「各専門科の英文誌に論文を投稿したところ、査読者から『本研究は観察研究であり、喫煙歴や詳細な重症度などの未測定交絡（Unmeasured Confounding）の影響が否定できない。単にLimitationに可能性を書くだけでなく、定量的な感度分析（Sensitivity Analysis）を行え』と追加解析を要求されてしまいました……」
各臨床科の主要国際誌を目指して論文を執筆する際、このような査読コメント（Peer Review）に直面して頭を抱える研究者は非常に多い。
コホート研究やケースコントロール研究などの観察研究において、交絡因子の調整は避けて通れない。しかし、レセプトデータや既存の臨床データベースでは、喫煙歴、遺伝素因、詳細な併存症といった重要な臨床情報が未測定（欠損）であるケースが頻発する。
従来、これに対する定量的感度分析（Quantitative Bias Analysis）は、未測定交絡因子の流行率やアウトカムへの効果量をいくつも仮定して複雑なシミュレーションを行う必要があり、手が出せなかった。
この問題を一発で解決し、最小限の仮定で査読者を納得させる強力な武器が、ハーバード大学の VanderWeele 教授らが提唱した E-value（E値） である。
本記事では、「1行のLimitation」で査読を乗り切れなくなった背景から、E-valueの直感的な解釈ロジック、95%信頼区間（CI）に対するE-valueの重要性、Rの EValue パッケージを用いた実践手順、そして論文でそのまま使える英文テンプレートまでを徹底解説する。
1. 「未測定交絡の可能性は否定できない」の1行で査読を乗り切れる時代は終わった！
観察研究で多変量解析を行い、統計的有意な関連（リスク比 RR、オッズ比 OR、ハザード比 HR）が得られた際、論文の Discussion（Limitationセクション）に以下のような定型フレーズを書くのが長年の慣習であった。
“Due to the observational nature of this study, the possibility of unmeasured confounding cannot be completely excluded.”
（本研究は観察研究であるため、未測定の交絡因子の影響を完全に否定することはできない。）
しかし、近年の各臨床科の主要英文誌では、このフレーズだけを免罪符として提出しても、査読者から不採用（Reject）や大幅改訂（Major Revision）の判定を受けるケースが急増している。
査読者が求めているのは、「可能性を認めること」ではなく、「仮に強力な未測定交絡が存在したとして、その交絡がどのくらい強ければ得られた研究結果（結論）が覆ってしまうのか」という定量的な示唆である。
従来の感度分析は設定すべき仮定のパラメータが多く、計算も複雑であったため敬遠されがちであったが、E-value の登場により、誰でも一瞬で計算・論文提示ができるようになった。
【コラム】直感で理解する！「未測定交絡因子」と「黒幕の強さ」
得られた研究結果（例：新薬の服用により死亡リスクが半減した）を、「実はすべて見せかけ（偽りの関連）でした」と裏で手引きしている存在が「未測定の交絡因子（未知の黒幕）」である。
E-value とは、得られた結果を完全に覆して「真の関連はゼロ（$RR = 1.0$）」であると証明するために、「この未知の黒幕が最低限持っていなければならない強さ（関連のパワー）」 を数値化したものである。
もし E-value が非常に大きな値（例:$3.5$）であれば、「この結果を偽りだと証明するには、リスクを3.5倍に跳ね上げるような未知の超強力な黒幕が存在しなければならない」ことを意味する。臨床的にそのような超強力な未測定因子が調整漏れしている可能性が低ければ、「本研究結果は極めて堅牢（Robust）である」と主張できる。
2. 査読者を納得させる秘密兵器「E-value（E値）」とは？数値の意味と解釈ロジック
E-value の直感的定義
E-value とは、観察された「曝露とアウトカムの関連」を完全に説明し尽くし、真の効果量を $1.0$（関連なし）にするために必要な、「未測定交絡因子と曝露の関連」および「未測定交絡因子とアウトカムの関連」の両方における最小リスク比（Risk Ratio スケール） である。
ポイントは、未測定交絡因子が「曝露」に対しても「アウトカム」に対しても、同時にその強さで影響を与えていなければならない点である。$$\text{E-value} = RR + \sqrt{RR \times (RR – 1)}$$
※上式は $RR > 1$ の場合の基本式。
数値の読み方（解釈ロジック）
例えば、ある治療（曝露）と死亡リスク低減の解析で、調整ハザード比 $HR = 2.0$（リスクが2倍になる関連）が得られ、この点推定値に対する E-value が $3.41$ と算出されたとする。
この数値は次のように解釈する：
「観察された$HR = 2.0$という関連を完全に打ち消して$HR = 1.0$にするためには、調整漏れしている未測定交絡因子が、曝露（治療の有無）とアウトカム（死亡）の両方に対して、同時にリスクを 3.41 倍跳ね上げるような強烈なパワー を持っていなければならない。」
既知のリスク因子と比較する Discussion テクニック
E-value が出せたら、Discussion セクションでその領域で知られている既知最強のリスク因子のリスク比と比較するのが鉄則の論文記述テクニックである。
例えば、その臨床分野で最強とされる既知のリスク因子（例: 重度高血圧や喫煙歴）のリスク比（$RR$）が $2.0$ 程度であることが分かっている場合、以下のように論理的に主張できる：
「本研究で算出された E-value は$3.41$であり、臨床的に知られている最強のリスク因子（$RR \approx 2.0$）を大きく上回る。したがって、既知のリスク因子を遥かに凌駕する未知の超強力な未測定交絡が存在しない限り、本研究の結論が覆る可能性は極めて低い。」
この論理展開により、査読者に対して圧倒的な説得力をもって自説を防衛できる。
3. 点推定値だけ出すと査読で落ちる！「95%信頼区間のE-value」の重要性
査読者対応において、多くの研究者が犯す致命的なミスが「点推定値に対する E-value だけを提示して満足してしまうこと」である。
査読者が見ているのは「信頼区間限界値の E-value」
点推定値（例: $HR = 2.0$）に対する E-value（$3.41$）は、「効果が完全に $1.0$ に消失するために必要な交絡の強さ」を示す。
しかし、統計的査読者は以下のように追求してくる：
“The point estimate E-value is informative, but what is the minimum strength of unmeasured confounding required to shift the lower limit of the 95% CI to 1.0 (i.e., making the finding statistically non-significant)?”
（点推定値のE-valueも参考になるが、95%信頼区間の下限を1.0にして統計的有意性を消失させるために必要な未測定交絡の最小強度はいくらか？）
論文で最も主張したい「統計的有意性（$P < 0.05$）」を守るためには、95%信頼区間の限界値（$1.0$ に近い側）に対する E-value を提示することが絶対条件となる。
信頼区間限界値の E-value の見方
例として、$HR = 2.0$（95% CI: $1.20 – 3.33$）という解析結果が得られた場合を考える。
- 点推定値（2.0）に対する E-value: $3.41$$\rightarrow$ 効果を完全に $1.0$（関連なし）にするために必要な交絡の強さ。
- 95% CI 下限（1.20）に対する E-valueの下限値: $1.70$$\rightarrow$ 有意差が消えて 95% CI が $1.0$ を跨ぐ（$P \ge 0.05$ になる）ために必要な最小の交絡の強さ。
この場合、論文には両方の値を記載し、次のように主張する：
「統計的有意性が消失する（95% CI下限が$1.0$を下回る）ために必要な未測定交絡の強さは$1.70$である。既知の交絡因子でリスクを 1.70 倍以上引き上げるような要因が調整漏れしていない限り、本研究の統計的有意性は保たれる。」
4. 【実践Rコード】EValue パッケージによる E-value 算出と可視化（Step by Step）
ここからは、ハーバード大学の VanderWeele 教授らのチームが開発した公式パッケージ EValue を用いて、Rでの算出および感度分析プロット（Sensitivity Plot）を描画する手順を Step by Step で解説する。
Step 1: EValue パッケージの読み込み
CRANから EValue パッケージをインストールして読み込む。
if (!requireNamespace("EValue", quietly = TRUE)) install.packages("EValue")
library(EValue)
library(tidyverse)
Step 2: リスク比（RR）、ハザード比（HR）、オッズ比（OR）からの E-value 算出
EValue パッケージには、各指標に応じた専用関数が用意されている。
① リスク比（Risk Ratio: RR）の場合
例: $RR = 2.0$（95% CI: $1.20 – 3.33$）
# RR からの E-value 計算
evalues.RR(est = 2.0, lo = 1.20, hi = 3.33)
出力結果
> evalues.RR(est = 2.0, lo = 1.20, hi = 3.33)
point lower upper
RR 2.000000 1.200000 3.33
E-values 3.414214 1.689898 NA② ハザード比（Hazard Ratio: HR）または オッズ比（Odds Ratio: OR）の場合
臨床研究で頻出する HR や OR の場合、対象とする疾患やイベントの発現率（イベント割合）が稀であるか否かによって計算が異なる。
医学疫学において、イベント発現率が十分に低い（一般に 15% 未満）稀なイベント（Rare outcome） であれば、OR や HR は Risk Ratio とほぼ等しいとみなして計算できる。
# 例: 稀なイベント（発現率 < 15%）での HR = 2.0 (95% CI: 1.20 - 3.33)
evalues.HR(est = 2.0, lo = 1.20, hi = 3.33, rare = TRUE)
# 例: 稀ではない発現率の高いイベント（発現率 > 15%）の場合 (rare = FALSE)
evalues.HR(est = 2.0, lo = 1.20, hi = 3.33, rare = FALSE)
出力結果
> # 例: 稀なイベント（発現率 < 15%）での HR = 2.0 (95% CI: 1.20 - 3.33)
> evalues.HR(est = 2.0, lo = 1.20, hi = 3.33, rare = TRUE)
point lower upper
RR 2.000000 1.200000 3.33
E-values 3.414214 1.689898 NA
> # 例: 稀ではない発現率の高いイベント（発現率 > 15%）の場合 (rare = FALSE)
> evalues.HR(est = 2.0, lo = 1.20, hi = 3.33, rare = FALSE)
point lower upper
RR 1.612547 1.134654 2.271062
E-values 2.606409 1.525531 NAStep 3: 感度分析プロット（Sensitivity Plot）の可視化
bias_plot() 関数を使用することで、横軸に「未測定交絡と曝露の関連 ($\mathrm{RR}_{\mathrm{EU}}$)」、縦軸に「未測定交絡とアウトカムの関連 ($\mathrm{RR}_{\mathrm{UD}}$)」をとった感度分析プロットを描画できる。
# RR = 2.0 に対する感度分析プロットの描画
bias_plot(RR = 2.0, xmax = 5)
プロット上の曲線上およびその右上の領域が、得られた関連（$RR = 2.0$）を完全に打ち消すために必要な交絡因子の強さの組み合わせを示す。
5. 論文でそのまま使える英文テンプレート（Methods & Discussion）
各臨床科の国際誌投稿時に、Methods セクションおよび Discussion セクションにそのまま記述できる標準的な英文表現テンプレートを示す。
Methods セクション英文テンプレート
“To evaluate the potential impact of unmeasured confounding, we calculated E-values using the
EValuepackage in R, based on the methodology described by VanderWeele and Ding (2017). The E-value quantifies the minimum strength of association, on the risk ratio scale, that an unmeasured confounder would need to have with both the exposure and the outcome to fully explain away the observed association. E-values were calculated for both the point estimate and the limit of the 95% confidence interval closest to the null.”
Discussion セクション英文テンプレート
“In the present study, the primary outcome showed an adjusted hazard ratio of 2.00 (95% CI, 1.20 to 3.33), yielding an E-value of 3.41 for the point estimate and 1.70 for the lower limit of the 95% CI. This indicates that an unmeasured confounder would need to be associated with both exposure and outcome by a risk ratio of at least 1.70-fold each, above and beyond the measured confounders, to render the observed association statistically non-significant. Given that major established clinical risk factors in this field typically exhibit risk ratios below this threshold, it is unprovable but highly unlikely that an unmeasured confounder of such magnitude exists to completely overturn our findings.”
6. まとめ＆一括コピペ用Rスクリプト
本記事のポイントおさらい
- 定型フレーズの1行だけでは査読を通らない: 定量的な感度分析の提示が各臨床誌で標準要求となりつつある。
- E-value は未測定交絡に対する「黒幕の最小パワー」: 曝露とアウトカムの両方に対して同時に必要なリスク比（RR）スケールでの関連強度。
- 点推定値と95% CI下限の両方を出すのが鉄則: 有意性を守るために CI 限界値の E-value 提示が必須。
- 稀なイベント条件に注意: イベント発現率が 15% 未満か否かで
rare = TRUE/FALSEを切り替える。
一括実行用Rスクリプト
以下のコードをコピー＆ペーストすることで、EValue パッケージの読み込み、各種指標（RR/HR/OR）からの E-value 算出、結果のデータフレーム化、およびプロット出力までを一気通貫で走らせることができる。
# ==============================================================================
# 未測定交絡の感度分析 E-value 一括算出・描画スクリプト
# パッケージ: EValue, tidyverse
# ==============================================================================
if (!requireNamespace("EValue", quietly = TRUE)) install.packages("EValue")
if (!requireNamespace("tidyverse", quietly = TRUE)) install.packages("tidyverse")
library(EValue)
library(tidyverse)
# 1. 観察研究で得られた結果の入力
# 例: 調整ハザード比 HR = 2.00 (95% CI: 1.20 - 3.33)
est_hr <- 2.00
low_ci <- 1.20
high_ci <- 3.33
is_rare_outcome <- TRUE # イベント発現率が 15% 未満の場合は TRUE
# 2. E-value の算出 (HRの場合)
eval_res <- evalues.HR(est = est_hr, lo = low_ci, hi = high_ci, rare = is_rare_outcome)
cat("\n==============================================================================\n")
cat(" E-VALUE ANALYSIS RESULTS \n")
cat("==============================================================================\n\n")
print(eval_res)
cat("\n==============================================================================\n")
# 3. 点推定値と 95% CI 下限の E-value 抽出
e_val_point <- eval_res["E-values", "point"]
e_val_lower <- eval_res["E-values", "lower"]
cat(sprintf("Point Estimate E-value : %.2f\n", e_val_point))
cat(sprintf("95%% CI Limit E-value : %.2f\n", e_val_lower))
# 4. 感度分析プロット (Sensitivity Plot) の表示
bias_plot(RR = est_hr, xmax = 5)
コメント