ハザード比との付き合い方
Life with Hazard Ratios (dynomight.net)
要約
ハザード比は健康や長寿の研究でよく使われる指標ですが、その数値を直接的に平均余命の変化に換算するのは困難です。ハザード比が人生のどの段階で作用するかによって、その影響は大きく変わるため、単純な換算は誤解を招きやすいと解説しています。しかし、現代の先進国における死亡率の分布には都合の良い特性があり、ハザード比を平均余命の変化に近似的に変換する手法が、ある程度の精度で有効であることを示しています。
全文翻訳
ハザード比との付き合い方
健康や長寿に関する記事を読むと、すぐに「ハザード比(Hazard Ratio)」の世界に迷い込むことになるでしょう。ある研究では、食物繊維の摂取量を増やすことで死亡リスクがHR = 0.90倍になるかもしれないと述べられています。別の研究では、時折喫煙することが死亡リスクをHR = 1.30倍にするかもしれないとされています。
しかし、それらをどれほど気にかけるべきでしょうか? HR = 0.90 や HR = 1.30 は大きいのでしょうか? もし食物繊維を増やしたくない場合や、喫煙が好きな場合はどうなるのでしょうか?
比率[1]をただ見つめる代わりに、より賢明なのは平均余命について考えることです[2]。しかし、ハザード比を平均余命の変化に変換することは可能なのでしょうか? 次のように推論できるかもしれません。ベースラインの平均余命は約75年です。そして、HR = 0.90 は死亡率の10%の減少に対応します。では、そのハザード比は7.5年の平均余命の増加に対応するのでしょうか?
残念ながら、それは完全に間違っています。なぜなら、人間がロシア式ルーレットでしか死なないと想像してみてください。彼らは75歳から1日に1回、2発の弾丸と6つの薬室を持つリボルバーでこれを始めます。もしその2発のうち1発を取り除いたとすると、その人の死亡リスクはHR = 0.5(弾丸1発対2発)に低下します。しかし、平均余命はほとんど変わらないでしょう。なぜなら、弾丸が1発になったとしても、75歳を過ぎてから significant な期間生き残る人はほとんどいないからです。
対照的に、人間がロシア式ルーレットでしか死なず、今度は生まれたときから1日に1回、2発の弾丸と54,786個の薬室を持つリボルバーで行うと想像してみてください。(新生児は生まれながらにしてこの巨大な銃を本能的に手に取ります。)これらの人々も平均して75年生きることを示すことができます。しかし今、弾丸を1つ取り除くと、平均余命は倍増します。なぜなら、誰かが助かった場合、再び不運に見舞われるまでには長い時間がかかるからです[3]。
どちらも人間のための良いモデルではありません。私たちはその中間であり、心臓病などがあり、リスクは年齢とともにゆっくりと上昇します。しかし、ポイントは次のとおりです。ある介入のハザード比を平均余命の変化に変換したい場合、その影響はベースラインの死亡リスクが時間とともにどれだけ「分散」しているかに依存します。ベースラインの平均余命だけでは情報が不足しています。
それが一つの問題です。もう一つは、ハザード比とはそもそも何でしょうか? 技術的な定義は次のようになります。
ある時点でのハザード比は、治療群におけるイベントの発生率を対照群におけるイベントの発生率で割ったものです。
ハザード比は、より広く知られている相対リスクと混同されがちです。例えば、10年間試験を実施し、最終的に対照群の10%が死亡し、治療群の8%が死亡したとします。その場合、相対リスクはRR = 0.8となり、単純です。しかし、相対リスクには問題があります。特に、試験を十分に長く実施すると、介入に関わらず最終的には誰も生存しなくなり、RR = 1.0 になるということです。これは役に立ちません。直感的には、40歳でのハザード比を、39.99歳から40.01歳までの人々の相対リスクのようなものと考えることができます。
現実世界では、介入は年齢によって異なるハザード比を持ちます。化学療法は、副作用に耐えることができる若い患者の方が良い結果をもたらす傾向があります。わずかに高いBMI(25〜30、20〜25よりも)は、若年者では死亡リスクの増加と関連していますが、高齢者では減少と関連しています。2020年から覚えているかもしれませんが、COVIDの死亡リスクはベースラインの死亡率とは異なる年齢曲線を持っていました。これは、COVIDに罹患するハザード比が年齢によって異なっていたことを意味します。
これは重要です。なぜなら、異なる年齢でのハザード比は平均余命に異なる影響を与えるからです。80歳でのハザード比0.9は、20歳でのそれよりも多くの死を防ぎます。なぜなら、80歳ではベースラインの死亡率が高いからです。しかし同時に、20歳の人の命を救うことができれば、その人にはさらに多くの年月が残されています。さらに、異なる年齢でのハザード比は相互作用します。ある介入が若い年齢での死亡率を低下させた場合、より多くの人々が年老いた年齢に到達できるようになり、年老いた年齢でのハザード比の重要性が増します[4]。
すべての年齢でのハザード比を知っていれば、それらのダイナミクスを考慮することができます。しかし、私たちは知りません。なぜなら、ハザード比を推定する際に、人々はほとんど常にハザード比が一定であると仮定する[5]からです。十分なデータがないため、比率の時系列全体を推定することは quasi-forced です。だから、論文にはHR = 0.90 のような単一の数字が含まれているのです。
したがって、介入A(例えば、より多くの食物繊維)と介入B(例えば、軽いジョギング)が論文で同じハザード比を持つとしても、それらの数字は異なる年齢依存の効果の積である可能性があり、それらの介入はconceivably 平均余命に大きく異なる変化をもたらす可能性があります。
では、これはすべて絶望的でしょうか? 単一のハザード比の数字は、私たちが気にかけていることからあまりにもかけ離れていて、何も意味のあることを教えてくれないのでしょうか?
驚くべきことに、そうではありません。ほとんどの場合、大丈夫です。もし私たちが異なる種であれば、絶望的だったかもしれません。しかし、現代の豊かな国に住む人々にとって、死亡率は幸運な偶然を生み出すような方法で分布しています。人々が一定のハザード比の数字を推定するとき、彼らは暗黙のうちに異なる年齢でのハザード比の加重平均を取っています。そして、それらの重みは(ある程度)異なる年齢での死亡率の変化がどのように変化するかを反映しています。
したがって、私は、真の介入が変化する効果を持っていたとしても、論文からハザード比を1つ取り、この曲線を使用して平均余命の変化に変換することは、ある程度は大丈夫だと主張します。
[画像: dl_vs_hr_log]
もし論文が、より多くの食物繊維を摂取することがハザード比HR = 0.75を生み出すと示した場合、それは約3.7年の増加に対応します。もし論文が、時折の喫煙がハザード比HR = 1.25を生み出すと述べた場合、それは約2.9年の減少に対応します。
これは正確ではありません。もし介入が高齢者にとってより良い(または悪くない)場合、それは平均余命の増加を過大評価する(または減少を過小評価する)傾向があります。もし介入が高齢者にとってより悪い(またはそれほど良くない)場合、それは増加の過小評価(または減少の過大評価)につながる傾向があります。しかし、ハザード比が年齢によってあまりにも大きく変動しない限り、おそらくどちらの方向にも30%以上の誤差はないでしょう。
簡単なケース
ある介入(食物繊維の摂取増加など)が、年齢 t における死亡リスクを HR(t) 倍にするとします。その場合、平均余命の変化は近似的に次のように示されます。
ΔL ≈ ∑ₜ ΔHR(t) × P(t) × L(t)。
ここで、P(t) は年齢 t におけるベースラインの死亡確率です。米国男性の場合、それは次のようになります。
[画像]
一方、L(t) は年齢 t における条件付き平均余命です。これは、年齢 t に達した人が平均してあと何年生きるかを示します。米国男性の場合、それは次のようになります。
[画像]
最後に、ΔHR(t) は年齢 t におけるハザードの減少です。これは単に ΔHR(t) = 1 - HR(t) と考えることができます。対数に抵抗がなければ、より良い近似がありますが、それは脚注に隔離しました[6]。
簡単なケースから始めましょう。もしあなたの介入がすべての年齢で死亡率に同じ影響を与え、HR(t)=HR が定数である場合はどうでしょうか? その場合、上記の式は次のように単純化されます。
ΔL ≈ ΔHR × L̄、
ここで
L̄ = ∑ₜ P(t) × L(t)。
これは理にかなっています! 再び、P(t) は年齢 t における死亡確率、L(t) は年齢 t における条件付き平均余命です。これらは定数なので、合計すると、L̄ は単なる数値です。米国男性の場合、それは12.93年になります。この数量には特定の意味があります。それは、米国男性の「死亡時の平均残存平均余命」です。少し奇妙に聞こえますが、ランダムな死を選び、その年齢に達した人が平均してあと何年生きるかを尋ねると考えてみてください。その数値は12.93年です。
したがって、介入が一定のハザード比を持つ場合、米国男性の平均余命の平均変化は次のようになります。
ΔL ≈ ΔHR × 12.93 年。
これで進展が見えてきました! もしあなたが死亡率の ΔHR の割合を防ぐなら、平均余命は12.93年の ΔHR 倍増加します。
最初の単純な計算を思い出してください。米国男性の平均余命は75.8年です。もし食物繊維の摂取が死亡リスクを10%低下させると、7.58年節約できると期待するかもしれません。残念ながら、上記の式は、10%のリスク低下は平均余命を約1.293年しか増加させない(単純な推定値の0.17倍にしかならない)と述べています。
これは基本的に、Keyfitzが1977年の論文「がんが根絶されたらどうなるか?」“What Difference Would It Make if Cancer Were Eradicated?” で行った観察です。がんは死亡原因の18パーセントを占めていますが、それは寿命が18パーセント、つまり約13.6年増加することを意味するのでしょうか? Keyfitzによると、そうではありません。わずか2.3年です。
もし今日、がんの治療法が発見され利用可能になったら、来年、350,000件のがん死が回避されるでしょう。全体的な死亡率は18パーセント近く低下するでしょう。もし治療が迅速かつ安価であれば、国の病床と医療従事者の大部分が他の病気の治療に解放されるでしょう。患者は計り知れない苦しみから解放されるでしょう。このような暗黙の分析が、がん根絶のための政府提案の根拠となっています。この議論は、死亡率への最初の影響については妥当ですが、長期的には完全に誤解を招きます。
最初の影響は、がん以外の病気によるより多くの死亡によってすぐに相殺されるでしょう。がん治療の結果として、人口は他の死因の影響を受けやすい人々の割合が高くなるでしょう。[…]
極端な場合、誰もが遅かれ早かれ何らかの原因で死ぬと言えるので、がん根絶の効果が落ち着いた後には、以前と同じ数の死が発生し、唯一の利点は心臓病やその他の病気とがんの置き換えになるでしょう。がんの治療法は、人々が心臓病で死ぬ機会を与えるだけです。
陽気な話ですね! 近似式をベースラインの平均余命で書くこともできます。
ΔL ≈ ΔHR × 0.17 × 75.8 年、
これは、12.93年が単純な平均余命推定値の0.17倍にすぎないことを明確に示しています。この0.17という割引係数は、時折「Keyfitzエントロピー」と呼ばれます。これは、ある集団が、75歳から始まる2発の弾丸と6つの薬室を持つロシア式ルーレット(割引係数0強)と、誕生から2発の弾丸と54,786個の薬室を持つロシア式ルーレット(割引係数1.0)のどちらに近いかを測定していると考えることができます。現代の豊かな国では、通常約0.15ですが、歴史的にははるかに高かったです。
Keyfitzエントロピーは、マウスのような他の種でもはるかに高いです(おそらく0.45)。これは、マウスで寿命を延ばすことがヒトに転移しない理由を説明していると主張できます。例えば、カロリー制限などがマウスとヒトで同じ一定のハザード比を生み出したとします。その場合、数学的に、ヒトにおける平均余命のパーセンテージ増加は3分の1になることが保証されます。なぜなら、Keyfitzエントロピーはヒトでは3分の1だからです。死亡率の分布がより圧縮されている場合、平均余命を延ばすのはより困難です[7]。
しかし、それはすべてハザード比がすべての年齢で同じであると仮定した場合の話です。実際にはそうではありません。
興味深いケース
ここでもう一度、年齢 t における死亡率を HR(t) の係数で変化させる行動に対する平均余命の変化の式を示します。
ΔL ≈ ∑ₜ ΔHR(t) × P(t) × L(t)、
基本的に、各年齢 t について、3つの数値を掛け合わせます。
- ΔHR(t) は、介入(例:食物繊維の摂取増加)の結果として年齢 t での死亡確率がどれだけ減少するかを示します。これは、リスクの減少が大きいほど平均余命の増加も大きくなることを反映しています。
- P(t) は、年齢 t におけるベースラインの死亡確率です。これは、ハザード比が比率であるため、ベースライン率が高い年齢にその比率を適用すると、より多くの死を防ぐことを反映しています。
- L(t) は、年齢 t における条件付き平均余命です。これは、若い年齢で死亡した場合、より多くの年月を失うことを反映しています。
ここで注目してください。年齢 t における変化 ΔHR(t) の影響は、ベースラインの死亡リスク P(t) と残りの平均余命 L(t) の積です。したがって、本当に重要なのはそれらの積、P(t) × L(t) です。
[画像]
これは、平均余命が異なる年齢でのハザード比の変化にどれほど敏感かを示しています。これが一定であれば良いのですが。そうすれば、HR(t) の形状は全く問題にならず、平均値だけが重要になります。それは完全には真実ではありませんが、それほど大きくは外れていません。
私たちの式の等価な書き方は次のようになります。
ΔL ≈ avg(ΔHR) × L̄、
ここで L̄ は依然として「死亡時の平均余命」(米国男性では12.93年)であり、avg(ΔHR) は異なる年齢での P(t) × L(t) 感度曲線で重み付けされたハザードの平均変化です[8]。その感度曲線は一定ではありませんが、それほど曲線的でもありません。直感的には、50歳から90歳までの年齢に多くの重みを与え、20歳から50歳までの年齢にはやや少ない重みを与え、他の年齢にはほとんど重みを与えません[9]。
したがって、それはそれほど悪くはありません。しかし、元の問題に戻りましょう。論文でHR = 0.90 のような数字を見て、それを平均余命の変化に変換したいとします。もし真の基盤となるハザード比が一定であれば、問題はありません。しかし、そうでない場合、その HR = 0.90 という数字は何を意味するのでしょうか?
論文の数字
残念ながら、基盤となる時間依存の HR(t) を見ることはほとんどありません。なぜなら、それを推定するのに十分なデータがほとんどないからです。したがって、加重平均 avg(ΔHR) を計算することはほとんど不可能です。実際には、論文に単一の数字があるだけです。それを est(HR) と呼びましょう。当然やるべきことは、その変化を上記の式に avg(ΔHR) の代わりに代入し、平均余命の変化を次のように近似することです。
ΔL ≈ est(ΔHR) × L̄。
ここでも、est(ΔHR) = 1-est(HR) をハザードの推定減少量と考えることができます。ただし、対数に抵抗がなければ、対数を使用する方が良いでしょう[10]。したがって、問題は次のとおりです。それは正確でしょうか? est(ΔHR) と avg(ΔHR) はどれほど近いでしょうか?
さて、人々は実際に論文でスカラーハザード比の数字をどのように推定するのでしょうか? どうにかして、異なる年齢でのハザードに関する情報を単一の数字に集約しています。しかし、どのように? まあ、それは複雑ですが、データが大量にある場合、推定されたスカラーハザード比はおおよそ次のようになると示すことができます[11]。
est(HR) ≈ Πₜ HR(t)ᵖ⁽ᵗ⁾。
(醜い組版はご容赦ください。)つまり、推定ハザード比は、各年齢での死亡確率で重み付けされた、年齢依存ハザード比の幾何平均です。それによると[12]、推定されるハザードの変化は次のようになります。
est(ΔHR) ≈ ∑ₜ P(t) ΔHR(t)。
理想的には、avg(ΔHR) を使用して平均余命を推定します。これは、P(t) × L(t) の重みで ΔHR(t) の変化を平均したものです。しかし、それはできません。なぜなら、ΔHR(t) の数値にアクセスできないからです。できることは、論文からハザード比の数値を読み取り、それを est(HR) と呼び、変化 est(ΔHR) を計算することです。上記の式は、そうすると、P(t) のみで ΔHR(t) の変化を暗黙のうちに(そして近似的に)平均していることを示しています。
avg(ΔHR) によって使用される「正しい」重みと、est(ΔHR) によって暗黙のうちに使用される「間違った」重みは同じではありません。しかし、それほど違ってもいません。これは、avg(ΔHR) を計算するために使用したい重み、つまり平均余命の変化を正確に推定するための重みです。
[画像]
そして、これは、論文からハザード比の数値を取り、est(ΔHR) を計算する場合に暗黙のうちに使用している重みです。
[画像]
それらは異なります。特に、後者の重みは80〜95歳の年齢に多くの重みを与え、20〜50歳の年齢には少ない重みを与えます。しかし、それほどひどくは異なりません。
数学は十分、試してみよう
まず、すべての年齢でリスクを HR(t)=0.9 だけ減少させる介入を想像してみましょう。
[画像]
結果は次のとおりです。
| Thing | Formula | Years |
|---|---|---|
| Original life expectancy | L | 75.7769 |
| New life expectancy | L’ | 76.4127 |
| Exact ΔL | ΔL = L - L’ | 0.6358 |
| Ideal approximation | ΔL ≈ avg(ΔHR) × L̄ | 0.6409 |
| Use number from paper | ΔL ≈ est(ΔHR) × L̄ | 0.6409 |
何が起こっているのか説明しましょう。私はシミュレーターを作成し、生命表データを使用して米国男性が様々な年齢で死亡する確率を計算しました。そこから、平均余命 L を計算するのは簡単なスプレッドシート計算です[13]。次に、各年齢での死亡確率を変更するためにハザード比を適用し、シミュレーターを再実行して新しい平均余命 L’ と正確な差 ΔL を計算しました。次に、2つの ΔL の近似を示します。最初の「理想的な近似」は avg(ΔHR) を使用しており、主に私の数学が正しいことを示すために含めています。最後に、Cox比例ハザードモデルを実際に適合させて得られる結果を使用する近似を示します。これは、論文から数値を使用した場合に得られるものに対応します。
したがって、上記の一定のハザード比HR = 0.90では、両方の近似は非常に良好です。これは、他の定数に切り替えても同様です。
ハザード比が変動する場合はどうでしょうか? 最初は、次のようなものが非常に問題になると思うかもしれません。
[画像]
しかし、それは基本的に大丈夫です。
| Thing | Formula | Years |
|---|---|---|
| Original life expectancy | L | 75.7769 |
| New life expectancy | L’ | 77.4373 |
| Exact ΔL | ΔL = L - L’ | 1.6604 |
| Ideal approximation | ΔL ≈ avg(ΔHR) × L̄ | 1.7451 |
| Use number from paper | ΔL ≈ est(ΔHR) × L̄ | 1.7121 |
これが大丈夫な理由は、ハザード比の変化が比較的「高周波」であり、局所的に平均化される傾向があるためです。これを実証するために、ハザード比が1年ごとのビンごとにランダムに選択されると仮定しましょう。
[画像]
すると、近似はさらに良くなります。
| Thing | Formula | Years |
|---|---|---|
| Original life expectancy | L | 75.7769 |
| New life expectancy | L’ | 77.4218 |
| Exact ΔL | ΔL = L - L’ | 1.6449 |
| Ideal approximation | ΔL ≈ avg(ΔHR) × L̄ | 1.7059 |
| Use number from paper | ΔL ≈ est(ΔHR) × L̄ | 1.7123 |
問題を引き起こすのは、ハザード比が若者と高齢者の間で体系的に変動する場合です。例えば、介入が新生児には無効だが、年齢とともに徐々に役立つようになると仮定しましょう。
[画像]
私の「理想的な近似」は、それでもかなり正確でしょう(現実世界では計算できませんが)。しかし、論文からの数字を使用すると過大評価になります。
| Thing | Formula | Number |
|---|---|---|
| Original life expectancy | L | 75.7769 years |
| New life expectancy | L’ | 77.9031 years |
| Exact ΔL | ΔL = L - L’ | 2.1261 years |
| Ideal approximation | ΔL ≈ avg(ΔHR) × L̄ | 2.0962 years |
| Use number from paper | ΔL ≈ est(ΔHR) × L̄ | 2.7645 years |
これは、est(ΔHR) が P(t) によって暗黙的に重み付けされており、P(t) は高齢者に大きく重み付けされているのに対し、私たちは P(t) × L(t) で重み付けされたもの(高齢者への重みがやや少ない)のようなものを使用したいからです。それでも、誤差はひどくはありません。
さて、論文からハザード比を代入すると、平均余命の推定値が大きく不正確になる可能性があります。そのようなシナリオの1つは、85〜95歳の患者にとって驚異的だが、他の人には何も効果がない介入です。
[画像]
今、ハザード比は est(ΔHR) が最も重みを持つ年齢で正確に見えますが、平均余命への影響を大きく過大評価しています。
| Thing | Formula | Number |
|---|---|---|
| Original life expectancy | L | 75.7769 years |
| New life expectancy | L’ | 76.1741 years |
| Exact ΔL | ΔL = L - L’ | 0.3972 years |
| Ideal approximation | ΔL ≈ avg(ΔHR) × L̄ | 0.3840 years |
| Use number from paper | ΔL ≈ est(ΔHR) × L̄ | 1.0989 years |
もう一つの悪夢のようなケースは、最初は有害だが、その後高齢者では有益になる介入です。
[画像]
今、論文からの数字を使用すると、正しい符号の推定値さえ得られません。
| Thing | Formula | Number |
|---|---|---|
| Original life expectancy | L | 75.7769 years |
| New life expectancy | L’ | 75.5006 years |
| Exact ΔL | ΔL = L - L’ | -0.2764 years |
| Ideal approximation | ΔL ≈ avg(ΔHR) × L̄ | -0.2348 years |
| Use number from paper | ΔL ≈ est(ΔHR) × L̄ | +0.2709 years |
それは悪いことです。しかし、ほとんどの介入はそうではないと思いますか? 私の推測では、ほとんどの実際の介入は年齢とともにある程度変動しますが、それは徐々に、そして符号を変えることなく行われます。そのような場合、論文から数値を代入することが30%以上ずれるケースを見つけるのは非常に困難です。もし信じられないなら、試してみてください[14]。
TLDR
もし私たちが異なる種であれば、ハザード比から平均余命の変化への変換は非常に難しいかもしれません。しかし、現代の豊かな国に住む人々にとっては、3つの幸運な偶然があります。
- 死亡リスクは、異なる年齢でのハザード比の単純な加重和を通じて、相互作用を無視して平均余命の変化を近似できるような方法で分布しています。
- 人々がスカラーハザード比を推定するために使用する統計的手法も、相互作用を無視して、異なる年齢でのハザード比の加重和として近似できます。
- 平均余命を推定するために必要な重み(1番)と、ハザード比の数値を計算するために暗黙のうちに使用される重み(2番)は同じではありません。しかし、それらはかなり近いです。
これらの事実は、論文から推定ハザード比の数値 HR を取り、平均余命の変化を ΔL ≈ ln(1/HR) × 12.93 年、またはハザード比が1に近い場合は ΔL ≈ (1-HR) × 12.93 年として近似することを正当化します。
[画像: dl_vs_hr_both]
12.93年という数字は米国男性のものです。それはKeyfitzエントロピー(0.17)とベースライン平均余命(75.8年)の積です。他の集団では少し変動します。
もし真の基盤となるハザード比が:
- …年齢を通じて一定であれば、上記の近似は非常に良好です。
- …高齢になるにつれて減少する場合、その近似は ΔL を過大評価します。つまり、有益な介入を実際よりも良く見せ、有害な介入を実際よりも悪く見せなくします。
- …高齢になるにつれて増加する場合、その近似は ΔL を過小評価します。つまり、有益な介入を実際よりも悪く見せ、有害な介入を実際よりも良く見せなくします。
しかし、真の基盤となるハザード比があまりにもクレイジーでない限り、おそらくどちらの方向にも約30%以上の誤差はありません。
最後に、2つの大きな注意点があります。第一に、上記の議論は、ハザード比がすべての年齢の被験者で試験を実施することによって推定されたと仮定しています。一般的に、est(ΔHR) は、ベースライン集団におけるその年齢での死亡者数に比例して異なる年齢に重みを与えます。例えば、最低年齢が50歳の場合、P(t) の大部分は50歳以上にあるため、それほど大きくは変わりません。しかし、最低年齢が70歳、または最高年齢が50歳の場合、真のハザード比が観察されなかった年齢で異なる場合、それは大きな違いを生む可能性があります。
第二に、これらは集団の平均余命の推定値です。しかし、あなたは集団ではありません。ある意味で、あなたの遺伝子とライフスタイルはあなた自身の「個人的なKeyfitzエントロピー」を持っています。これは、あなたが何百万回ものランダムな人生を送った場合の死亡率がどれだけ分散するかを反映しています。安全運転をし、空気清浄機を使用し、健康的に食事をし、運動をし、喫煙しない場合、それはあなたの個人的な平均余命が平均よりも高いことを意味する可能性が高いです。しかし、それはまた、あなたの個人的なKeyfitzエントロピーが平均よりも低いことを意味する可能性が高いです[15]。したがって、食物繊維の摂取などを増やしてライフスタイルをさらに改善した場合でも、他の人々と同じハザード比を生み出したとしても、平均余命の増加は小さくなる可能性が高いです。これは、同じハザード比がマウスと比較してヒトでは寿命の変化を小さくするのと同じ理由です。本当に必要なのは、これらの近似の背後にある数学を破り、Keyfitzの専制から私たちを解放するのに十分強力な介入です。
-
[画像] ↩
-
わかっています、わかっています。あなたは寿命だけでなく、生活の質も気にかけています。私も同意します。健康と活力、おそらく障害調整生存年数(DALYs)や質調整生存年数(QALYs)を測定する何らかの数値の方が良いでしょう。しかし、これらは推定が難しく、めったに報告されません。 anyway、実際には、あなたをより元気にするほとんどの介入は、あなたをより長く生きさせる傾向があり、その逆も同様なので、平均余命に焦点を当てることはそれほど悪くありません。↩
-
このモデルでは、寿命の日数は幾何分布に従い、p = (弾丸の数) / (薬室の数) です。したがって、平均余命は 1/p 日、または (薬室の数) / (弾丸の数) 日になります。薬室が54,786個、弾丸が2個の場合、それは75年に相当します。そして、弾丸が1つに減ると、150年に増加します。↩
-
もしある介入が、先史時代の部族集団において60歳以上の人々の死亡率を低下させたとしても、ほとんどの人が60歳に到達しなかったため、平均余命はあまり増加しなかったでしょう。しかし、先史時代の部族集団と比較して、私たちは実際に若い年齢での死亡率を大幅に低下させてきました。そして今日、60歳以上の人々の死亡率を低下させることは、平均余命を大幅に増加させるでしょう。↩
-
これは愚かだと思うかもしれません。相対リスクをハザード比に変えるのに、一定であると仮定するだけでは無意味ではありませんか? まあ、いいえ。相対リスクが長い試験では、治療群と対照群の両方のすべての人が亡くなるため、常に1.0になることを覚えていますか? 一定のハザード比ではそのようなことは起こりません。↩
-
通常(常にではありませんが)、ΔHR(t) = ln(1/HR(t)) を使用する方が良いです。これは、例えば、すべてのハザード比がゼロになった場合、平均余命が無限大になることを正しく反映しています。これらの2つの近似は、ハザード比が1に近い場合、ほぼ同一です。なぜなら、r が1に近い場合、ln(1/r) ≈ (1-r) だからです。したがって、もしあなたが対数に非常に恐れているとしても、この脚注の最後までたどり着いたのであれば、あなたはあまり多くを逃しているわけではありません。↩
-
この議論にはある程度の循環性があります。それは、ハザード比が平均余命の変化よりも種間でより良く転移すると仮定しています。それは真実かもしれませんが、それは論理によって保証されるものではなく、経験的/生物学的な事実でしょう。↩
-
これを見るには、ΔL ≈ ∑ₜ ΔHR(t) × P(t) × L(t) = L̄ × ∑ₜ ΔHR(t) × (P(t) × L(t) / L̄) = L̄ × avg(ΔHR) に注意してください。↩
-
かなり良い近似は次のようになります。
avg(ΔHR) ≈ 0.27 × avg₂₀₋₅₀(ΔHR) + 0.73 × avg₅₀₋₉₀(ΔHR)、
ここで、avg₂₀₋₅₀(ΔHR) は20歳から50歳までの変化のフラットな平均を表し、avg₅₀₋₉₀(ΔHR) は50歳から90歳までのフラットな平均を表します。↩
-
つまり、est(ΔHR) = ln(1/est(HR)) を使用する方が良いです。これは、est(HR) が1に近い場合、1-est(HR) に近いです。↩
-
データが無限にある場合、典型的な方法は次のようになります。
∑ₜ (P(t) + P’(t)) × π(t, HR) = ∑ₜ P’(t)、
HR について解く。
ここで、P’(t) はハザード比が適用された後の年齢 t での死亡確率であり、π(t, HR) は、年齢 t で死亡が発生した場合、それが治療群であった確率です。もちろん、死亡が治療群であった真の確率は P’(t) / (P(t) + P’(t)) です。標準的な「比例Cox」モデルは、ハザード比が一定であると仮定し、この生の分数でモデルベースの分数、すなわち
π(t, HR) = S’(t) × HR / (S(t) + S’(t) × HR)
を置き換えます。これは、年齢 t で、対照群の S(t) の割合が生存しており、これらのそれぞれが死亡する確率 μ(t) を持つため、P(t)=S(t) × μ(t) を反映しています。一方、治療群の S’(t) の割合が生存しており、これらのそれぞれが HR × μ(t) の死亡確率を持つため、P’(t) = S’(t) × HR × μ(t) となります。これらの P(t) と P’(t) の方程式を上記の方程式に代入すると、μ(t) の因子が便利にキャンセルされ、π(t, HR) は書かれているようになります。
実質的に、ハザード比の役割は、死亡を治療群と対照群に帰属させることです。さて、もし真の時間変化する HR(t) が1に近い場合、示すことができるのは、推定ハザード比 est(HR) がおおよそ次のようになるときです。
ln(est(HR)) ≈ ∑ₜ P(t) ln(HR(t))。↩
- 幾何平均は、次の条件と同等です。
ln(est(HR)) ≈ ∑ₜ P(t) ln(HR(t))
「より良い」近似 ΔHR(t) = ln(1/HR(t)) と est(ΔHR)=ln(1/est(HR)) を使用すると、次のようになります。
est(ΔHR) ≈ ∑ₜ P(t) ΔHR(t)。
HR(t) が1に近い場合、これらはほぼ同じであるという事実から、est(ΔHR) = 1-est(HR) と ΔHR(t)=1-HR(t) を使用して同じ方程式を解釈することを正当化できます。↩
-
このシミュレーターは、人々が整数年の寿命を生きると仮定しています。実際にはそうではありませんが、シミュレーターの実装と理解を容易にし、実際にはほとんど違いはありません。↩
-
シミュレーションでは、「真の ΔL」は上記で「正確な ΔL」と呼んだもので、「近似(対数)」は「理想的な近似」と呼んだもので、「Cox適合」は「論文の数字を使用」と呼んだものです。↩
-
現代の人間の死亡率の分布では、健康的なライフスタイルがすべての年齢で一定の係数で死亡率を低下させたとしても、それはKeyfitzエントロピーを低下させる効果があります。↩
このフォームまたはsubstackまたはRSSを使用して購読してください。
このフォームで間違いを修正してください。
Fancy math doesn't make simple math stop being true · math science health
So you want to use plants to reduce indoor CO₂ · science health
Does creatine make you smarter? · science health
The worthlessness of vitamin D is mildly exaggerated · science health effort
Why is the human body so crap except for the liver? · science effort