2つの群の追跡データを集めてKaplan–Meier曲線を描くと、2本の階段状の曲線が上下に離れて見えることがあります。ただ、曲線の離れ方は打ち切りや少数例の偶然でも生じるため、見た目の差がデータのばらつきの範囲を超えているかどうかは、曲線全体の情報を使う検定で判断します。
その標準的な方法がログランク検定で、Mantel(1966)が提案し、PetoとPeto(1972)がこの名前で整理しました。ところが、2本の曲線が途中で交差するデータでは、同じ検定が形の明らかな差を見逃すことがあり、p値の読み方を誤りやすくなります。
検定に使う記号とリスク集合
生存時間データでは、対象者ごとに観察期間とイベントの有無が記録され、追跡の途中で観察が終わった人は打ち切りとして扱われます。用語の意味は生存時間解析とは何か:時間とイベントを扱うと打ち切りとは何か:観察が途中で終わるデータで説明しているので、ここでは検定に必要な記号だけを決めます。
そこで、イベントが観察された時点を早い順に $t_1<t_2<\dots$ と並べ、時点 $t_j$ の直前まで観察が続いている人数をリスク集合の人数 $n_j$、そのうち群1に属する人数を $n_{1j}$ とします。また、時点 $t_j$ に起きたイベント数を $d_j$、そのうち群1のイベント数を $d_{1j}$ と書きます。
この記号で見ると、ログランク検定が比べているのは特定の1時点の生存割合や中央生存期間でなく、イベントが起きた全時点でのイベントの配分です。帰無仮説は「2群の生存関数が全期間で等しい」というもので、対立仮説の側に特定の形を置かない点が、1年生存率だけを比べる方法と異なります。
各時点で期待イベント数を求める
時点 $t_j$ で $d_j$ 件のイベントが起きた時、2群の生存関数が等しいなら、イベントが群1に入る割合はその時点のリスク集合に占める群1の割合に一致すると期待できます。この考え方から、群1の期待イベント数は次の式で表されます。
$$E_{1j}=\frac{d_j\,n_{1j}}{n_j} \tag{1}$$
式(1)は、その時点で起きたイベントを、リスク集合に残っている人数の比で2群に配り直した値を表しています。
たとえば、後で使うlungデータの最初の死亡時点(5日)では、リスク集合228人のうち男性が138人で、死亡は1件でした。式(1)に当てはめると $1\times138/228=0.605$ となり、実際に観察された男性の死亡は0件なので、この時点の観察数と期待数の差は $-0.605$ です。
この計算はイベントが起きた時点ごとに独立に行い、打ち切りになった人はその時点以降のリスク集合から外れるだけです。そのため、打ち切りの情報は人数の分母を通じて反映され、打ち切りがイベントの起きやすさと無関係という前提(無情報な打ち切り)がここで効いてきます。
差を合計してカイ二乗統計量にする
各時点の観察数と期待数の差を全時点で合計すると、群1全体の $O_1-E_1$ が得られます。ただし、差の大きさだけでは偶然の範囲かどうか判断できないので、各時点で群1に入るイベント数のばらつき、つまり超幾何分布の分散で割って標準化します。
$$\chi^2=\frac{(O_1-E_1)^2}{V_1},\qquad V_1=\sum_j \frac{d_j\,n_{1j}(n_j-n_{1j})(n_j-d_j)}{n_j^2(n_j-1)} \tag{2}$$
式(2)は、群1で観察されたイベント数が帰無仮説のもとでの期待数からどれだけ離れているかを、その離れ方の標準的な大きさを単位にして測り、2乗した量です。$O_1=\sum_j d_{1j}$、$E_1=\sum_j E_{1j}$ で、$V_1$ は各時点で $d_j$ 件のイベントをリスク集合から無作為に取り出した時の、群1の件数の分散を合計した値です。
この統計量は、帰無仮説のもとでイベント数が十分にあれば、自由度1のカイ二乗分布に近似的に従います。2群の比較では群2の $O_2-E_2$ が群1の値の符号を反転させたものになるため、どちらの群で計算しても同じ統計量が得られ、自由度も1に留まります。
もう一点、各時点の差に重みを付けず、全時点を同じ重さで足し合わせていることが、この検定の性質を決めています。ハザードの比が全期間で一定という比例ハザードのもとでは、この等しい重みが最も検出力の高い組み合わせになり、PetoとPeto(1972)が論じた効率性もこの点に関わります。
lungデータで手計算と出力を照らし合わせる
ここからは、survivalパッケージのlungデータセットを使います。進行肺癌の228人について生存日数と死亡の有無が記録されており、男性138人と女性90人の生存曲線を比べます。
library(survival)
options(show.signif.stars = FALSE)
lung$dead <- as.integer(lung$status == 2)
lr <- survdiff(Surv(time, dead) ~ sex, data = lung)
lr
#> Call:
#> survdiff(formula = Surv(time, dead) ~ sex, data = lung)
#> N Observed Expected (O-E)^2/E (O-E)^2/V
#> sex=1 138 112 91.6 4.55 10.3
#> sex=2 90 53 73.4 5.68 10.3
#> Chisq= 10.3 on 1 degrees of freedom, p= 0.001
この出力では、男性の観察された死亡が112件で、2群の生存が等しいとした時の期待数91.6件を上回り、女性は53件で期待数73.4件を下回っていました。カイ二乗値は10.3、自由度1でp=0.001となり、男性の死亡が帰無仮説のもとで予想されるより多く観察されたことを表しています。
なお、(O-E)^2/Eの列は分散の代わりに期待数で割った古い近似で、2群で4.55と5.68に分かれています。検定に使うのは右端の(O-E)^2/Vの列で、両群とも10.3となるこの値が式(2)にあたります。
この10.3が式(2)から本当に得られるかを、死亡が起きた時点ごとに人数を数え直し、式(1)の期待数と分散を積み上げて確かめます。
# 死亡が起きた時点ごとに、男性群の観察数・期待数・分散を求める
times <- sort(unique(lung$time[lung$dead == 1]))
step <- sapply(times, function(tj) {
at_risk <- lung$time >= tj
died <- lung$time == tj & lung$dead == 1
n <- sum(at_risk); n1 <- sum(at_risk & lung$sex == 1)
d <- sum(died); d1 <- sum(died & lung$sex == 1)
c(time = tj, n1 = n1, n = n, d1 = d1, d = d, E1 = d * n1 / n,
V1 = d * (n1 / n) * (1 - n1 / n) * (n - d) / max(n - 1, 1))
})
round(t(step[, 1:4]), 3)
O1 <- sum(step["d1", ]); E1 <- sum(step["E1", ]); V1 <- sum(step["V1", ])
c(O1 = O1, E1 = E1, V1 = V1, chisq = (O1 - E1)^2 / V1)
#> time n1 n d1 d E1 V1
#> [1,] 5 138 228 0 1 0.605 0.239
#> [2,] 11 138 227 3 3 1.824 0.709
#> [3,] 12 135 224 1 1 0.603 0.239
#> [4,] 13 134 223 2 2 1.202 0.477
#> O1 E1 V1 chisq
#> 112.00000 91.58174 40.37143 10.32674
最初の4時点を見ると、11日には3人が死亡して3人とも男性で、期待数1.824に対して観察数3となっています。全時点を合計した観察数112、期待数91.58、分散40.37から計算したカイ二乗値は10.33で、先の出力の10.3と一致しました。
ここで分かるのは、ログランク検定が時点ごとの2×2表の足し算でできているということです。そのため、どの時期の死亡が統計量を押し上げているかは、上の表の観察数と期待数の差を時間に沿って追えば確認できます。
Cox回帰のスコア検定と同じ値になる
ログランク検定は、群を表す変数1つだけを入れたCox比例ハザードモデルのスコア検定と、理論上同じ量を計算しています。モデルの考え方はCox比例ハザードモデル:複数の要因を調整するで扱っているので、ここでは同じlungデータで数値を並べます。
fit <- coxph(Surv(time, dead) ~ factor(sex), data = lung)
summary(fit)$sctest
exp(cbind(HR = coef(fit), confint(fit)))
#> test df pvalue
#> 10.325148496 1.000000000 0.001312297
#> HR 2.5 % 97.5 %
#> factor(sex)2 0.5880028 0.4237178 0.8159848
この出力のスコア検定のカイ二乗値は10.325、p値は0.0013で、手計算の10.327とは小数第3位でわずかに異なります。同じ日に複数人が亡くなる時点では、Cox回帰の部分尤度で同時刻の死亡を扱う近似と超幾何分布の分散とで計算が完全には揃わないため、この程度の差が残ります。
両者が対応していることの利点は、検定と効果の大きさを同じ枠組みで報告できる点にあります。女性の男性に対するハザード比は0.59、95%信頼区間は0.42〜0.82で、ログランク検定のp値だけでは分からない差の大きさと推定の幅が、この2つの数値から読み取れます。
もっとも、このハザード比は比例ハザードの仮定のもとで全期間を1つの値に要約したもので、その仮定が成り立たないデータではログランク検定の検出力も同時に下がります。
曲線が交差するveteranデータの検定結果
比例ハザードが崩れる典型は、2本の生存曲線が途中で交差するデータです。survivalパッケージのveteranデータセットは、退役軍人の肺癌患者137人を標準治療(69人)と試験治療(68人)に分けて追跡したもので、この形がよく表れます。
vet_lr <- survdiff(Surv(time, status) ~ trt, data = veteran)
vet_fh <- survdiff(Surv(time, status) ~ trt, data = veteran, rho = 1)
c(p_logrank = vet_lr$pvalue, p_rho1 = vet_fh$pvalue)
vet_km <- survfit(Surv(time, status) ~ trt, data = veteran)
summary(vet_km)$table[, c("records", "events", "median")]
summary(vet_km, times = 365)$surv
#> p_logrank p_rho1
#> 0.9277272 0.3506207
#> records events median
#> trt=1 69 64 103.0
#> trt=2 68 64 52.5
#> [1] 0.07080893 0.10977353
この出力によると、両群とも死亡は64件で、中央生存期間は標準治療が103日、試験治療が52.5日と試験治療の方が短くなっていました。一方で1年(365日)時点の生存割合は標準治療が0.071、試験治療が0.110と逆転しており、前半は試験治療の死亡が早く、後半は標準治療の生存割合の方が低くなる形です。
この形では、前半に試験治療の側で期待数を上回った死亡と、後半に標準治療の側で上回った死亡が、全時点を同じ重さで足し合わせる式(2)の分子で打ち消し合います。その結果、曲線の形がはっきり異なっていても、このデータのログランク検定のp値は0.928まで大きくなりました。
# 図1:2つのデータのKaplan–Meier曲線
lung_km <- survfit(Surv(time, dead) ~ sex, data = lung)
cols <- c("#2B6CB0", "#C05621")
par(mfrow = c(1, 2))
plot(lung_km, col = cols, lwd = 2, xlab = "Days", ylab = "Survival probability", main = "lung: male vs female")
legend("topright", legend = c("Male", "Female"), col = cols, lwd = 2, bty = "n")
plot(vet_km, col = cols, lwd = 2, xlab = "Days", ylab = "Survival probability", main = "veteran: standard vs test")
legend("topright", legend = c("Standard", "Test"), col = cols, lwd = 2, bty = "n")

図1の右側では、試験治療の曲線が序盤に標準治療より早く下がり、1年付近では標準治療の曲線より上に位置しています。ログランク検定が捉えるのは等しい重みで合計した差だけなので、このような交差の形を持つデータでp値0.928を得ても、それを根拠に「2つの治療で生存に差がない」と結論するのは不適切です。
そこで、曲線が交差しているかどうかは、検定の前に図とハザードの時間変化で確かめておきます。確認の方法は比例ハザードの仮定:確認する方法で説明しており、仮定が崩れているデータでは、単一のハザード比とログランク検定の組み合わせで結果を要約することが難しくなります。
重みを変えたPeto–Peto型とFleming–Harrington型
各時点の観察数と期待数の差に時点ごとの重み $w_j$ を掛けてから合計すると、ログランク検定の変法が得られます。ログランク検定は $w_j=1$ の場合にあたり、PetoとPeto(1972)は直前の生存関数の推定値を重みに使う方法を示しました。
この考え方を広げたのがHarringtonとFleming(1982)の重み付き検定の族で、重みを生存関数の推定値の $\rho$ 乗とします。$\rho=1$ では生存割合の高い前半の時点ほど重みが大きくなって早い時期の差を強く拾い、$\rho=0$ では通常のログランク検定に戻ります。
実際にveteranデータへ $\rho=1$ の検定を当てはめると、p値は0.351となり、ログランク検定の0.928より小さくなりました。もっとも、前半の差を強く拾う重みでもこのデータでは有意水準5%に届いておらず、重みを変えれば交差したデータの差を必ず検出できるとまでは言えません。
しかも、重みによってp値が0.928から0.351へ動くということは、結果を見てから重みを選ぶ余地があることも意味しており、複数の重みを試して最も小さいp値を報告すると、第1種の過誤の確率が名目の5%を超えます。したがって、重みは解析計画の段階で、どの時期の差を重視するかという研究目的から決めておく必要があり、その判断の詳細は【医療統計版】ログランク検定:群間比較の重み付けをどう決めるかで扱っています。
論文や報告書でのログランク検定の扱い
BlandとAltman(2004)は、ログランク検定の手順を各群の観察数と期待数の表から説明しており、O、Eを並べることで、どちらの群でイベントが期待より多かったかを読者が確かめられる形にしています。この書き方に沿ってlungデータの結果を報告するなら、男性112件(期待91.6件)と女性53件(期待73.4件)、カイ二乗値10.3(自由度1)、p=0.001に、ハザード比0.59(95%信頼区間0.42〜0.82)を添える形になります。
加えて、比較の対象となる曲線そのものはKaplanとMeier(1958)の推定法で描かれるため、検定の結果と曲線を並べておくと、差がどの時期に生じたかを読者が図から確かめられます。veteranデータのように検定が非有意でも曲線の形が異なる場合には、この図がなければ交差に気づく手がかりが失われます。
一方、HarringtonとFleming(1982)が重み付き検定の族を提案した背景には、ハザードの比が時間とともに変わる場合に、等しい重みの検定の効率が落ちるという問題がありました。このため、重み付き検定を使った研究では、その選択を解析計画で事前に定めた経緯と、通常のログランク検定の結果とを区別して報告すると、読者が解析の順序を確かめられます。
p値に効果の大きさと前提の確認を添える
ログランク検定の結果は、p値だけで報告するより、各群の観察数と期待数、ハザード比とその95%信頼区間を並べる方が、差の向きと大きさが読み取れます。曲線が交差せず比例ハザードの仮定が確認できる場面では、ログランク検定は検出力の高い標準的な選択肢になります。
これに対し、曲線の交差が疑われる場面では、非有意の結果を受けて次に何を見るかを解析計画の段階で決めておく必要があります。制限付き平均生存時間は、ある時点までの生存曲線の下の面積として各群の平均的な生存期間を表す量で、比例ハザードの仮定に依存しないため、交差した曲線の差も検定の打ち消し合いに左右されずに要約できます。
参考文献
- Mantel N. Evaluation of survival data and two new rank order statistics arising in its consideration. Cancer Chemotherapy Reports. 1966;50(3):163-170.
- Peto R, Peto J. Asymptotically efficient rank invariant test procedures. Journal of the Royal Statistical Society Series A. 1972;135(2):185-207.
- Kaplan EL, Meier P. Nonparametric estimation from incomplete observations. Journal of the American Statistical Association. 1958;53(282):457-481.
- Harrington DP, Fleming TR. A class of rank test procedures for censored survival data. Biometrika. 1982;69(3):553-566.
- Bland JM, Altman DG. The logrank test. BMJ. 2004;328(7447):1073.


