レジストリ研究におけるPROM欠測データの「見えない壁」を乗り越える：実践的ワークフローの提案

10月 27, 2026 · 論文解説

🎧 この記事を音声で聴く（AI生成Podcast）

解説対象論文: A pragmatic workflow for handling missing PROM data in registry studies: a methodological scoping review and simulated worked example
BMC Medical Research Methodology｜被引用数: 0（2026年10月27日時点）

医療の質向上と対象者中心のケアの推進において、対象者報告アウトカム測定（PROMs）は臨床的な評価項目を補完する重要な情報源となっています。近年、臨床品質レジストリに広く統合されていますが、このレジストリベースのPROMデータには、分析の信頼性を脅かす欠測データの問題が頻繁に発生します。本稿では、Eriksson氏によるオープンアクセス論文に基づき、レジストリ研究におけるPROMデータの欠測問題に効果的に対処するための実践的なワークフローと、その重要性について解説します。

研究サマリー（FINER & PICO）

Feasible実施可能性	提案されたワークフローは、既存データと専門的ソフトウェアを不要とするRスクリプトを用いて実装可能であり、多くのレジストリ設定で実行可能である。
Ethical倫理面	本研究は、シミュレーションデータと公開済み文献の監査のみを使用し、対象者のデータや倫理的承認は不要であるため、倫理的な懸念は低い。
Interesting面白さ	レジストリ研究におけるPROMデータの欠測問題という、分析の信頼性に直結する重要な課題に対する実践的解決策を提示している点で興味深い。
Novel新規性	MNAR感度分析の確立された手法であるティッピングポイント分析が、レジストリPROM研究においてほとんど活用されていない現状を明らかにし、そのための実践的ワークフローを提案している点で新規性がある。
Relevant切実さ	PROMデータに基づくレジストリ研究の推論の妥当性を高め、臨床的意思決定や医療政策策定に貢献する可能性があり、その結果、対象者のケアの質向上に繋がる点で関連性が高い。
Measurable測定可能性	ワークフローによって提案されるIPW推定値、SMD、ティッピングポイントδ*、および堅牢性分類はすべて定量的に評価可能である。
Modifiable派生・改善	提案されたワークフローは、現在のレジストリ研究の報告慣行を改善するための具体的な手順と推奨事項を提供しており、実践を修正できる。
Structured文章構造	ワークフローは、ノンレスポンス診断、IPWを用いた主要分析、ティッピングポイント分析によるMNAR感度分析という3つの明確なステップで構成されており、構造化されている。
PICO / PECO対象・介入・比較・結果	対象者（P）: レジストリベースのPROM研究における対象者、介入（I）: 提案された3ステップの実践的ワークフロー（ノンレスポンス診断、IPW主要分析、MNAR感度分析）、比較（C）: 従来の欠測データ処理法（例: 完全ケース分析）やMNAR感度分析の非使用、アウトカム（O）: 欠測データ処理の堅牢性と透明性の向上。

はじめに：PROMデータの重要性と潜む課題

どうも、Beyond the Pixelです。医療の質向上と対象者中心のケアの推進において、対象者報告アウトカム測定（PROMs）は臨床的な評価項目を補完する重要な情報源となっています。PROMsは、対象者自身の視点から症状、機能、健康関連の生活の質を捉え、近年、臨床品質レジストリに広く統合されています。特に北欧諸国では急速にその統合が進み、低コストで大規模な観察研究が可能になっています。しかし、このレジストリベースのPROMデータには、分析の信頼性を脅かす二つの構造的に異なる欠測データの問題が頻繁に発生します。一つは、PROMsを一度も提出しない「Never-responders（ネバーレスポンダー）」と呼ばれる対象者の存在です。彼らの不参加は、高齢、高い併存疾患負担、低い社会経済的地位、より重篤な疾患と関連していることが多いとされています。もう一つは、ベースラインで回答した対象者でも、その後の追跡期間で回答しなくなる「Dropout（ドロップアウト）」です。これは健康状態の悪化が回答能力や意欲を低下させることによって生じることが多く、見過ごされた結果そのものに欠測の確率が依存する「Missing-not-at-random（MNAR、非ランダム欠測）」メカニズムが起こりやすいと考えられています。本稿では、Eriksson氏によるオープンアクセス論文「A pragmatic workflow for handling missing PROM data in registry studies: a methodological scoping review and simulated worked example」に基づき、レジストリ研究におけるPROMデータの欠測問題に効果的に対処するための実践的なワークフローと、その重要性について解説します。

レジストリ研究における欠測データ分析の現状：見過ごされてきた問題

本研究では、レジストリベースのPROM研究における欠測データ処理の実態を明らかにするため、PubMed、Embase、CINAHLの3つのデータベースを対象に、2018年から2024年までの期間で構造化された検索と文献レビューを実施しました。その結果、重複排除とスクリーニングを経て、欠測データ処理に関する議論が明示されている61のレジストリベース観察PROM研究（北欧の17件、グローバルの44件）が分析対象となりました。この文献レビューは、PRISMA-ScRガイドラインに準拠した方法論的スコーピングレビューとして実施されました。監査の結果は、レジストリ研究における欠測データ処理の実践に大きなギャップがあることを示しています。分析対象となった61の研究のうち、24件（39%）は欠測データ戦略について何も言及していませんでした。また、MNARに対する感度分析を報告していたのは18件（30%）でしたが、厳密なMNARモデルを使用していたのはわずか5件（8%）に留まりました。さらに驚くべきことに、MNAR感度分析の手法として、メソッドや補足資料で「Tipping-point analysis（ティッピングポイント分析）」が報告されていた研究は皆無（0%）であり、「Delta adjustment（デルタ調整）」が報告されていたのはわずか1件（1.6%）のみでした。Never-respondersとDropoutを区別していた研究も17件（28%）に過ぎませんでした。これらの知見は、MNAR感度分析の手法が方法論的に十分に確立されているにもかかわらず、実際のレジストリPROM研究においてほとんど活用されていない現状を浮き彫りにしています。

**Table 2.** Table 2 Full-text audit of missing data reporting in registry- based PROM studies (2018–2024; n = 61) Reporting item Total sample (n = 61)**解説:** 本表は、2018年から2024年にかけて公開されたレジストリベースPROM研究（n=61）における欠測データ報告に関するフルテキスト監査の結果をまとめています。欠測データ戦略の明示、回答者と非回答者の比較、Never-respondersと追跡ドロップアウトの区別、MNAR感度分析の報告、正式なMNARモデルの使用、デルタ調整やティッピングポイント分析の有無などの報告項目について、該当する研究の割合が示されています。

著者らは、このギャップの理由として、既存の厳密なMNAR分析手法が専門的な統計知識と強力なモデリング仮定を必要とすることから、多くのレジストリ環境では日常的に実施が困難である点を指摘しています。

実践的な3ステップワークフロー：MNARデータへの新たなアプローチ

著者らは、レジストリベースのPROM研究における欠測データ処理のギャップを埋めるため、専門的なインフラを必要とせずに導入可能な実践的な3ステップのワークフローを提案しています。このワークフローは、非ランダム欠測（MNAR）の可能性が高いPROMデータに対して、より堅牢な分析を可能にすることを目的としています。

**Figure 1.** Fig. 1 Three-step workflow for handling missing PROM data in registry-based studies. Step 1 produces a covariate imbalance profile (SMD love plot) that informs propensity model specification in Step 2. Step 2 yields an IPW-adjusted treatment effect under missing-at-random (MAR), reported alongside the complete-case estimate. Step 3 applies asymmetric delta adjustment across a grid of δ values to identify the tipping point δ at which the primary conclusion would be reversed, with results classified as Stable (δ* > 10), Sensitive (δ* 5–10), or Unstable (δ* < 5). Outputs from all three steps map directly to the Minimum Reporting Set (Table 1). The δ thresholds shown are illustrative only and should be adapted to the minimally important difference (MID) of the instrument in use. SMD = standardized mean difference; IPW = inverse probability weighting; MAR = missing at random; MNAR = missing not at random; CC = complete case.解説: 本図は、レジストリベース研究におけるPROM欠測データ処理のための3ステップワークフローを示しています。ステップ1は非回答診断、ステップ2はIPWによる主要分析、ステップ3はMNARティッピングポイント分析で構成されます。これらのステップは、最終的に最小限の報告セットに直接対応します。

ステップ1：ノンレスポンス診断

最初のステップでは、PROMデータを提供しないNever-respondersと、ベースライン回答後に追跡で回答しなくなるDropoutを構造的に区別することが推奨されます。そして、回答者と非回答者の間で、ベースラインの共変量（年齢、併存疾患、疾患ステージ、社会経済的地位、治療など）に基づいて「Standardized Mean Differences（SMD、標準化平均差）」を用いて比較を行います。SMDは、サンプルサイズに左右されやすいp値よりも、選択バイアスの可能性を定量化する上で優先されます。SMDが0.10を超える場合は、潜在的に意味のある不均衡（インバランス）があることを示唆しており、これは共変量バランス評価における一般的な閾値として用いられます。これらの診断結果は、SMDラブプロットとして視覚的に表現することができます。

ステップ2：主要分析戦略（IPWファースト）

レジストリベースのPROM研究における主要な分析戦略として、「Inverse Probability Weighting（IPW、逆確率重み付け）」が推奨されています。IPWは、回答する確率が低い特性を持つ対象者に重み付けを行うことで、観察されたケースを再重み付けします。ベースライン回答者の間でロジスティック回帰を用いて応答確率モデルを構築し、各回答者の応答予測確率の逆数を分析重みとして使用します。極端な重みの影響を抑えるため、重み付けは1パーセンタイルと99パーセンタイルで打ち切ることが推奨されます。完全ケース分析（CC）とIPWによる推定値は、比較のために並べて報告すべきです。構造的なベースラインノンレスポンスと追跡時のドロップアウトの両方がある場合、IPWの重みは、ベースライン応答モデルと追跡応答モデルの2段階の応答確率の積として形成されます。

ステップ3：MNAR感度分析：デルタ調整とティッピングポイント

最終ステップは、MNAR感度分析です。特に「Tipping-point analysis（ティッピングポイント分析）」は、「我々の結論を変えるためには、MNAR仮定がどれほど厳しく破られなければならないか？」という、臨床的に解釈可能な問いに答える優れた手法です。この方法では、欠測PROM値が、MAR仮定の下での予測値よりも平均してデルタ（δ）ポイント低い（悪い）と仮定します。このデルタ値を様々な範囲で繰り返し分析し、推定された治療効果がゼロまたは事前に指定された臨床的閾値を超えるデルタ値（δ*）を「ティッピングポイント」として特定します。非対称なMNARメカニズムを反映するため、デルタ調整は曝露群（治療群など）によって異なる適用が可能です。δ*は、固定された数値閾値ではなく、使用するPROM測定尺度の「Minimally Important Difference（MID、最小重要差）」と相対的に解釈されるべきです。結果の堅牢性（ロバストネス）は、「Stable（安定）」（δ* > 10点）、「Sensitive（敏感）」（δ* 5～10点）、「Unstable（不安定）」（δ* < 5点）の3段階で分類されますが、これらの閾値は使用する測定尺度に合わせて調整されるべきです。

シミュレーションによるワークフローの検証

提案されたワークフローの有効性を示すため、著者らはN=8,000のレジストリのようなコホートをシミュレーションしました。このシミュレーションでは、年齢、疾患ステージ、併存疾患数、社会経済的地位（SES）の代理変数、二値の治療指標といった一般的な北欧レジストリの共変量が設定されました。ベースラインと12ヶ月の追跡期間で連続的なPROMスコア（0〜100、高い方が良好）が生成され、主要シナリオでは真の治療効果が+0.8 PROMポイント、副次シナリオでは+4.0 PROMポイントと設定されました。3つの欠測データ要素がシミュレートされました。具体的には、（1）年齢、SES、併存疾患、ステージに依存するNever-responders（コホートの約37%）、（2）Never-responders以外の対象者における散発的なベースラインノンレスポンス、および（3）観察された共変量と観察されていない追跡PROM値の両方に依存する、治療群によって異なるMNARドロップアウトです。

シミュレーション結果：欠測プロファイルと診断

シミュレーションされた8,000人の対象者のうち、ベースラインPROMデータを提供したのは4,753人（59%）でした。Never-respondersは2,928人（37%）を占め、さらに319人（4%）が散発的なベースラインノンレスポンスを示しました。ベースラインで回答した対象者のうち、924人（19%）が12ヶ月の追跡時にドロップアウトし、完全なPROMデータを持つ対象者は3,829人（48%）となりました。ノンレスポンス診断は、Never-respondersとドロップアウトの二つのメカニズムについて別々に計算されました。Never-responseについては、併存疾患（SMD -0.27）、年齢（-0.19）、疾患ステージ（-0.17）、低SES（-0.16）によって不均衡が引き起こされていました。一方、ベースライン回答者における追跡ドロップアウトでは、ベースラインPROMが最も強い相関（SMD +0.38）を示し、次いで併存疾患（-0.36）、疾患ステージ（-0.28）が続き、治療群間でも不均衡（SMD -0.16）が見られました。これらの結果は、メカニズムを分離することで、プールされた比較では明らかにならなかった治療関連のドロップアウトが示され、IPWの重み付け仕様に直接的な影響を与えることが示されました。

**Figure 2.** Fig. 2 SMD love plot. Non-response diagnostics presented separately for the two missingness mechanisms in the simulated cohort. Panel A: standard ized mean differences (SMD) between patients with any PROM response and never-responders. Panel B: SMD between completers and follow-up drop outs among baseline responders. Negative SMD values indicate lower values or lower prevalence in the responding/completing group relative to the non-responding/dropout group. Dashed vertical lines indicate SMD = ± 0.10. Simulated cohort, N = 8000解説: 本図は、シミュレートされたコホートにおける二つの欠測メカニズム（A: Never-response、B: Follow-up dropout）に関するノンレスポンス診断を、標準化平均差（SMD）ラブプロットとして別々に提示しています。点線はSMD = ±0.10を示しており、各共変量（併存疾患、年齢、疾患ステージ、低SES、治療）における回答者と非回答者の不均衡を示しています。

主要分析とMNAR感度分析

主要シナリオ（真の治療効果+0.8 PROMポイント）における結果は以下の通りです。完全ケース分析（CC）による推定値は1.21 PROMポイント（95% CI: 0.69–1.72）でした。IPWで調整された推定値は1.22ポイント（95% CI: 0.69–1.74）であり、MNARメカニズムによる残存バイアスは最小限であることが示されました。2段階IPW推定値は1.23 PROMポイント（95% CI: 0.67–1.79）でした。ティッピングポイント分析では、点推定値がゼロを交差するティッピングポイントδ*は7.2ポイントでした。これは提案された堅牢性分類では「Sensitive（敏感）」に分類されます。つまり、治療群の非回答者がMAR仮定の下での予測値よりも系統的に7.2 PROMポイント悪い場合、主要な結論が覆ることを意味します。

**Table 3.** Table 3 Simulated worked example: treatment effect estimates across analytical strategies Analysis/result Primary scenario: true effect + 0.8解説: 本表は、シミュレートされたレジストリPROMコホート（N=8,000）における治療効果の推定値を、異なる分析戦略（完全ケース分析、単ステージIPW、2ステージIPW）で比較したものです。主要シナリオ（真の治療効果+0.8）と副次シナリオ（真の治療効果+4.0）について、完全な追跡PROMを持つ対象者数、推定値とその95%信頼区間、ティッピングポイントδ*、95%信頼区間が最初にゼロを含むδ値、および堅牢性分類が示されています。

**Figure 3.** Fig. 3 MNAR delta-adjustment sensitivity and tipping-point analysis. MNAR delta-adjustment sensitivity and tipping-point analysis in the primary and secondary simulated scenarios. Solid line: estimated treatment effect on follow-up PROM across values of δ, where δ represents the assumed systematic downward shift in unobserved PROM among treatment-group non-responders; control-group non-responders are shifted by δ/3. Shaded band: 95% confidence interval. Horizontal dashed line: null effect. Dotted vertical line: tipping point δ*, where the point estimate crosses zero. Dot-dash vertical line: δ value at which the 95% confidence interval first includes zero. In the primary scenario, δ* = 7.2 and the result is classified as sensitive; in the secondary scenario, δ* = 30.5 and the result is classified as stable. Simulated cohort, N = 8,000解説: 本図は、主要シナリオ（真の治療効果+0.8）と副次シナリオ（真の治療効果+4.0）におけるMNARデルタ調整感度分析とティッピングポイント分析の結果を示しています。横軸は、治療群の非回答者における未観察PROMの系統的な下方シフト（δ）を表し、縦軸は推定治療効果です。実線は推定治療効果、陰影部分は95%信頼区間を示し、点線の垂直線はティッピングポイントδ*を、点鎖線の垂直線は95%信頼区間が最初にゼロを含むδ値を示しています。

副次シナリオ（真の治療効果+4.0 PROMポイント）では、対応するティッピングポイントδ*は30.5ポイントであり、「Stable（安定）」に分類されました。これは、治療効果の証拠が強い場合、ワークフローが適切に安定した分類を生成することを示しています。この結果は、観察されたSMDが4〜6 PROMポイントの範囲であることを考慮すると、残存する未観察の差が7.2ポイントであることは臨床的に妥当性の境界線上にある可能性があり、30.5ポイントの系統的MNAR偏差はほとんどの臨床状況で考えにくいことを示しています。

実用的な提言と今後の展望

この研究が明らかにしたように、レジストリベースのPROM研究では、欠測データ処理、特にMNAR感度分析に関する報告実践に大きなギャップが存在します。既存の厳密なMNAR分析手法は専門知識と強いモデリング仮定を必要とするため、多くのレジストリ設定で日常的に実施することは困難です。著者らが提案する3ステップワークフローは、専門的なインフラなしに、このギャップを埋める実行可能で標準化可能な感度分析の「最低限の基準」を提供します。レジストリPROM研究は、

**Table 1.** Table 1 Minimum reporting set for registry-based PROM studies with missing data Domain Minimum requirement Rationale PROM flow Collection timepoints; mode of data collection (paper/elec tronic/mixed); N invited per timepoint解説: 本表は、欠測データを伴うレジストリベースPROM研究における最低限の報告セットを示しています。PROMデータの収集状況、欠測プロファイル、ノンレスポンス診断、主要な分析戦略、結果、MNAR感度分析、および堅牢性分類といった項目ごとに、最低限の要件と、その根拠が記載されています。

に示されている最低限の報告セットを標準的な実践として採用することが推奨されます。特に影響の大きい追加点、現状では全く報告されていないことが多いのは、Never-respondersとDropoutの明確な区別、SMDベースのノンレスポンス診断、そして少なくとも1つのMNARティッピングポイント分析です。これらは新たなデータ収集や専門的なソフトウェアを必要とせず、提供されているRスクリプトを用いて実装可能です。このワークフローの採用は、フィールドの標準を実質的かつ達成可能な形で改善することにつながります。ただし、この研究の監査は、報告された実践を反映しているものであり、必ずしも実施された分析すべてを網羅しているわけではない点、およびシミュレーション例における非対称なデルタ指定は例示的なものであり、実際の分析では臨床的文脈や被験分野の知識に基づいて調整されるべきである点には留意が必要です。また、堅牢性分類の閾値も、使用するPROM測定尺度の最小重要差（MID）に合わせて調整する必要があります。しかしながら、この実践的ワークフローは、レジストリ研究における欠測データの課題に、より透過的かつ堅牢な方法で対処するための重要な一歩となるでしょう。

用語集

PROM (Patient-reported outcome measures): 対象者報告アウトカム測定。対象者自身の視点から、症状、機能、健康関連の生活の質を評価する尺度です。
レジストリ研究: 特定の疾患や治療を受けた対象者のデータを大規模かつ継続的に収集・管理するデータベース（レジストリ）を用いた研究です。
欠測データ: 研究において、何らかの理由で収集されなかったデータや、記録されていないデータのことです。
Never-responders (ネバーレスポンダー): PROM調査において、一度も回答を提出しなかった対象者のことです。
ドロップアウト (Dropout): ベースラインで回答した後、その後の追跡期間において回答しなくなった対象者のことです。
MNAR (Missing-not-at-random、非ランダム欠測): 欠測の確率が、観察されていない欠測値そのものに依存するメカニズムのことです。例えば、健康状態が特に悪い対象者がPROMsを回答しなくなる場合など。
MAR (Missing-at-random、ランダム欠測): 欠測の確率が、観察された変数には依存するものの、観察されていない欠測値そのものには依存しないメカニズムのことです。
MCAR (Missing completely at random、完全ランダム欠測): 欠測の確率が、観察された変数にも観察されていない欠測値にも依存しないメカニズムのことです。最も理想的な欠測パターンです。
デルタ調整 (Delta adjustment): MNAR感度分析の一種で、欠測データが仮定された値（デルタ）だけ、観察されたデータと異なるという仮定を置いて分析を調整する手法です。
ティッピングポイント分析 (Tipping-point analysis): MNAR感度分析の一種で、「結論が変わるためには、非ランダム欠測がどれほど厳しくなければならないか？」という問いに答える手法です。
IPW (Inverse Probability Weighting、逆確率重み付け): 観察されたデータに対して、応答確率の逆数で重み付けを行うことで、欠測データによって生じる選択バイアスを調整する統計的手法です。
SMD (Standardized Mean Differences、標準化平均差): 二つのグループ間の平均値の差を標準偏差で割った値で、グループ間の共変量の不均衡（インバランス）を定量化するために用いられます。
MI (Multiple Imputation、多重代入法): 欠測値を複数の妥当な値で代入し、複数のデータセットを作成して分析し、その結果を統合することで、欠測による不確実性を考慮する統計的手法です。
完全ケース分析 (Complete-case analysis): 欠測値を含む全てのケースを分析から除外して、残りの完全なデータのみで分析を行う手法です。
MID (Minimally Important Difference、最小重要差): 対象者にとって意味のある、臨床的に重要な最小限のスコアの変化量を示す閾値です。