生存時間解析の基礎：Kaplan-Meier 曲線、Log-rank 検定、Cox 回帰

2 群の患者を比較する研究で、エンドポイントが「手術から再発までの時間」だとします。一部の患者は再発し、一部は最終フォローアップ時点で再発なし、さらに一部はフォローアップから外れている。この条件で、群間の平均時間を t 検定で比較するわけにはいきません。再発しなかった患者の「真の再発時間」が、データには現れていないからです。

ここで必要になるのが生存時間解析です。

生存時間解析とは

生存時間解析は、time-to-event データを正しく扱うために設計された一連の統計手法です。「event」は死亡である必要はなく、関心のある任意の転帰を対象にできます。

• 腫瘍の再発
• 疾患の進行
• 術後合併症
• 移植片不全
• 患者の死亡

生存時間解析の核心的な強みは、打ち切りデータ（観察期間内に event が起きていない症例）を正しく取り扱える点にあります。これらの患者を除外するのは深刻なバイアスを招き、フォローアップ時間を event 時間として扱うのも同じく誤りです。生存時間解析は、この不完全な情報を適切に活用するための数学的枠組みを提供します。

データに必要な形式

生存時間解析を行うには、各患者について少なくとも 2 つの変数が必要です。

1. 時間変数：起点から event 発生または打ち切りまでの期間。起点は通常、診断日、手術日、登録日のいずれか。単位は日、月、年のいずれでもよいが、データセット内で統一する
2. 状態変数（event 指標）：event を経験したかを示す。一般に 1 = event 発生、0 = 打ち切り

例：

何が打ち切りに該当するか

• 観察期間の終了時点で event が起きていない
• フォローアップから外れた
• event とは無関係の理由で離脱した（転居、参加拒否など）

データ準備で最も多いエラーは、起点の不一致（一部は診断日起点、別の一部は手術日起点）と、打ち切り状態の不正確さです。解析前に丹念に確認します。

Kaplan-Meier 法

Kaplan-Meier（KM）法は、生存時間解析で最も基本かつ広く使われる手法です。生存関数、つまり任意の時点 t において event が起きていない確率を推定します。

KM 曲線の読み方

KM 曲線は横軸が時間、縦軸が生存確率（0〜1、または 0%〜100%）です。

• 曲線は左上の 1.0（100%）から始まる
• 患者が event を経験するたびに、曲線が階段状に下がる
• 打ち切り観測は通常、小さなチックマークやプラス記号で曲線上に示される。打ち切り点で曲線は下がらないが、リスク集合の人数は減る
• 曲線が緩やかであれば event 発生率が低く、予後が良いことを示す
• 2 本の曲線の乖離が大きいほど、群間差が大きいことを示す

生存期間中央値

生存期間中央値は、KM 曲線が 50% の生存確率ラインと交わる時点です。半数の患者がこの時点までに event を経験したことを意味します。

曲線が観察期間を通じて 50% より上に留まる場合（半数以上の患者で event が起きていない）、中央値は計算できません。予後の良い研究では珍しくない現象です。

リスク集合表

整形された KM プロットには、曲線の下にリスク集合表（number at risk）を添えます。各時点で「リスクにさらされている」患者数を示すこの表が重要なのは、曲線の後半が少数患者に基づく不安定な推定になっている場合に注意喚起するためです。残り 5 名の時点で曲線がふらつくのは、信頼できる動きとは言えません。

Log-rank 検定

KM 曲線は視覚的な差を示しますが、群間差が統計的に有意かを判定するには検定が必要です。

標準は Log-rank 検定です。各 event 時点における、群ごとの実測 event 数と期待 event 数を比較します。

• 帰無仮説：2 群の生存曲線は同一
• 出力：χ² 統計量と p-value
• 前提：群間のハザード比がフォローアップ期間を通じておよそ一定（KM 曲線が交差しない）

KM 曲線が交差する場合（短期では治療 A が優位だが長期では劣位、など）、Log-rank 検定は検出力を失います。代替として Wilcoxon 検定や区分ごとの解析を検討します。

Cox 比例ハザード回帰

Log-rank 検定は群間差の有無を示しますが、差の大きさは示しませんし、交絡を調整することもできません。そこで Cox 回帰が登場します。

Cox 比例ハザード回帰は、生存時間解析における最重要の多変量手法です。出力は ハザード比（HR）です。

• HR = 1：両群のリスクが等しい
• HR > 1：当該因子は event リスクを増やす（予後悪化）
• HR < 1：当該因子は event リスクを減らす（予後改善）

たとえば「治療群対対照群の HR = 0.62（95% CI: 0.45–0.85、p = 0.003）」は、他変数を調整した上で治療群の event リスクが対照群より 38% 低いことを意味します。

比例ハザード性の前提

Cox 回帰の中心的な前提は 比例ハザード性、つまりフォローアップ期間を通じて群間のハザード比が一定であることです。

確認方法は次の通りです。

• Schoenfeld 残差検定：p-value が有意なら比例ハザード性が破られている
• KM 曲線の目視：曲線が交差していれば、前提が満たされていない可能性が高い

前提が成立しない場合は、時間で層化する、あるいは時間依存性 Cox モデルを使うといった選択肢を検討します。

多変量 Cox 回帰

実務では、Cox 回帰は通常 2 段階で報告されます。

1. 単変量解析：各変数を単独でアウトカムに対して検定し、有意なものを選択（包含基準は通常 p < 0.1 または p < 0.2）
2. 多変量解析：選択した変数を同時に投入し、調整 HR を得る

多変量 Cox 回帰の結果は、HR を対数スケールの横軸に取り、HR = 1 の参照線を引いたフォレストプロットで提示するのが定番です。臨床論文で最も頻繁に登場する結果表現の 1 つです。

よくあるつまずき

1. 起点の不一致

診断日を起点とする患者と、手術日を起点とする患者が混在しているケース。起点は研究デザインで明確に定義し、データでも厳格に統一します。

2. 情報のある打ち切り

病状悪化に伴って他院に転院したことで打ち切りになった場合、その打ち切りは event そのものに関係するため、生存時間解析の前提を破ります。このバイアスが結果に与える影響は論文中で議論する必要があります。

3. サンプルサイズ不足

Cox 回帰は、説明変数 1 つあたり最低 10〜20 イベントが目安です。総 event 数が 30 件しかない場合、含められる変数は 2〜3 個まで。それ以上はモデルの過学習を招きます。

4. HR を伴わない p-value のみの報告

「群間差は統計的に有意であった（p < 0.05）」と書きながら HR と 95% CI を書かないケース。査読で確実に追記を求められます。

手作業ワークフローの問題点

SPSS で生存時間解析を行うには、時間と event 変数を手動で設定し、モデルを反復的に構築し、KM プロットを手作業で整形する必要があります。R は柔軟ですが学習コストが高く、survival と survminer のパラメータ群を使いこなすだけでも一定の時間を要します。

生存時間解析の結果提示には細かい仕様が多くあります。KM プロットにはリスク集合表が必要、Cox 回帰にはフォレストプロット、比例ハザード性の検定結果も別途報告。1 つひとつにコードと整形作業が積み上がっていきます。

Data2Paper のフィットポイント

Data2Paper は完全な生存時間解析モジュールを備えています。時間変数と event 状態変数を含む臨床データファイルをアップロードすると、システムがデータ構造を自動検出し、リスク集合表付きの Kaplan-Meier 曲線を生成し、Log-rank 検定を実行し、Cox 回帰モデルを構築し、ジャーナル投稿可能な図と解釈テキストを出力します。

コーディングも、統計ソフトと文書ソフトの行き来も不要です。データをアップロードし、リサーチクエスチョンを記述すれば、原稿に直接乗せられる完成形の結果が手元に届きます。

臨床データをアップロードして論文生成を始める →