服薬アドヒアランス研究のための統計的考察。

Statistical considerations for medication adherence research.

• Josh DeClercq
• Leena Choi

抄録

薬物療法の非服薬は広く問題となっており、健康状態の悪化や医療費の増加と関連していることが知られています。服薬アドヒアランスの指標は数多く開発されていますが、その使用法は研究間で一貫性がありません。さらに、アドヒアランス指標を分析するための統計的手法は厳密に評価されていません。一般的に使用されているアドヒアランス指標であるカバー日数の割合（Proportion of Days Covered: PDC）を用いて、研究の対象基準とPDCの計算方法のいくつかのバリエーションに内在する変動性を、動機付けとなるデータの例を用いて検討しました。PDCをアウトカム指標としてモデル化する際に、欠陥のある推論の可能性があることを感度分析を用いて説明しました。また、3つの統計モデル（ロジスティック回帰、負の二項式、順序ロジスティック回帰モデル）の統計的特性を調査するためのシミュレーション研究も行った。感度分析の結果、パラメータの推定値は、PDCを計算する際の研究終了日の決定ルールや、コホートを定義する際の最小フィル数に応じて大きく変化することが示された。シミュレーション研究では、ロジスティック回帰は順序ロジスティック回帰や負の二項回帰モデルよりも検出力が低かった。治療に対するナイーブさはアドヒアランスの重要な予測因子であり、統計モデルからそれを省略するとI型エラーが膨らむことになります。アドヒアランスデータを二分化することは、検出力が低くなるのでお勧めしません。負の二項モデルは、回帰モデルで問題となる比率を使用しないため、アドヒアランスデータのモデル化に有利です。順序ロジスティック回帰は、より大きな検出力で分布の仮定に頑健ですが、治療に対するナイーブさは、タイプIのエラー率を確保するために調整する必要があります。また、PDCを計算する際の観察窓を定義するための推奨事項も提供しています。

Medication non-adherence is a widespread problem and has been known to be associated with worse health outcomes and increased healthcare costs. Although many measures of adherence have been developed, their usage is not consistent across studies. Furthermore, statistical methods for analyzing adherence measures have not been rigorously evaluated. Using Proportion of Days Covered (PDC), a commonly used adherence measure, we examine the variability inherent to study inclusion criteria and several variations of the PDC calculation method using a motivating data example. We illustrated via sensitivity analyses the potential for flawed inference when modeling PDC as an outcome measure. We also performed simulation studies to investigate the statistical properties of three statistical models: logistic regression, negative binomial, and ordinal logistic regression models. Our sensitivity analysis showed that parameter estimates can vary greatly depending on the rules for determining the study end date in calculating PDC, or the minimum number of fills in defining the cohort. In simulation studies, logistic regression had lower power than ordinal logistic and negative binomial regression models. Naivete to treatment was an important predictor of adherence and omitting it from statistical models can lead to inflated type I errors. We discourage dichotomizing adherence data as it results in low power. The negative binomial model offers advantages in modeling adherence data, as it avoids the problematic use of a ratio in regression models. The ordinal logistic regression is robust to distributional assumptions with greater power, but naivete to treatment should be adjusted to reserve type I error rate. We also provide a recommendation for defining the observation window in calculating PDC.