臨床研究や疫学調査において、最も困難かつ重要な課題は「因果関係の証明」です。
「薬Aを投与した群の方が生存率が高かった」というデータがあったとしても、それが本当に薬の効果なのか、あるいは対象患者の年齢や重症度が異なっていただけなのか（交絡）を見極める必要があります。
従来、こうした背景因子の調整には、「測定した変数をすべて多変量解析モデル（ロジスティック回帰やCox比例ハザードモデルなど）に投入する」というアプローチが取られがちでした。しかし、近年の因果推論の枠組みにおいて、この方法は偏り（バイアス）を生む危険性が指摘されています。
そこで不可欠となるツールが、DAG（Directed Acyclic Graph：有向非巡回グラフ）です。
この記事では、医療統計におけるDAGの理論的背景から、交絡因子・中間因子・合流点の見分け方、そして具体的な共変量の調整手順までを、徹底解説します。
医療統計におけるDAGの役割とは？
DAGは、単なる「変数間の関係図」ではありません。
それは、研究者が持っている「因果関係に関する仮説（ドメイン知識）」を数学的に記述する言語であり、解析モデルを設計するための設計図です。
観察研究における「因果の壁」
ランダム化比較試験（RCT）であれば、対象者の背景因子はランダムに割り付けられるため、交絡因子の影響を最小限に抑えることができます。しかし、倫理的・費用的な制約からRCTが実施できないケースは多く、観察研究（コホート研究や症例対照研究）に頼らざるを得ない場面が多々あります。
観察研究で因果効果を推定するためには、「比較可能性（Exchangeability）」を担保するために適切な統計学的調整が必要です。ここで、「何を調整すべきか」を誤ると、真実とは逆の結果が導き出されてしまうことさえあります。
DAGは、この「調整の選択」を論理的に行うための羅針盤となります。
DAGを構成する基本要素
DAGは、以下の要素で構成されます。
- ノード（Nodes/Vertices）： 変数。曝露（X）、アウトカム（Y）、その他の共変量（Z, C, Mなど）。
- エッジ（Edges）： 変数を結ぶ矢印。X → Yは、「Xが変化すれば Yも変化する可能性がある」という因果の流れを示します。
- パス（Path）： 変数をつなぐ経路。矢印の向きに関わらず、隣り合う変数を辿るルートのことです。
「非巡回（Acyclic）」という名前の通り、矢印を辿って元の場所に戻るループ構造は許されません。これは「原因は結果よりも時間的に先行する」という因果の原則に基づいています。
3つの基本構造：交絡・媒介・合流点
DAGを理解する上で最も重要なのは、3つの変数が織りなす「3つの基本パターン」を識別することです。これらを区別せずに解析モデルに投入することは、重大なバイアスにつながります。
交絡因子（Confounder）：共通の原因
最も一般的で、調整が必要なパターンです。
変数 Zが、曝露 Xとアウトカム Yの両方の原因になっている状態を指します。これを「フォーク（分岐）構造」とも呼びます。
- 構造： X ← Z → Y
- 例：
- X：運動習慣
- Y：心筋梗塞のリスク
- Z：年齢（高齢だと運動しにくく、かつ心筋梗塞リスクも高い）
この場合、Xと Yの間には因果関係がなくても、Zを通じて相関関係が生じます（見かけ上の関連）。
【対応】：Zを調整する必要があります。調整することでX ← Z → Yというバックドア（裏口）パスが遮断され、純粋な X → Yの効果を推定できます。
中間因子（Mediator）：因果の通り道
変数 Mが、Xから Yへの因果の連鎖の途中にある状態です。これを「チェーン（連鎖）構造」と呼びます。
- 構造： X → M → Y
- 例：
- X：減塩指導
- M：血圧の低下
- Y：脳卒中の発症の有無
研究の目的が「減塩指導（X）そのものの総合的な効果」を知ることである場合、Mを調整してはいけません。なぜなら、Mを一定に固定（調整）してしまうと、血圧低下による脳卒中予防効果という「治療のメインルート」を遮断してしまうからです。
【対応】：トータルな効果を見たい場合、調整してはいけません。
合流点（Collider）：共通の結果
最も直感に反し、かつ誤りやすいパターンです。
変数 Cが、Xと Yの両方から影響を受けている（結果である）状態です。
- 構造： X → C ← Y
- 例：
- X：インフルエンザ感染
- Y：骨折
- C：入院（インフルエンザでも入院するし、骨折でも入院する）
通常、インフルエンザと骨折には因果関係はありません。しかし、ここで「入院患者（C）」だけにデータを限定して解析（層別化・調整）するとどうなるでしょうか？
「入院しているが、インフルエンザではない」患者は、高い確率で「骨折している」ことになります。つまり、本来無関係なはずの Xと Yの間に、人工的な負の相関が生まれてしまうのです。
【対応】：合流点は絶対に調整してはいけません。これを調整することで生じる歪みを「合流点バイアス（Collider bias）」あるいは「選択バイアス」と呼びます。
「バックドア基準」による共変量の選択手順
では、実際の複雑なDAGにおいて、どの変数を調整すべきかをどう判断すればよいのでしょうか。そのための明確なルールが、Pearlらが提唱した「バックドア基準（Back-door Criterion）」です。
3-1. バックドア・パスとは
Xから Yへの因果効果を推定したいとき、Xから出ていく矢印（X → ・・・ → Y）は「因果パス」であり、これは知りたい効果そのものです。
一方、Xに入ってくる矢印から始まるパス（X ← ・・・ → Y）は、因果関係ではない相関を生み出す邪魔な経路です。これを「バックドア・パス」と呼びます。
3-2. 共変量選択のアルゴリズム
正しい因果効果を得るためには、以下の条件を満たす共変量のセット Zを見つけ出し、調整する必要があります。
- 因果の道を邪魔しない：Zの中に、Xから Yへの因果パス上にある変数（中間因子）が含まれていてはならない。
- 裏口を塞ぐ：Zで調整することで、XとYを結ぶすべてのバックドア・パスが「ブロック（遮断）」されること。
【パスがブロックされる条件】
あるパスは、以下のいずれかの場合に「ブロック」されているとみなされます。
- パス上の「交絡因子（A ← Z → B）」または「中間因子（A → M → B）」が調整されている場合。
- パス上の「合流点（A → C ← B）」が調整されていない場合。（※合流点は、何もしなければ最初から道を塞いでいますが、調整すると道が開通してしまう性質があります）
ケーススタディ：実際の臨床研究シナリオ
具体的なシナリオを用いて、DAGを使った変数選択のプロセスをシミュレーションしてみましょう。
【研究テーマ】
新規糖尿病薬（X）の使用が、腎機能障害の進行（Y）を抑制するかどうかを、電子カルテデータを用いて検証したい。
【検討すべき変数】
- 年齢（Age）： 高齢者は糖尿病薬が処方されやすく（適応による）、かつ腎機能も低下しやすい。
- 構造：X ← Age → Y
- 判定：交絡因子。バックドアを開いているため、調整が必要。
- HbA1c値（血糖コントロール）： 薬（X）によってHbA1cが改善し、その結果として腎機能（Y）が守られる。
- 構造：X → HbA1c → Y
- 判定：中間因子。これを調整すると薬の効果が見えなくなるため、調整してはいけません。
- 社会経済的地位（SES）： 裕福な人は新薬（X）にアクセスしやすく、かつ栄養状態が良いため腎機能（Y）も保たれやすい。
- 構造：X ← SES → Y
- 判定：交絡因子。調整が必要。
- 過去の腎機能値（Baseline Kidney Function）： 過去に腎機能が悪いと、腎保護作用のある新薬（X）が処方されやすく、当然現在の腎機能（Y）にも影響する。
- 構造：X ← Baseline → Y
- 判定：交絡因子。調整が必要。
- 調査期間中の入院（Hospitalization）： 薬の副作用で入院することもあり（X → H）、腎機能悪化でも入院する（Y → H）。入院患者だけのデータセットで解析しようとしている。
- 構造：X → Hospitalization ← Y
- 判定：合流点。入院患者に限定（調整）するとバイアスが生じるため、可能な限り調整・限定すべきではない（あるいは解析時に感度分析が必要）。
【結論：モデルに投入すべき変数】
年齢、SES、過去の腎機能値。
（HbA1cと入院の有無はモデルから除外する）
このように、DAGを描くことで「HbA1cは重要だから入れておこう」という安易な判断が、実は過剰調整であったことに気づくことができます。
5. DAG作成の注意点と限界
DAGは強力なツールですが、魔法の杖ではありません。運用上の注意点も理解しておく必要があります。
5-1. ドメイン知識への依存
DAGはデータから自動的に生成されるものではありません（因果探索という分野もありますが、基本的には人間が描くものです）。
つまり、「矢印をどう引くか」は、研究者の医学的・生物学的な知識に完全に依存します。未知の交絡因子を見落としていたり、矢印の向きが逆だったりすれば、DAGに基づいた調整も誤ったものになります。
そのため、DAGの作成は統計家だけでなく、臨床医や基礎研究者を含めたチームでのディスカッションが不可欠です。
5-2. 未測定交絡因子の存在
DAGを描いた結果、「この Uという変数を調整しなければならない」と分かったとします。しかし、そのデータがカルテに残っていなければ、統計的な調整は不可能です。
DAGは「調整できないバイアスが残っていること」を自覚させてくれるツールでもあります。この場合、論文のLimitation（限界）セクションに「未測定の交絡因子Uの影響により、結果が過大評価されている可能性がある」と正直に記述することが誠実な態度です。
6. まとめ：統計モデルの前に、まずDAGを描こう
医療統計におけるDAG（有向非巡回グラフ）の活用について解説しました。
- 因果の地図： DAGは、変数間の因果関係を可視化し、バイアスの構造を明らかにするための設計図である。
- 3つの基本形：
- 交絡因子（フォーク）： 共通の原因。調整する。
- 中間因子（チェーン）： 因果の経路。調整しない（トータル効果を見たい場合）。
- 合流点（コライダー）： 共通の結果。調整しない（バイアスを生むため）。
- バックドア基準： どの変数を調整すべきかを論理的に決定するルール。
「多変量解析を行えば、すべての背景因子が調整される」という考えは、現代の因果推論においては過去のものとなりつつあります。
p値を計算するプログラムを回す前に、まずは紙とペン、あるいは「DAGitty」のようなツールを使ってDAGを描いてみてください。そうすることで、あなたの研究結果はより堅牢で、科学的に信頼性の高いものになるはずです。
コメント