1年余りにわたった本連載も最終回を迎えました。今回はこれまで紹介した内容を振り返り，因果推論の活用で広がる研究の未来について，私たちの考えをお伝えします。

数ある因果推論の手法からどう選択するか

　本連載の導入となる第1回は，因果推論を学ぶ理由と，リサーチクエスチョンを実現可能で良い研究デザインに落とし込む過程を説明しました。第2回に因果推論の基本として，集団の比較で生じる交絡の問題を歴史的経緯とともに紹介し，曝露を「仮想的な介入」としてとらえることが因果推論の基本的な考え方の一つであるとお伝えしました。第3回は，因果関係の仮説を可視化するコミュニケーションツールであるDAGの基本ルールを紹介し，DAGは調整すべき変数とすべきでない変数を整理する際に有用であることをお示ししました。

　第4～6回では基本的な変数の調整方法として，層別解析（第4回），多変量回帰モデル（第5回），傾向スコアマッチング（第6回）について，構築したモデルに課している仮定の重要性と併せて解説しました。

　中盤の第7～9回では，メカニズム解明や交互作用に着目した発展的な因果推論の手法を扱いました。第7回は時間とともに変化する曝露の文脈で，治療確率による逆確率重み付けとG-computationの手法について。第8回では効果の異質性の概念と，ある集団での効果を他の集団に適用する方法としてgeneralizability／transportabilityの概念と評価方法。そして第9回では中間因子を介した因果効果を評価する因果媒介分析について解説し，因果推論の手法について理解を深めました。

　終盤の第10回以降は未測定交絡が存在する場合に有効な手法を扱いました。まず第10回で，バイアス分析の手法についてケースを交え解説。続く第11回で，操作変数法によって未調整交絡を制御できることを取り上げ，その手法の一種としてメンデルランダム化を提示しました。第12回では集団レベルでの曝露・介入の効果推定方法として差分の差分法と分割時系列分析を取り上げました。記憶に新しい第13回では，中間因子を用いて因果効果を推定するフロントドア基準，特に新しい手法である一般化フロントドア基準を紹介しました。

　では，数ある因果推論の手法からどの方法を選択し，場合によってどう組み合わせ適用すればよいのでしょうか。第1回で述べたように，最も理想的な研究デザイン・データと，実際との差異に注目することがまずは肝要です。そして本連載や，連載の中で紹介した成書などを通じ，複数の手法を学ぶことで実際の研究に適した手法を選択できるようになるでしょう。さらに，研究デザインが良く練られた論文を読むことは，手法の適用について新たな学びを得る絶好の機会となります。因果推論の手法は日々進歩しているため，最新の知見にもアンテナを張って学び続けるようにしましょう。

因果推論を活用するには

　本連載では発展的な手法も紹介したため，読者の中には「因果推論は難しい」と感じた方もいたかもしれません。3人の筆者も，因果推論が簡単なものとは思っていません。では，時に難解に感じる因果推論の意義について，あらためて考えてみましょう。

　どの因果推論の手法にも，前提となる仮定や対象の範囲が定められており，慎重に推論する必要があります。一方で，研究結果から因果関係を慎重に評価・議論することは科学的な作業です。そのプロセスを経ることで，臨床研究・疫学研究は妥当で力強い示唆を与えるようになると私たちは確信を持っています。

　理論として学問的価値の高い因果推論は，実際の研究場面への応用によってその価値が一段と高まります。応用の場においては，重要性の高いリサーチクエスチョンに取り組むことが意義深い研究を行う上で最も大切です。これは，第1回に強調した通りです。価値の高い研究とは新規性の高い研究だけではありません。臨床や社会医学で重要性の高い課題に取り組んだ先行研究の批判的な吟味も対象となります。つまり，エビデンスが十分でないと考えられる分野・テーマを見つけ，因果推論の手法を用いてより妥当できめ細かい結果を導く作業も，価値のある研究となり得るのです。例えば先行研究で，介入の効果が全体としては報告されていても，効果のばらつき（異質性，第8回参照）が議論されていない場合もあるでしょう。その場合，効果の異質性を評価し，ある特性を持った集団での介入について示唆を得る研究ができれば，それは十分に価値を生むことになります。

因果推論の考え方を広げることの重要性

　完璧な臨床研究や疫学研究は存在しません。因果推論の適切な手法をどれだけ重要な問いに応用しても，1つの研究には必ず限界があるからです。そのため，図に示すようにリサーチクエスチョンを磨き上げ，より良いデータを取得して，さらに洗練された因果推論の手法を用いて研究を行うという繰り返しを行います。それによって，より質の高いエビデンスが蓄積されるのです（註）。同じテーマを複数のデータと手法から，異なる仮定に基づき解析する「トライアンギュレーション・アプローチ」によって，真の結果に近づく努力をすることも大切であるといわれています^1）。

　また，研究が好循環を生むには，周囲の理解が不可欠です。因果推論を既存データに適用すると，データの限界に直面し，新たなデータ収集の必要性を痛感することがあります。新しいデータ取得の過程には多くの人がかかわります。そこで，研究を有効に実行するには，新たなデータ収集が必要と考えるに至った経緯と研究の重要性を研究メンバーと共有する必要があり，その際には因果推論の概念が議論の基盤になります。加えて，論文や研究事業などにおいて，因果推論の重要性を理解した査読者・評価者がいることで，研究は大きく前進することになります。臨床医，公衆衛生の実務家，政策立案者から質の高い因果推論の研究について正しい理解が得られると，医療，公衆衛生，政策立案の各場面で，研究成果が適切にトランスレーションされることにつながるでしょう。

　ご自身の研究に因果推論を生かして質の高いエビデンスを提供するのはもちろん，研究者間，また研究者以外の立場の方との間でも因果推論の考え方を広げ建設的な議論を交わすことで，科学的な議論を尊重する土壌の形成につながります。この土壌の上で「適切な因果推論に基づくエビデンスの蓄積」を生む好循環を起こすことで，人と社会の健康に向けた医療・公衆衛生が実現できると信じています。私たちも引き続き，土壌形成とエビデンス蓄積のプロセスに貢献していきたいと思います。連載を読んでくださった皆さま，ありがとうございました。

---

註： 類似した概念に，PPDACサイクルがある。PPDACはProblem-Plan-Data-Analysis-Conclusionの頭文字をつなげたもので^2），国内外のデータサイエンスや統計学の教育でも使われる問題解決のためのプロセスである。
謝辞：ご助言いただいた国立国際医療研究センターの今井健二郎先生に感謝申し上げます。

参考文献・URL

1）Nature. 2018［PMID：29368721］
2）Wild CJ, et al. Statistical thinking in empirical enquiry. International statistical review. 1999；67（3）：223-48.