があります。

乱数で生成したデータでハザード比と並べる

理論値と同じ関係が推定でも現れるかを、各群1,000例、対照群のハザードを年あたり0.2、治療群を0.7倍とした、ランダムに生成したデータセットで確認しました。追跡は8年で打ち切り、その時点までにイベントのない人は打ち切りとして扱っています。

set.seed(42)
n_per_group <- 1000
group <- rep(c(0, 1), each = n_per_group)
event_time <- rexp(2 * n_per_group, rate = 0.2 * hr^group)
# 8年で追跡を打ち切る
time <- pmin(event_time, 8)
status <- as.integer(event_time <= 8)
sim <- data.frame(time = time, status = status, group = group)
cox_fit <- coxph(Surv(time, status) ~ group, data = sim)
tapply(sim$status, sim$group, sum)  # 群ごとのイベント数
round(c(hr = exp(coef(cox_fit))[[1]], exp(confint(cox_fit))[1, ]), 3)
#>   0   1 
#> 786 687 
#>     hr  2.5 % 97.5 %
#>  0.751  0.678  0.832 

この出力では、イベントは対照群で786件、治療群で687件観察され、Coxモデルで推定したハザード比は0.75、95%信頼区間は0.68〜0.83でした。真の値0.7は区間に含まれており、点推定値が0.7から離れているのは1回の乱数生成に伴う標本変動の範囲と読めます。

そのハザード比と同じデータから、Kaplan–Meier法で2年時点の累積発生割合と中央生存期間を推定し、ハザード比と並べられる形にしました。3つの量を同じデータで比べると、理論の節で見た違いが推定値にも現れるかを確かめられます。

km_fit <- survfit(Surv(time, status) ~ group, data = sim)
cum_km <- 1 - summary(km_fit, times = eval_time)$surv
round(c(control = cum_km[1], treated = cum_km[2],
        ratio = cum_km[2] / cum_km[1], diff = cum_km[2] - cum_km[1]), 3)
med <- summary(km_fit)$table[, "median"]; round(c(med, ratio = med[[2]] / med[[1]]), 3)
#> control treated   ratio    diff
#>   0.299   0.220   0.736  -0.079
#> group=0 group=1   ratio 
#>   3.777   4.882   1.293 

この推定では、2年時点の累積発生割合は対照群29.9%、治療群22.0%で、比は0.736、差は7.9ポイントでした。また、中央生存期間は対照群3.777年、治療群4.882年で比は1.293となり、ハザード比0.751、累積発生割合の比0.736、中央生存期間の比1.293という3つの数字が、同じデータから異なる値として並びます。

これらの値を表の4行目の理論値と比べると、累積発生割合の比0.741と差8.6ポイントに推定値がよく近づいていることが分かります。どれか1つを「正しい効果の大きさ」と呼ぶより、それぞれが別の推定対象に対応していると考え、報告ではどの量を示しているかを言葉ではっきり書きます。

この理論上の関係を、対照群の2年累積発生割合をほぼ0から1近くまで連続的に動かして描くと、比と差がどこで大きく変わるかが1枚で見渡せます。左に比、右に差を並べ、破線でハザード比0.7と差0の位置を示しました。

grid_rate <- seq(0.005, 2, length.out = 400)
grid_c <- 1 - exp(-grid_rate * eval_time)
grid_t <- 1 - exp(-hr * grid_rate * eval_time)
par(mfrow = c(1, 2), mar = c(4.5, 4.5, 2.5, 1))
plot(grid_c, grid_t / grid_c, type = "l", lwd = 2, ylim = c(0.6, 1),
     xlab = "Cumulative incidence at 2 years (control)",
     ylab = "Risk ratio (treated / control)", main = "Ratio")
abline(h = hr, lty = 2)
text(0.7, 0.68, labels = "Hazard ratio = 0.7")
plot(grid_c, grid_t - grid_c, type = "l", lwd = 2,
     xlab = "Cumulative incidence at 2 years (control)",
     ylab = "Risk difference (treated - control)", main = "Difference")
abline(h = 0, lty = 2)
ハザード比0.7を固定し、対照群の2年累積発生割合を横軸にとって、左に累積発生割合の比、右に差を描いた2枚の図です。比は発生割合が低い所で0.7に近く、高くなるほど1へ上がり、差は中程度の所で最も大きく負になります。
図1 ハザード比を0.7に固定したまま対照群の2年累積発生割合を変えた時の、累積発生割合の比(左)と差(右)です。比は破線の0.7から離れて1へ近づき、差は中程度の発生割合で最も大きくなります。

ここで図1の左側を見ると、対照群の累積発生割合が1割未満の範囲では比が破線の0.7にほぼ重なり、そこから右へ進むにつれて曲線が上がっていきます。右側の差は下に凸の形で、対照群の発生割合が中程度の範囲で最も大きく減り、両端では0に近づくので、比と差のどちらを示すかで効果の大きさの印象が大きく変わります。

比例ハザードが崩れた時のハザード比

ここまでの計算は、式(2)の比例ハザードが正確に成り立つデータを前提にしています。Hernán(2010)は、実際の研究ではハザード比が時間とともに変わりうること、さらに各時点のハザードはその時点まで生き残った人だけで計算されるため、追跡が進むと比較する集団の構成が群間で異なってくることを指摘しています。

この選択の問題に加えて、Coxモデルの推定値は、どの時点でどれだけイベントが起き、どのようなリスク集合が構成されていたかを反映した全追跡期間の要約値になります。そのため、比例ハザードが崩れている時に全期間で1つだけ推定したハザード比は、前半の効果と後半の効果を別々に示さず、特定の時点の効果も表しません。

そこで、Hernán(2010)は、ハザード比だけを報告するのではなく、群ごとの生存曲線と、そこから読み取れる時点別の累積発生割合を示すことを提案しています。Coxモデルが何を推定し、共変量の調整がハザード比に何をもたらすかは、【医療統計版】Cox比例ハザードモデル:調整済みハザード比は何を調整しているのかで研究の文脈に沿って説明しています。

論文や報告書での扱い

報告の側では、ハザード比に絶対的な指標を併記する方法が方法論の文献で提案されています。Unoら(2014)は、ハザード比が比例ハザードの仮定に依存し、絶対的な差の大きさを伝えないことを挙げ、制限付き平均生存時間(RMST)の差や、時点を決めた生存割合の差を報告することを提案しました。

また、RoystonとParmar(2013)は、RMSTを比例ハザードの仮定に依存しない指標として、試験の設計と解析の両方に用いる方法を述べています。RMSTは決めた期間のうち平均して何年間イベントなしで過ごせたかを表すため、ハザード比では表せない時間の単位で効果を伝えられ、詳しい計算は【医療統計版】RMST:ハザード比に依存しない効果指標で扱っています。

なお、生存関数とハザード関数の関係をグラフで追いながら確認したい場合は、【医療統計版】生存関数とハザード関数:ハザード比の正しい読み方が式(1)と式(3)の背景を補います。

ハザード比0.7を言葉にする時の判断

今回の計算では、同じハザード比0.7でも2年累積発生割合の比は0.70から0.87まで、差は1.2ポイントから12.9ポイントまで動き、ハザード比だけでは読者が受け取る効果の大きさが定まりませんでした。そのため、ハザード比の数値を文章にする時は、比例ハザードの確認、時点を決めた累積発生割合、中央生存期間やRMSTの推定値を揃えたうえで、ハザード比を「各時点のイベント発生率の比」として書きます。

反対に、「リスクが30%減る」はイベントがまれな場合の近似としてしか成り立たず、「生存期間が30%延びる」は分布の形に依存するので、ハザード比0.7からこの2つの言い換えを書くと、推定していない量を推定したかのように伝えてしまいます。累積発生割合や生存期間について述べたい時は、その量を直接推定した値を書き添えます。

参考文献

  1. Cox DR. Regression models and life-tables. Journal of the Royal Statistical Society: Series B. 1972;34(2):187-220.
  2. Hernán MA. The hazards of hazard ratios. Epidemiology. 2010;21(1):13-15.
  3. Spruance SL, Reid JE, Grace M, Samore M. Hazard ratio in clinical trials. Antimicrobial Agents and Chemotherapy. 2004;48(8):2787-2792.
  4. Royston P, Parmar MKB. Restricted mean survival time: an alternative to the hazard ratio for the design and analysis of randomized trials with a time-to-event outcome. BMC Medical Research Methodology. 2013;13:152.
  5. Uno H, Claggett B, Tian L, et al. Moving beyond the hazard ratio in quantifying the between-group difference in survival analysis. Journal of Clinical Oncology. 2014;32(22):2380-2385.
  6. Sashegyi A, Ferry D. On the interpretation of the hazard ratio and communication of survival benefit. The Oncologist. 2017;22(4):484-486.

Popular Articles