「コーヒーを飲む人は、飲まない人より脳卒中が少ない」

このような研究結果を見ると、多くの人は自然とこう解釈します。

「コーヒーには、脳卒中を予防する効果があるから飲んだ方が良さそうだ」

しかし、観察された関連と、因果関係は同じではありません。

有名な例に、「アイスクリームが売れると水難事故が増える」という話があります。

アイスクリームが水難事故を起こしているわけではありません。気温が高くなることで、アイスクリームの販売も増え、海や川で遊ぶ人も増える。その結果として、水難事故も増えます。

両者の背後にある共通原因は「暑さ」です。

コーヒーと脳卒中の関係にも、同じ問題が潜んでいます。

コーヒーを適度に飲む人は、飲まない人と比べて、健康状態、生活習慣、所得、教育歴、運動習慣、社会活動などが異なるかもしれません。

反対に、高血圧、不整脈、睡眠障害、心血管疾患などを持つ人が、体調や医師の指示によってコーヒーを控えている可能性もあります。

この場合、

「コーヒーを飲まないから脳卒中が増えた」

のではなく、

「もともと脳卒中リスクが高い人がコーヒーを飲まなくなった」

という逆因果かもしれません。

もちろん、コーヒーにはポリフェノールなどの成分が含まれており、生理学的な作用機序を想定することはできます。

しかし、作用機序が考えられることと、実際に脳卒中を予防することが証明されたことも、また別の話です。

多くの観察研究で同じ傾向が再現されたとしても、それだけで因果性が確定するわけではありません。

同じ交絡構造を持った研究を多数集めれば、結果の再現性は高まります。しかし、それは「相関が繰り返し観察された」ことを意味するのであって、「原因であることが証明された」こととは異なります。

したがって、科学的に慎重な表現は、

「適度なコーヒー摂取者では、脳卒中発症率が低い傾向が観察されている」です。

一方、

「コーヒーを飲めば脳卒中が予防できる」

と表現した瞬間に、観察研究の結果を介入効果へと置き換えています。

ここに、現在の医療・健康情報が抱える大きな問題があります。

研究では「関連が認められた」と書かれていても、報道では「効果がある」に変わり、SNSでは「飲めば予防できる」にまで変換されます。

相関、予測、因果、介入効果。

これらは似ているようで、意味はまったく異なります。

必要なのは、単にリスク比を見ることではありません。

年齢、喫煙、飲酒、血圧、睡眠、所得、持病、服薬、コーヒーを控えるに至った経路などを整理し、

「どの変数が原因で、どの変数が結果で、どこに交絡が存在するのか」

を構造として検討する必要があります。

コーヒーと脳卒中の研究が示しているのは、コーヒーの効能だけではありません。

それ以上に重要なのは、私たちがどれほど簡単に「相関」を「原因」へと読み替えてしまうかということです。

問うべきなのは、

「コーヒーを飲む人の脳卒中が少ないか」

だけではありません。

「コーヒーを飲まなかった同じ人が、もしコーヒーを飲んでいたなら、脳卒中リスクは本当に下がったのか」

この反実仮想に答えて初めて、因果性を論じることができます。

健康情報を見るときに必要なのは、結果を信じることではなく、その結果が生まれた構造を読むことです。

高市首相が、内閣支持率の低下について理由がわからないと答弁したことが話題になっています。アナリストも原因特定は難しいと言っています。

従来分析では、なぜ原因が分からないのか

通常の世論調査では、まず全体の支持率を比較します。

先月70％ → 今月62％
したがって8ポイント低下

しかし、これは結果の集計であって、低下を生んだ構造ではありません。

次に、年代別、性別、地域別などを個別に見ます。

• 若者で低下した
• 女性で低下した
• 都市部で低下した
• 無党派層で低下した

ところが、実際の支持変化は、

若者だから下がった
女性だから下がった
地方だから下がった

という単純なものではありません。

例えば、

30代女性 × 首都圏 × 無党派 × 子育て世帯 × 物価上昇を強く実感 × 消費税減税を期待していた層

では大きく低下した一方、

30代女性 × 地方 × 自民党支持 × 安全保障重視層

では支持が維持されている可能性があります。

つまり、年齢、性別、地域がそれぞれ独立して作用するのではなく、条件の組合せによって意味が変わるのです。

分布構造分析が見るのは「平均低下」ではなく「低下の形」

分布構造分析を使うなら、支持率が何ポイント下がったかだけでなく、回答者ごとの支持変化を構造化します。

例えば、前回と今回の回答を追跡できるパネルデータがあれば、回答者を次のように分類できます。

• 支持を維持した
• 支持から不支持へ転じた
• 支持から判断保留へ移った
• 不支持から支持へ転じた
• 一貫して不支持だった

そのうえで、分布構造分析は「支持離れした人の平均像」を作るのではなく、支持離れが集中している複数の構造を探索します。

例えば、同じ支持離れでも、

1. 物価・減税を理由とする生活防衛型
2. 政策の後退や説明不足に反応した期待剝落型
3. 皇室・外交・安全保障など個別政策への反発型
4. 政権運営や発言への信頼低下型
5. 特定の出来事ではなく、複数要因が蓄積した漸減型

に分かれているかもしれません。

全体支持率という一つの数字の内部に、異なる理由、異なる速度、異なる条件を持つ複数の支持離れが混在している可能性があります。

これはまさに、平均値や単純なクロス集計によって隠される分布構造です。

DAGは「誰が離れたか」から「なぜ離れたか」へ進む

ただし、分布構造分析だけで原因を断定することはできません。

そこでDAGを使い、支持率低下に至る仮説構造を明示します。

例えば、

物価上昇の実感→ 政府の経済対策への評価低下→ 首相への信頼低下→ 内閣不支持

という経路が考えられます。

一方で、

年齢→ 利用するメディア→ 接触する政治情報→ 政策認識→ 支持変化

という経路もあります。

この場合、年齢は支持低下の直接原因というより、情報接触や政策評価を変える上流条件かもしれません。

さらに、

所得
→ 物価上昇の負担感→ 減税への期待→ 政府対応への失望→ 支持離れ

という経路も想定できます。

性別や地域も同様です。性別そのものが支持率を下げるのではなく、就業形態、家計負担、子育て、介護、情報接触などを通じて影響している可能性があります。

したがってDAGの役割は、属性をそのまま「原因」と呼ぶことではなく、

どの属性が、どの経験や認識を通じて、支持変化につながったのか

を分解することです。

分布構造分析（DSA）＋DAGなら「支持率低下の原因」を単一回答にしない

この問題に対する最も重要な転換は、原因を一つに決めようとしないことです。

従来の政治分析では、

• 消費税政策が原因
• 皇室問題が原因
• 物価高が原因
• 説明不足が原因
• 保守層離れが原因

といった単一のストーリーを競わせがちです。

しかし実際には、支持率低下は複数の経路の合成である可能性が高いでしょう。

DSA＋DAGなら、例えば次のように表現できます。

全体の支持率低下は単一要因ではなく、
①若年無党派層における経済政策への期待剝落、
②従来の保守支持層における個別政策への反発、
③女性・子育て世帯における生活負担と対策評価の乖離、
④政権運営への信頼低下、
という異なる構造が、異なる集団で同時に発生した結果である。

ここまで示せれば、「支持率が下がった理由が分からない」という状態から、かなり前進します。

ただし、公開されている集計表だけでは足りません

最大の課題はデータです。

報道機関が公表する、

• 全体支持率
• 男女別
• 年代別
• 政党支持別

程度の集計表では、十分なDSA＋DAG解析は困難です。

必要なのは、可能なら同一人物を追跡した匿名化個票データです。

最低限でも、

• 前回と今回の支持回答
• 年齢、性別、地域
• 所得や職業、世帯構成
• 政党支持
• 重視する政策
• 各政策への評価
• 首相への信頼
• 利用メディア
• 調査期間中に認識した出来事
• 支持・不支持理由の複数回答または自由記述

が必要です。

特に重要なのは、単月の横断調査ではなく、同じ回答者が支持から不支持へ変化した過程を追うパネル調査です。異なる人を毎月調査しているだけでは、本当の意見変化と標本構成の変化を区別しにくいからです。

結論

これは従来型の支持率分析の限界を示す典型例です。

支持率という一つの平均値が下がったとき、求めるべきなのは「最大の原因は何か」という一つの答えではありません。

誰の支持が、
どの条件の組合せで、
どの認識変化を経由して、
どの出来事の後に失われたのか。

DSAは、全体値の内部に隠れた複数の支持変化構造を発見します。
DAGは、それぞれの構造について、原因候補と媒介経路、交絡を整理します。

したがって、DSA＋DAGが提示する答えは、

「支持率低下の理由はこれです」

ではなく、

「支持率低下は、異なる集団における複数の因果経路が合成されて生じています」

となります。

それこそが、首相にもアナリストにも説明できなかった「理由」を、説明可能な構造へ変える分析だと思います。

――DSA＋DAGから見る「標準治療」と「個別化治療」

診療ガイドラインは、科学的根拠に基づいて作られた「平均的に最も妥当な治療方針」です。しかし、ガイドライン通りに治療したからといって、すべての患者が同じように良くなるわけではありません。

これは、ガイドラインが間違っているからではありません。

ガイドラインが主に答えているのは、「この病名を持つ患者集団に、どの治療を行うと、平均的に良い結果が得られるか」という問いだからです。

一方、実際の臨床で知りたいのは、

「目の前のこの患者には、なぜこの病態が生じており、どの治療が有効なのか」

という問いです。

この二つは似ていますが、同じではありません。

ガイドラインは患者を「病名」でまとめる

高血圧であれば、ガイドラインは血圧値、年齢、合併症、臓器障害、心血管リスクなどを基に、推奨される降圧目標や薬剤を提示します。

これは医療の標準化、安全性の確保、治療のばらつきの抑制という点で不可欠です。

しかし、「高血圧」という同じ診断名が付いていても、血圧が上昇する仕組みは患者ごとに異なります。

血圧は概念的には、

血圧＝心拍出量×末梢血管抵抗

によって規定されます。

心臓から送り出される血液量が多いために血圧が高い患者もいれば、血管が収縮して抵抗が高いために血圧が上がっている患者もいます。両方が関係している患者もいます。

今回報告された研究は、インピーダンス・カルジオグラフィ、すなわちICGを用いて、高血圧を「心拍出量依存性」「末梢血管抵抗依存性」「混合型」に分類し、その循環動態に対応する薬剤を選択するというものでした。研究対象は二つの米国医療集団を合わせて1万4,058例であり、治療後には高い血圧管理率が報告されています。ただし、これは基本的に観察データであり、通常診療との無作為比較によって効果が確定したわけではありません。

この研究を分布構造分析＋因果推論モデルの視点で見ると、単なる「検査による薬剤選択」以上の意味が浮かび上がります。

分布構造分析が見るのは、平均値ではなく集団内部の構造である

通常のガイドラインでは、「高血圧患者」という大きな集団における薬剤の平均的効果が重視されます。

しかし、その平均値の内部には、異なる患者群が混在しています。

例えば、ある薬剤による収縮期血圧の平均低下が10mmHgだったとしても、実際には、

• 20mmHg低下する患者
• ほとんど変わらない患者
• 副作用によって継続できない患者
• 一時的には低下するが再上昇する患者

が含まれている可能性があります。

平均10mmHgという結果だけでは、この構造は見えません。

分布構造分析が確認するのは、治療反応の平均値だけではなく、その分布です。

治療反応が一つの山を形成しているのか、反応群と非反応群に分かれているのか、極端な反応を示す患者が裾に存在するのか、背景因子によって分布が非対称になっているのかを見ます。

ガイドラインが示す「標準治療の効果」は、複数の異なる病態構造を一つの平均値に圧縮した結果かもしれません。

したがって、分布構造分析の観点からは、

ガイドライン通りに治療して良くなるか

という問いには、一つの管理率や平均降圧量だけでは答えられません。

正確には、どのような構造を持つ患者群が、どの程度改善し、どの患者群が改善しなかったのか、を確認する必要があります。

3類型は固定された「体質」ではなく、変化する「状態」かもしれない

今回の研究で特に重要なのは、初回治療で血圧目標を達成できず、ICGが再評価された患者の約半数で、循環動態の類型が変更されたことです。

これは、「心拍出量依存性」「末梢血管抵抗依存性」「混合型」という分類が、患者に固定された生涯不変の属性ではない可能性を示しています。

治療によって心拍出量を抑えれば、相対的に末梢血管抵抗が残るかもしれません。反対に、血管抵抗を低下させた結果、別の循環動態が顕在化する可能性もあります。服薬状況、塩分摂取、体液量、交感神経活動、測定時の状態などによっても分類は変化し得ます。

分布構造分析的に言えば、患者は最初から三つの箱のいずれかに完全に所属しているのではありません。

循環動態は連続的な分布を持ち、その一部を閾値によって三分類していると考える方が自然です。

したがって、類型化の意義は「患者に永久的なラベルを付けること」ではなく、

現時点で、血圧上昇に最も強く寄与している構造を把握することにあります。

これは、診断というよりも、治療の途中で繰り返し更新される「状態評価」に近いものです。

因果推論モデルが問うのは、「なぜ血圧が下がったのか」である

ICGに基づく治療後に血圧管理率が上昇したとしても、それだけで「循環動態に薬剤を適合させたことが原因」とは断定できません。

因果推論モデルでは、少なくとも次のような因果経路を区別する必要があります。

循環動態の評価
→ 病態に適合した薬剤選択
→ 血圧低下

これは研究が想定する中心的な因果経路です。

しかし、実際には別の経路も考えられます。

ICG検査
→ 医師の関心と治療強度の上昇
→ 薬剤の増量・変更
→ 血圧低下

あるいは、

患者への病型説明
→ 治療への納得
→ 服薬遵守の改善
→ 血圧低下

さらに、

短い間隔での再診・再評価
→ 治療惰性の減少
→ 血圧低下

という経路もあります。

今回の診療では、患者に自身の循環動態の類型と、処方薬がその類型に適していることが説明され、生活習慣改善も推奨されています。このため、効果には薬理学的なマッチングだけでなく、患者の理解、服薬行動、医師の治療姿勢、再診頻度などが含まれている可能性があります。

過去の研究では、ICGに基づく治療が通常治療より短期的な血圧低下を大きくする可能性が無作為試験でも示されており、以前の複数研究をまとめた解析でも目標血圧達成に有利な結果が報告されています。

しかし、それでも「ICGが病態を正確に分類したから効いた」のか、「ICGを使う診療プロセス全体が効いた」のかは、さらに分解して検証する必要があります。

因果推論モデルの役割は、相関を否定することではありません。

観察された改善を、どの因果経路によるものとして解釈できるのか、その主張可能範囲を明確にすることです。

「ガイドライン通り」と「同じ薬を全員に使う」は同義ではない

ガイドライン医療が批判される際、「ガイドラインは画一的である」と語られることがあります。

しかし、本来のガイドラインは、すべての患者に同じ治療を強制するものではありません。

ガイドラインは、治療の出発点、避けるべき選択、安全性の範囲、目標設定の根拠を示すものです。患者の合併症、副作用、年齢、臓器機能、希望、治療反応に応じて個別化することも、ガイドライン医療に含まれます。

問題は、ガイドラインそのものというより、

ガイドラインに薬剤名が書かれていることを理由に、患者の病態を再評価せず、推奨薬を順番に追加し続けることです。

推奨薬を追加することは、ガイドラインへの形式的な適合にはなります。しかし、患者の血圧がなぜ下がらないのかを説明してはいません。

服薬不良、白衣高血圧、二次性高血圧、塩分過剰、体液量増加、交感神経亢進、薬剤の組み合わせ、測定誤差など、管理不良の原因は複数存在します。

ICGによる分類も、その中の循環動態という一つの層を可視化するものにすぎません。

分布構造分析＋因果推論モデルが提案するのは、ガイドラインの否定ではなく階層化である

分布構造分析＋因果推論モデルの視点では、治療は次のような階層で考える必要があります。

第一層は、ガイドラインによる安全性と標準性の確保です。

第二層は、分布構造分析による患者集団内部の構造把握です。誰が反応し、誰が反応せず、反応の分布がどのような形を持っているかを確認します。

第三層は、因果推論モデルによる因果構造の推定です。どの病態因子が血圧上昇を生み、どの治療がその経路に作用するのかを整理します。

第四層は、治療後の再評価です。治療によって構造自体が変化するため、初回分類を固定せず、状態を更新します。

この構造では、ガイドラインと個別化医療は対立しません。

ガイドラインは「平均的に妥当な入口」を示し、分布構造分析は「患者集団の中に隠れた違い」を明らかにし、因果推論モデルは「その患者にその治療を選ぶ因果的理由」を与えます。

血圧が下がることと、患者が良くなることも同じではない

今回の研究では、主要な成果として「140/90mmHg未満」の達成率が示されています。

しかし、「患者が良くなる」という言葉には、さらに複数の階層があります。

• 診察室血圧が低下する
• 家庭血圧や24時間血圧が改善する
• 副作用なく治療を継続できる
• 心筋梗塞や脳卒中が減少する
• 腎機能や認知機能が保たれる
• 入院や死亡が減少する
• 生活の質が改善する

これらは同じアウトカムではありません。

提示された研究におけるSPRINT試験との心血管イベント率の比較は興味深いものですが、無作為化されていない別集団同士の比較です。患者背景、観察方法、イベント判定、治療内容、受診行動などが異なるため、ICGに基づく治療が心血管イベントを減らしたという因果的結論には使えません。

ここは、分布構造分析＋因果推論モデルが最も慎重になる部分です。

血圧管理率の改善という「代理アウトカム」から、心血管予後の改善という「臨床アウトカム」へ、因果的主張を自動的に拡張してはいけません。

結論

ガイドライン通りに治療すれば、平均的には良くなる可能性が高まります。

しかし、ガイドライン通りに薬を追加したという事実だけでは、目の前の患者が良くなるとは限りません。

なぜなら、同じ病名の中に異なる病態構造が存在し、同じ薬剤に対する反応も均一ではなく、さらに病態構造は治療によって変化するからです。

今回のICG研究が示している本質は、「新しい三分類が発見された」ということだけではありません。

ガイドラインが病名に対応する治療を示すのに対し、個別化医療は、その時点の病態構造に対応する治療を選ぶ

という転換です。

分布構造分析＋因果推論モデルの立場から見ると、これからの医療で問われるべきなのは、

ガイドラインに従ったか

だけではありません。

患者集団の中にどのような構造があり、目の前の患者ではどの因果経路が作動し、その経路に対して治療が適切に介入したか

です。

ガイドラインは治療の答えではなく、安全で合理的な出発点です。

その先で、患者の構造を測定し、因果関係を仮定し、治療反応によってその仮定を更新する。

ガイドライン医療を本当に患者の改善につなげるために必要なのは、ガイドラインから離れることではなく、ガイドラインの上に分布構造分析＋因果推論モデルによる構造的・因果的判断を積み重ねることなのです。