Target Trial Emulation (TTE)は、現実のデータ(RWD)を使いながらも、理想的な臨床試験(RCT)の発想で分析することで、観察研究の信頼性を高める画期的な思考フレームワークです。
理想的なRCTは証拠の頂点ですが、費用や倫理、一般化の難しさといった課題があります。一方、豊富なRWDはそのまま使うとバイアスが多く、誤った結論を導く危険性があります。
まず「もし完璧なRCTを行うなら？」という設計図(Target Trial)をデータを見る前に作成します。その後、その設計図に沿ってRWDを当てはめ解析(Emulation)することで、恣意性を排除し、透明性を高めます。
Time Zeroの統一でスタートラインを揃え、不死時間バイアスを防ぎます。さらに、傾向スコア重み付け(IPTW)や統計モデルで「交絡」を調整し、擬似的にランダム化された状況を作り出します。
なぜ現実のデータで「理想の臨床試験」を真似る必要があるの？
「新しく承認されたこの薬、本当に従来の標準治療より優れているのだろうか？」
「ガイドラインではA治療が推奨されているけれど、うちの病院に多い高齢で合併症を持つ患者さんたちにも、同じように効果が期待できるんだろうか？」
臨床の現場にいると、日々こうした切実な疑問が浮かんでくることはありませんか？論文やガイドラインが示す「平均的な効果」と、目の前の「個別の患者さん」との間にあるギャップに、頭を悩ませる瞬間は少なくないと思います。
もちろん、こうした治療効果の疑問に最も高いレベルの証拠で答えてくれるのが、ランダム化比較試験（RCT）です。その歴史的意義と科学的な厳密性から、RCTはエビデンスの頂点、いわば「ゴールドスタンダード」と見なされています (Bothwell et al., 2016)。
しかし、私たちも知っている通り、理想的なRCTを実施するには、いくつもの高いハードルがあります。
- 莫大な費用と時間: 新薬開発では数百億円規模の費用と10年以上の歳月がかかることも珍しくありません。
- 倫理的な制約: 効果が期待される治療があるのに、一部の患者さんをプラセボ群に割り付けることが倫理的に許されないケースがあります。
- 一般化の難しさ (Generalizability): これが臨床現場では特に大きな問題かもしれません。RCTの参加者は、厳格な選択基準・除外基準で選ばれた、比較的均質な集団です。そのため、そこで得られた結果が、高齢者や複数の合併症を持つ患者さん、あるいは特定の背景を持つ人々といった、私たちが日々向き合っている多様な「リアルワールド」の患者さんにそのまま当てはまるとは限らないのです。
一方で、私たちの手元にはリアルワールドデータ（RWD）という宝の山があります。日々の診療で電子カルテに蓄積されていく膨大なデータは、まさに現実世界（リアルワールド）の多様な患者さんの記録そのものです。
「この豊富なデータを使えば、RCTでは答えられなかった疑問に答えられるかもしれない！」
そう期待が膨らみますよね。しかし、話はそう単純ではありません。RWDは、いわば「ありのままで管理されていない」データ。そのまま解析すれば、治療選択の偏り（交絡バイアス）など、様々なバイアスの影響を強く受けてしまい、誤った結論を導きかねません。「治療を受けた群の方が予後が悪い」といった、直感に反する結果が出てしまうことさえあります。
この、「RCTの理想」と「RWDの現実」との間にある大きな溝。このジレンマを乗り越えるための架け橋として、近年非常に注目されているのがTarget Trial Emulation（TTE）という考え方です。
これは、観察研究データという「ありのままのデータ」を使いながらも、思考のプロセスとして「もし、この問いに答えるための完璧なRCTを実施したら？」という設計図をまず描き、その設計図に沿ってデータを解析していくアプローチです。いわば、観察研究とRCTの“いいとこ取り”を目指す、体系的な思考のフレームワークなのです。
Target Trial Emulation：観察研究の信頼性を大きく高める方法論
Target Trial Emulation（ターゲット・トライアル・エミュレーション）、少し長い名前ですが、基本的な考え方は非常に明快です。直訳すると「標的となる試験の模擬」。
その本質は、「まず、検証したい臨床疑問に答えるための『完璧なRCT』を仮想的に設計し（Target Trial）、次に、その設計図に沿うように手元の観察研究データ（RWD）を当てはめて解析する（Emulation）」という、思考の順番を定めた二段階のアプローチにあります。
この手法は、特にハーバード大学のMiguel Hernán教授らによって体系化され、彼らの論文（Hernán and Robins, 2016）などを通じて、観察研究の質を飛躍的に高める方法論として広く知られるようになりました。
たとえるなら「最高のカレーレシピ」
この考え方を、もう少し身近な料理に例えてみましょう。
あなたは今、「世界一おいしいカレー」の作り方を、科学的に解明したいと考えているとします。
Step 1: Target Trial（理想のレシピ設計）
まず、あなたは最高のシェフになったつもりで、「世界一おいしいカレー」を作るための完璧で、誰が読んでも一切の誤解が生じない究極のレシピを考えます。これは単なる手順のメモではありません。
- 材料: 「タマネギ1個」ではなく、「〇〇県産、直径8cm±0.5cmのタマネギ1個を、厚さ1mm±0.1mmにスライスしたもの」というレベルで定義します。
- 手順: 「タマネギを飴色になるまで炒める」ではなく、「厚さ5mmの銅鍋を使い、中火（180℃）で、〇〇社のバター10gを溶かし、スライスしたタマネギを投入後、絶えずかき混ぜながら25分間加熱する」といった具合に、全ての変数（道具、温度、時間）を厳密に指定します。
これが「ターゲットトライアルの設計」です。重要なのは、まだ冷蔵庫（手元のデータ）を見る前に、この理想のレシピを完成させるという点です。これにより、手元の材料に都合の良いようにレシピを後から変更してしまう、という誘惑を断ち切ることができます。
Step 2: Emulation（手元の食材での再現）
完璧なレシピが完成したら、次にようやく自宅の冷蔵庫を開け、そのレシピをどこまで忠実に再現（模擬）できるか挑戦します。これが「エミュレーション」のプロセスです。
- 銅鍋はないけれど、鉄鍋ならある。
- 指定されたバターはないけれど、別のメーカーのバターならある。
- タマネギのサイズも少し小さいかもしれない。
あなたはこの「理想と現実の差」を一つ一つ記録し、その差が最終的なカレーの味にどう影響しそうかを考察しながら調理を進めます。理想のスパイスがなければ、似たもので代用し、その理由と限界を明確にします。
従来の観察研究との決定的な違い
これまでの観察研究の多くは、この順番が逆でした。まず冷蔵庫にある食材を眺め、それらをとりあえず炒めたり煮込んだりしてみて、出来上がったものを見てから「これは〇〇カレーと呼べるだろう」と後からレシピ（研究計画）を書いていたようなものです。これでは、調理の過程で無意識のバイアス（例えば、焦げ付いたから水を足した、味が薄いから塩を足した、など）が入り放題ですし、他の人が同じものを作れる保証（再現性）もありません。
TTEは、この「レシピを先に書く」というルールを徹底することで、研究者の恣意性を排除し、観察研究にありがちな様々なバイアスを体系的に減らすことを目指します。これにより、研究プロセス全体の透明性が高まり、結果の信頼性を大きく向上させることができるのです。
理想の試験（ターゲットトライアル）をデザインする7つのステップ
では、具体的に「理想のレシピ（ターゲットトライアル）」は、どのように設計するのでしょうか？これは、実際のRCTのプロトコル（試験実施計画書）を作成するプロセスと非常によく似ています。臨床的な疑問を明確にした上で、研究の根幹をなす以下の7つの重要な要素を、一つずつ、曖昧さのない言葉で定義していきます。
このプロセス全体を視覚的に捉えると、以下のフローチャートのようになります。
図の解説: Target Trial Emulationのプロセスを示したフローチャートです。まず臨床的な疑問から始まり、7つの要素から成る理想的なRCTのプロトコルを設計します。その後、リアルワールドデータ（RWD）をこのプロトコルに当てはめ、Time Zeroの整合や交絡調整といった処理を行い、解析・解釈を経て、最後に研究の限界を評価するという一連の流れを表しています。
それでは、具体例として「新しい降圧薬Aと従来の降圧薬Bは、心血管イベントの予防においてどちらが優れているか？」という疑問を考えながら、7つのステップを詳しく見ていきましょう。
1. 適格基準 (Eligibility Criteria)
これは、「誰をこの仮想的な試験に参加させるか？」を定義するステップです。 年齢、性別、病気の重症度、過去の治療歴など、対象となる患者集団を具体的に特定します。ここを曖昧にすると、比較する集団の質が異なってしまい、結果の解釈が困難になります。
- （例）「40歳以上80歳未満で、高血圧と診断されてから1年以内。過去に降圧薬の処方歴がなく、心不全や腎不全の既往がない患者」のように、具体的かつ明確に設定します。
2. 介入戦略 (Treatment Strategies)
「何を比較するのか？」を厳密に定義します。 単に「薬Aと薬B」ではありません。「いつ、どの用量で開始し、どのような条件で用量を変更・中止するのか」という治療のルール全体を「戦略」として記述します。
- （例）「戦略A：降圧薬Aを5mg/日で開始し、4週間後に目標血圧に達しない場合は10mg/日に増量する」「戦略B：降圧薬Bを50mg/日で開始し…」というレベルまで具体化します。
3. 介入の割り付け (Assignment Procedures)
理想の試験では「どのように参加者を各戦略に割り付けるか？」を定めます。 RCTなら当然「ランダムに割り付ける」となります。TTEでは、RWDの中から「各戦略を開始した人」を探し出すことで、この割り付けを模擬します。この「戦略を開始した時点」が、後のステップで極めて重要になる「Time Zero」となります。
4. 追跡の開始と終了 (Start and End of Follow-up)
「いつから観察を始め、いつまで続けるか？」を決めます。 追跡の開始時点（Time Zero）は、ステップ3で定義した「戦略が開始された時点」に厳密に合わせます。これにより、治療開始前の期間が誤って解析に含まれてしまう「不死時間バイアス」を防ぎます。追跡終了も、「イベント発生時」「治療方針の大幅な変更時」「観察期間5年経過時」など、明確なルールを設けます。
5. アウトカム (Outcomes)
「治療の効果を何をもって評価するか？」を定義します。 死亡、特定の疾患の発症、検査値の変化など、客観的に測定可能な指標を選びます。
- （例）「主要評価項目：追跡期間中の心筋梗塞または脳卒中による入院（診断コードICD-10のI21, I63を使用）」のように、誰が判断しても同じ結果になるように定義します。
6. 因果比較 (Causal Contrasts)
「最終的に、何を比較したいのか？」という分析の視点を明確にします。 例えば、「処方された通りに薬を飲み続けた場合の効果（Per-Protocol効果）」を知りたいのか、それとも「副作用で中断する人も含めて、薬を処方するという行為そのものの効果（Intention-to-Treat効果）」を知りたいのか。これは臨床的に全く異なる問いであり、事前にどちらを主たる分析とするかを宣言します。
7. 解析計画 (Analysis Plan)
「どのような統計手法を用いて結果を出すか？」を事前に計画します。 交絡を調整するためにどのような変数を用いるか、どの統計モデル（例：Cox比例ハザードモデル）を適用するかなどを、データを見る前にすべて明記します。これにより、結果を見てから都合の良い分析手法を選ぶ「p-hacking」のような恣意的な操作を防ぎます。
いかがでしょうか。これら7つのステップを一つずつ丁寧に定義していく作業は、まさに良質なRCTを計画するプロセスそのものです。この「先にルールを厳密に決める」という規律こそが、TTEがRWD研究の透明性と信頼性を高める鍵なのです。
RWDを使う上での最大の罠：「時間」にまつわるバイアス
さて、理想の試験の設計図（ターゲットトライアル）が完成しました。いよいよ手元のRWDを使ってエミュレーション（模擬）を行うわけですが、ここからが本番です。RWDという、いわば「生の自然」を扱う上で、避けては通れない最大の難関が、「時間」の正しい取り扱いです。RCTではきれいに整えられている時間の流れが、RWDでは歪んでいたり、見えにくい罠が仕掛けられていたりします。特に注意すべき2つの時間的バイアスを見ていきましょう。
スタートラインを揃えろ！：Time Zeroの整合
どんな比較でも、スタートラインが揃っていなければ公平な競争にならないのは自明ですよね。RCTでは、参加者が治療群か対照群かにランダムに割り付けられた瞬間が、全員にとっての明確な「スタート時点（Time Zero）」となります。まさしく、号砲一発で全ランナーが一斉に走り出すオリンピックレースのようなものです。
ところが、RWDではこのスタートラインが曖昧になりがちです。例えば、「新しい降圧薬A」と「従来の降圧薬B」を比較する研究を考えてみましょう。もし、A群のTime Zeroを「Aを初めて処方された日」、B群のTime Zeroを「Bを初めて処方された日」と設定してしまうと、何が起こるでしょうか？
ある患者さんは、長年降圧薬Bを服用し、コントロールが不良になってから、初めて降圧薬Aに切り替えたのかもしれません。この患者さんのA群としてのスタートラインは、高血圧を発症してから何年も後ということになります。一方で、B群には高血圧と診断されたばかりの比較的健康な患者さんが含まれているかもしれません。これでは、まるで5年間走り続けたベテランランナーと、スタートラインに立ったばかりの新人ランナーを一緒に比較するようなもので、全く公平ではありません。
TTEでは、この問題を避けるために、治療の開始日ではなく、全参加者に共通する「適格となった時点」をTime Zeroとすることを厳格に要求します。 先ほどの例なら、「高血圧と診断され、初めて降圧薬による治療が必要となった時点」を全員のTime Zeroとするのです。この瞬間から追跡を開始し、その人が後にAを開始するのか、Bを開始するのか、あるいは治療をしないのかを観察します。これにより、全員が同じスタートラインから競争を始めることができ、公平な比較の土台が整うのです。
「不死鳥」はいない：不死時間バイアス（Immortal Time Bias）の恐怖
さて、Time Zeroを揃える重要性をご理解いただけたところで、もう一つ、さらに巧妙で厄介な時間の罠についてお話ししなければなりません。それが「不死時間バイアス（Immortal Time Bias）」です。
まず定義を一言で
「不死時間」とは、研究のルール上、その期間は絶対に“悪い結果（イベント）が起きないこと”が保証されてしまう時間を指します。
実際に人が不死身なのではなく、集計ルールによって結果的に「悪い結果が起きなかった人しかそのグループに残らない」という状況が生まれ、その期間がバイアスを生む、という意味です。
身近な例え：就職試験の合格者
この少し不思議な概念を、身近な就職試験で考えてみましょう。
いま、「最終面接に合格した人」を特別に「A群」と名付け、その人たちの特徴を分析する、という研究をするとします。
当然ですが、最終面接に進むためには、その前段階である書類選考や一次面接を突破して“生き残る”必要がありますよね。途中で不合格になった人は、決して「A群」には入れず、「非A群」に分類されます。
その結果、最終的に「A群」として分析される人々は、書類選考から一次面接の期間に「不合格になる」という失敗が“絶対に起きなかった”人たちです。つまり、この選考期間は、「A群」というグループにとって見れば、“不死（失敗しない）時間”になってしまうのです。
医療の例に当てはめると
この就職試験のロジックが、医療データの分析では意図せず発生してしまいます。
患者さんが「治療A群」として分類されるのは、実際に薬Aを処方された日からです。しかし、治療の適格となってから（Time Zero）、実際に処方されるまでには待機期間があります。もし、その待機期間に病気が悪化したり、残念ながら亡くなってしまった場合、その人は「薬Aを処方された」という事実がないため、「治療A群」に入れてもらえません。
結果的に、「治療A群」として分析のテーブルに乗る人々は、処方日まで必ず生き延びたことが保証された人たちだけになります。この「生き延びることが運命的に保証されていた期間」が、統計上「不死時間」と呼ばれ、バイアスの原因となるのです。
まとめ
つまり「不死時間バイアス」とは、
👉「研究のルール上、その期間は“必ず生存していた人しかグループに残らない”ため、結果的に死亡や悪化といったイベントが起こらない時間として扱われてしまう」
という統計的な錯覚を指します。この錯覚により、治療群のイベントが不当に少なく見積もられ、治療の効果が過大に評価されてしまうのです。
ランダム化の代わりに何をする？：交絡を調整する技術
さて、TTEにおける最後の、そして最も重要な関門が、RCTの心臓部である「ランダム化」をいかにして再現するか、という点です。時間の流れを正しく捉えたとしても、そもそも比較する集団の性質が異なっていては、意味のある結論は得られません。
RCTでは、ランダム化によって、既知あるいは未知の患者背景（年齢、性別、重症度、合併症、生活習慣など）が、治療群と対照群の間で（理論上は）均等に分布します。これにより、2つの群の間に観察された結果の違いは、純粋に「治療の効果」であると結論づけることができます。
しかし、RWDの世界では、治療はランダムには選ばれません。例えば、重症な患者さんほど、より強力な新薬が選択される傾向があるかもしれません（indication bias: 適応によるバイアス）。逆に、副作用のリスクが高い高齢者には、よりマイルドな従来薬が選ばれるかもしれません。このように、患者の背景（因子X）が、治療の選択（A）と、病気の予後（Y）の両方に影響を与えている状況を、統計学の言葉で「交絡（Confounding）」と呼びます。
この交絡が存在するまま単純に2つの群を比較すると、治療そのものの効果ではなく、元々の患者背景の違いを見てしまうことになります。この交絡という名の「厄介な三角関係」を断ち切るために、TTEでは様々な統計的手法を駆使します。
擬似的なランダム化：重み付け（Weighting）による調整
交絡を調整する代表的な手法の一つが、傾向スコアを用いた重み付け（Inverse Probability of Treatment Weighting, IPTW）です。少し難しそうに聞こえますが、「集団の構成を統計的に作り変え、あたかもランダム化されたかのような集団を仮想的に作り出す」というイメージです。
これは、国政選挙の出口調査の年代補正に少し似ているかもしれません。出口調査で若者の回答者が少なかった場合、若者一人の回答に少し「重み」をつけて、社会全体の縮図に近づける、という操作を行いますよね。
IPTWも同様に、まず患者さんの背景情報（年齢、性別、検査値など）から、「その人が治療A（例：新薬）を受ける確率」を予測するモデル（傾向スコアモデル）を作ります。そして、
- 実際に治療Aを受けた人のうち、治療Aを受けやすそうだった人（傾向スコアが高い人）の重みを少し軽くし、珍しい選択をした人（傾向スコアが低い人）の重みを重くします。
- 実際には治療Aを受けなかった人も同様に、傾向スコアに基づいて重みを調整します。
この「重み付け」という操作によって、もともとは不均一だった2つの集団が、背景因子に関して非常によく似た構成を持つ、2つの「擬似集団（Pseudo-population）」に生まれ変わります。この擬似集団上で治療効果を比較すれば、交絡の影響が取り除かれ、より純粋な治療効果に近づくと期待できます。このアプローチは、ペンシルベニア大学のPeter C. Austin氏らによって、その理論的背景と実践方法が広く研究されています (Austin, 2011)。
統計モデルによる調整（Adjustment）
もう一つの主要なアプローチが、回帰分析などの統計モデルを用いて、交絡因子の影響を直接取り除く方法です。これは、「もし年齢や性別、重症度が全く同じ人同士で比較したら、治療効果はどうなるか？」という問いに答えるようなイメージです。
例えば、生存時間を比較するためによく使われるCox比例ハザードモデルを考えてみましょう。このモデルに、治療の種類（AかBか）だけでなく、交絡因子と考えられる年齢、性別、合併症の有無などを一緒に投入して分析します。すると、モデルはこれらの交絡因子がアウトカムに与える影響を統計的に「差し引いて」くれた上で、治療Aと治療Bの純粋な効果（ハザード比）を推定してくれます。
TTEでは、これらの重み付けや回帰分析といった手法を単独、あるいは組み合わせて用いることで、観察研究データから、ランダム化によって達成される「背景因子が群間で等しい」という理想的な状況を可能な限り再現しようと試みるのです。もちろん、それでも測定されていない未知の交絡因子が残るという限界はありますが、少なくとも私たちが把握している交絡に対しては、体系的に対処することが可能になります。
TTEの限界と今後の展望：万能薬ではない、しかし強力な羅針盤
ここまでTarget Trial Emulation（TTE）の強力な側面を見てきましたが、科学的なアプローチにおいて、その手法の限界を正しく理解することは、それを正しく使うことと同じくらい重要です。TTEは、観察研究におけるバイアスを体系的に減らすための画期的なフレームワークですが、決して万能薬ではありません。
依然として残る限界：乗り越えるべき2つの大きな壁
1. 測定されていない交絡（The Elephant in the Room）
TTEが対処できるのは、あくまで「データとして測定・記録されている交絡因子」に限られます。これは、すべての観察研究が抱える根源的かつ最大の限界です。
例えば、電子カルテのデータだけでは、患者さんの詳細な生活習慣（喫煙状況は記録されていても、1日の本数や禁煙努力の有無までは不明）、食事内容、運動習慣、治療に対するアドヒアランス（服薬遵守）の度合い、あるいは家族からのサポートといった、予後に大きく影響しうる因子を捉えきれません。
これは、まるで体重と身長だけで2つのグループを比較しようとしているのに、片方のグループはプロのアスリートで、もう片方は運動習慣のない人々であることを知らないようなものです。この「アスリートであるかどうか」という測定されていない交絡因子が、結果のすべてを説明してしまうかもしれません。どんなに高度な統計手法を用いても、そもそもデータとして存在しない情報（交絡）を調整することは不可能なのです。
2. RWDの品質（Garbage In, Garbage Out）
TTEの結果の質は、用いるRWDの質に完全に依存します。ことわざに「Garbage In, Garbage Out（ゴミを入れれば、ゴミしか出てこない）」とあるように、不正確または不完全なデータからは、信頼できる結論は得られません。
- 情報の欠損: 特定の検査値が一部の患者さんでしか測定されていない。
- 情報の不正確さ: 確定診断前の疑い病名が、そのまま記録として残っている。
- 情報の粒度の粗さ: 「処方された」という記録はあっても、「実際に患者さんがその通りに服薬したか」まではわからない。
理想のレシピ（ターゲットトライアル）がいくら完璧でも、使う食材（RWD）が古かったり、ラベルが間違っていたりすれば、美味しい料理が作れないのと同じです。
限界があるからこその価値：TTEがもたらす「正直さのフレームワーク」
では、これらの限界があるからTTEは無意味なのでしょうか？答えは全く逆です。TTEの真価は、これらの限界を浮き彫りにし、「どのバイアスにどう対処し、どの限界が残っているのか」を、研究者自身と読者に対して明確に宣言させる点にあります。
ターゲットトライアルのプロトコルを事前に作成し公開することで、研究者はデータと向き合う前に、自分たちの問いに答える上で何ができて、何ができないのかを正直に評価せざるを得なくなります。これは、結論ありきで都合の良い部分だけを報告するような、質の低い研究を減らす上で非常に重要な役割を果たします。
今後の展望：より信頼性の高いエビデンスを目指して
TTEのフレームワークは今も進化を続けており、限界を克服するための新しい試みも進んでいます。
- 機械学習（ML）の活用: 伝統的な統計モデルでは捉えきれなかった、多数の変数間の複雑な関係性（交絡構造）を、機械学習アルゴリズムを用いてより精緻にモデル化し、調整する研究が進められています。これにより、私たちがまだ認識していない交ralaんパターンを捉えられる可能性があります (Hernán and Robins, 2020)。
- よりリッチなデータソースとの連携: 電子カルテデータだけでなく、レセプトデータ、患者報告アウトカム（PRO）、ウェアラブルデバイスから得られるデータ、ゲノム情報などを連携させることで、「測定されていない交絡」を「測定された交絡」に変え、より多くの情報を調整に用いる試みが期待されています。
TTEは、RWDから信頼できるエビデンスを創出するための「現在地」を示してくれる羅針盤です。その限界を理解し、進化する新しい手法を取り入れながら、私たちは臨床現場のリアルな問いに、より誠実に、より高い精度で答えていくことができるようになるでしょう。
まとめ：RWDの可能性を最大限に引き出すために
本稿では、リアルワールドデータ（RWD）という宝の山から、信頼性の高い臨床的知見を掘り出すための強力な羅針盤、Target Trial Emulation（TTE）について解説してきました。
私たちは、臨床現場の素朴な疑問から出発し、その答えを出すためのゴールドスタンダードであるRCTがいかに理想的か、しかし同時に、現実世界とは乖離しうる存在であるかを見てきました。そして、その溝を埋めるべく、TTEが「まず理想のレシピ（ターゲットトライアル）を描き、それに現実の食材（RWD）を当てはめる」という、思考のパラダイムシフトを我々に提示してくれることを学びました。
このアプローチの核心は、単なる高度な統計手法の適用ではありません。それは、観察研究を行う際に「臨床試験家（Trialist）のように考える」という規律を私たちに課すことです。7つのステップを通じて曖昧さのないプロトコルを定義することで、私たちは時間という名の狡猾な罠（Time Zeroのズレや不死時間バイアス）を回避し、交絡という名の厄介な霧を、重み付けや回帰分析といったツールで晴らしていきます。
もちろん、TTEも万能ではありません。データとして記録されていない未知の交絡因子という根源的な限界は残ります。しかし、その限界があること自体を正直に認め、プロトコルという形で「何ができて、何ができていないのか」を白日の下に晒すことで、研究の透明性と頑健性は、従来の多くの観察研究とは比較にならないほど高まります (Dickerman et al., 2019; Hernán and Robins, 2020)。
TTEによって得られる価値は、最終的な推定値（ハザード比など）だけではありません。その厳格なプロセス自体が、科学的な議論を可能にし、結果の健全な批判的吟味を促すのです。
私たちが日常の診療で生み出し続けている膨大なデータは、正しく扱えば、明日の医療をより良くするための知見の宝庫です。Target Trial Emulationは、そのポテンシャルを最大限に引き出し、日々の臨床疑問を、患者さんにとって本当に価値のあるエビデンスへと昇華させるための、極めて強力な思考のツールです。ぜひ、この考え方を今後の研究や論文のクリティークにお役立ていただければと思います。
参考文献
- Austin, P.C. (2011) ‘An Introduction to Propensity Score Methods for Reducing the Effects of Confounding in Observational Studies’, Multivariate Behavioral Research, 46(3), pp. 399–424. doi:10.1080/00273171.2011.568786.
- Bothwell, L.E., Greene, J.A., Podolsky, S.H. and Jones, D.S. (2016) ‘Assessing the Gold Standard — Lessons from the History of Randomized Controlled Trials’, The New England Journal of Medicine, 374(22), pp. 2175–2181. doi:10.1056/NEJMms1600881.
- Danaei, G., Tavakkoli, M. and Hernán, M.A. (2013) ‘Bias in observational studies of prevalent users: lessons for comparative effectiveness research from a simulation study’, American Journal of Epidemiology, 178(8), pp. 1339–1348. doi:10.1093/aje/kwt099.
- Dickerman, B.A., García-Albéniz, X., Logan, R.W., Denaxas, S. and Hernán, M.A. (2019) ‘Avoidable flaws in observational analyses: an application to statins and cancer’, Nature Medicine, 25(10), pp. 1601–1606. doi:10.1038/s41591-019-0597-x.
- Hernán, M.A. and Robins, J.M. (2016) ‘Using Big Data to Emulate a Target Trial When a Randomized Trial Is Not Available’, American Journal of Epidemiology, 183(8), pp. 758–764. doi:10.1093/aje/kwv254.
- Hernán, M.A. and Robins, J.M. (2020) Causal Inference: What If. Boca Raton: Chapman & Hall/CRC.
※本記事は情報提供を目的としたものであり、特定の治療法を推奨するものではありません。健康に関するご懸念やご相談は、必ず専門の医療機関にご相談ください。
ご利用規約（免責事項）
当サイト（以下「本サイト」といいます）をご利用になる前に、本ご利用規約（以下「本規約」といいます）をよくお読みください。本サイトを利用された時点で、利用者は本規約の全ての条項に同意したものとみなします。
第1条（目的と情報の性質）
- 本サイトは、医療分野におけるAI技術に関する一般的な情報提供および技術的な学習機会の提供を唯一の目的とします。
- 本サイトで提供されるすべてのコンテンツ（文章、図表、コード、データセットの紹介等を含みますが、これらに限定されません）は、一般的な学習参考用であり、いかなる場合も医学的な助言、診断、治療、またはこれらに準ずる行為（以下「医行為等」といいます）を提供するものではありません。
- 本サイトのコンテンツは、特定の製品、技術、または治療法の有効性、安全性を保証、推奨、または広告・販売促進するものではありません。紹介する技術には研究開発段階のものが含まれており、その臨床応用には、さらなる研究と国内外の規制当局による正式な承認が別途必要です。
- 本サイトは、情報提供を目的としたものであり、特定の治療法を推奨するものではありません。健康に関するご懸念やご相談は、必ず専門の医療機関にご相談ください。
第2条（法令等の遵守）
利用者は、本サイトの利用にあたり、医師法、医薬品、医療機器等の品質、有効性及び安全性の確保等に関する法律（薬機法）、個人情報の保護に関する法律、医療法、医療広告ガイドライン、その他関連する国内外の全ての法令、条例、規則、および各省庁・学会等が定める最新のガイドライン等を、自らの責任において遵守するものとします。これらの適用判断についても、利用者が自ら関係各所に確認するものとし、本サイトは一切の責任を負いません。
第3条（医療行為における責任）
- 本サイトで紹介するAI技術・手法は、あくまで研究段階の技術的解説であり、実際の臨床現場での診断・治療を代替、補助、または推奨するものでは一切ありません。
- 医行為等に関する最終的な判断、決定、およびそれに伴う一切の責任は、必ず法律上その資格を認められた医療専門家（医師、歯科医師等）が負うものとします。AIによる出力を、資格を有する専門家による独立した検証および判断を経ずに利用することを固く禁じます。
- 本サイトの情報に基づくいかなる行為によって利用者または第三者に損害が生じた場合も、本サイト運営者は一切の責任を負いません。実際の臨床判断に際しては、必ず担当の医療専門家にご相談ください。本サイトの利用によって、利用者と本サイト運営者の間に、医師と患者の関係、またはその他いかなる専門的な関係も成立するものではありません。
第4条（情報の正確性・完全性・有用性）
- 本サイトは、掲載する情報（数値、事例、ソースコード、ライブラリのバージョン等）の正確性、完全性、網羅性、有用性、特定目的への適合性、その他一切の事項について、何ら保証するものではありません。
- 掲載情報は執筆時点のものであり、予告なく変更または削除されることがあります。また、技術の進展、ライブラリの更新等により、情報は古くなる可能性があります。利用者は、必ず自身で公式ドキュメント等の最新情報を確認し、自らの責任で情報を利用するものとします。
第5条（AI生成コンテンツに関する注意事項）
本サイトのコンテンツには、AIによる提案を基に作成された部分が含まれる場合がありますが、公開にあたっては人間による監修・編集を経ています。利用者が生成AI等を用いる際は、ハルシネーション（事実に基づかない情報の生成）やバイアスのリスクが内在することを十分に理解し、その出力を鵜呑みにすることなく、必ず専門家による検証を行うものとします。
第6条（知的財産権）
- 本サイトを構成するすべてのコンテンツに関する著作権、商標権、その他一切の知的財産権は、本サイト運営者または正当な権利を有する第三者に帰属します。
- 本サイトのコンテンツを引用、転載、複製、改変、その他の二次利用を行う場合は、著作権法その他関連法規を遵守し、必ず出典を明記するとともに、権利者の許諾を得るなど、適切な手続きを自らの責任で行うものとします。
第7条（プライバシー・倫理）
本サイトで紹介または言及されるデータセット等を利用する場合、利用者は当該データセットに付随するライセンス条件および研究倫理指針を厳格に遵守し、個人情報の匿名化や同意取得の確認など、適用される法規制に基づき必要とされるすべての措置を、自らの責任において講じるものとします。
第8条（利用環境）
本サイトで紹介するソースコードやライブラリは、執筆時点で特定のバージョンおよび実行環境（OS、ハードウェア、依存パッケージ等）を前提としています。利用者の環境における動作を保証するものではなく、互換性の問題等に起因するいかなる不利益・損害についても、本サイト運営者は責任を負いません。
第9条（免責事項）
- 本サイト運営者は、利用者が本サイトを利用したこと、または利用できなかったことによって生じる一切の損害（直接損害、間接損害、付随的損害、特別損害、懲罰的損害、逸失利益、データの消失、プログラムの毀損等を含みますが、これらに限定されません）について、その原因の如何を問わず、一切の法的責任を負わないものとします。
- 本サイトの利用は、学習および研究目的に限定されるものとし、それ以外の目的での利用はご遠慮ください。
- 本サイトの利用に関連して、利用者と第三者との間で紛争が生じた場合、利用者は自らの費用と責任においてこれを解決するものとし、本サイト運営者に一切の迷惑または損害を与えないものとします。
- 本サイト運営者は、いつでも予告なく本サイトの運営を中断、中止、または内容を変更できるものとし、これによって利用者に生じたいかなる損害についても責任を負いません。
第10条（規約の変更）
本サイト運営者は、必要と判断した場合、利用者の承諾を得ることなく、いつでも本規約を変更することができます。変更後の規約は、本サイト上に掲載された時点で効力を生じるものとし、利用者は変更後の規約に拘束されるものとします。
第11条（準拠法および合意管轄）
本規約の解釈にあたっては、日本法を準拠法とします。本サイトの利用および本規約に関連して生じる一切の紛争については、東京地方裁判所を第一審の専属的合意管轄裁判所とします。
For J³, may joy follow you.
