ケースコントロール研究ってちょっと分かりづらいですよね。
実際やったことがあると感覚がわかるのですが、なかなか経験ある方はいないと思います。
この記事では、ケースコントロール研究とは何か？具体的にどうやるか？ 実践的に解説しました。
ケースコントロール研究とは？
新しいバイオマーカーAが発明され、心筋梗塞予測能がかなり高いことが期待されているとします。
これを研究で立証する必要があります。
具体的には「バイオマーカーAと3年間での心筋梗塞リスクが関連する」という仮説を証明したいとします。
本当なら、今から参加者をリクルートして3年間追跡したいところなのですが、そんな時間は待てないし、お金もありません。
こんな時、ケースコントロール研究が最適です。
この場合、
ケースとは心筋梗塞になった人
コントロールとは心筋梗塞にならなかった人
となります。
3年前の血液検体が保存されている集団を利用し、その検体でバイオマーカーAを測定します。その値と心筋梗塞発症の関連性をみるのです。
血液検体を保存されている集団とは、どんな集団でしょうか。
→前向きコホートの集団です。
前向きコホートの中で行うケースコントロール研究なので、Nested Case-control studyと言われます。
Nestedでないケースコントロール研究
前向きコホートを使わない（＝Nestedでない）ケースコントロール研究もできますが、大変だし、できる研究が限られています。
これを説明していきます。
ケース＝心筋梗塞
コントロール＝心筋梗塞でない人
とします。
*フェアな比較とするためには、3年前に健康だった方が対象となります。
心筋梗塞患者は、例えば病院のデータベースで特定できます。
でもコントロールはどうでしょうか。病院のデータベースは、なんらかの病気で通院している患者の情報です。バイアスがかかってしまいます。
なので厳密にやるには、例えば市役所のデータベースからランダムに抽出してリクルートする必要がでてきます（それでも住居地というバイアスがかかりますが）。
さらに血液検体を使う研究はできないですね。ふつう3年前の血液検体は保存されていません。
できるのは3年前の状況に関するアンケート調査です。よって、「Twitterをたくさん使っていると心筋梗塞になりやすか」みたいな研究はできます。
が、思い出し調査の場合常にrecall bias（思い出しバイアス）から逃れられません。
→バイアスがある＝研究結果の信頼性が低い、であり、質の低い研究となってしまいます。
よって、Nested case-control studyが主流です。
*この例は「前向き・後ろ向き」とも関連する議論です。
暴露因子の測定がアウトカムの測定前なら前向きでしたね（詳細こちら）。
よって、上述の3年前の血液検体を使った研究は、前向きケースコントロール研究です。
一方、3年前の状況をアンケート調査する手法は、アウトカム測定度後に暴露因子を測定しているので、後ろ向きケースコントロール研究です。
→後ろ向き研究の方が質が低いんでしたね。
なんでケースコントロール研究が必要なの？
できるなら前向きコホートを組んでコホート研究をやりたいんです。
でも、コホート研究は参加者のリクルート、彼らの追跡が必要です。
毎回そんなコストはかけられないですね。
一旦コホートのデータが揃ったら、たくさんのコホート研究が行われます。コホート研究でOKであれば、ケースコントロール研究をやる必要がありません。
ケースコントロール研究が必要な状況は、新しいバイオマーカーの測定など、コストがかかる場合です。
参加者全員（数万人規模が多いです）のバイオマーカー測定するのは、めちゃくちゃお金がかかります。
なのでケースコントロール研究で、限られた参加者のみバイオマーカー測定するのです。
具体的にどうやるの？
Nested case-control studyのやり方の例をお示しします。
・まずコホートからcaseを同定します。
・次に、例えば年齢や性別でマッチしたcontrolを同定します。1:1ならcaseと同じ数、1:2ならcaseの2倍のcontrolを使います。
・彼らの3年前の検体で新しいバイオマーカーAを測定します。
・解析は基本的にConditional logistic regressionを使います。
caseかcontrolか ＝ バイオマーカーA＋マッチングした因子＋交絡因子＋strata(match ID)
というモデルです。
*詳細はいつか説明しますが、重要なのはマッチング因子を必ずモデルに入れる点です。
まとめ
ケースコントロール研究はコストを抑えるためにやる。
一般的には前向きコホートを使ったNested case-control study。
解析はConditional logistic regressionを使う。必ずマッチ因子で調整する。
ではまた。