体外受精(IVF)研究において、治療成績を比較する論文の多くは「調整済みオッズ比」や「多変量回帰分析」といった表現を伴っています。年齢や卵巣予備能、胚の質など、複数の要因が同時に妊娠成績に影響するため、これらを数量的に整理する手法として回帰分析が広く用いられてきました。一方で、論文に書かれている内容と、臨床現場でその結果を読み解く医師や患者との間には、しばしば理解のギャップが存在します。「調整済み」という言葉が具体的に何を意味するのか、共変量・交絡変数・媒介変数・合流点といった専門用語がそれぞれ何を指すのかは、必ずしも明確に共有されているわけではありません。
こうした背景のもと、Reproductive BioMedicine Online誌(2026年)に、回帰分析の考え方を臨床医向けに整理した総説が掲載されました。回帰分析で何が答えられ、何が答えられないのか、「調整済み」という結果が実際に意味するところは何か、そして結果をどのように慎重に解釈すべきかを扱った内容です。
回帰分析とは、そもそも何をしているのか
「回帰(regression)」という語は、19世紀後半にフランシス・ゴルトンが観察した「平均への回帰」という現象に由来します。極端に高い、あるいは低い測定値が、次の世代ではより平均値に近づくというこの観察から出発し、統計学者たちはやがて、ある変数が別の変数とどのように関係するかを記述する手法へと発展させていきました。これが現在の回帰分析です。
IVF研究における回帰分析は、年齢、抗ミュラー管ホルモン(AMH)濃度、治療プロトコルの選択といった要因が、生児出生率や臨床妊娠率などの成績とどのように関連するかを、他の要因の影響を考慮したうえで数量化するために用いられます。複数の要因を同時に扱える点が、単純な2群比較とは異なる特徴です。ただし、回帰分析が示すのはあくまで「関連」であり、「因果関係」ではありません。モデルが調整できるのは、正確に測定され、適切にモデルへ組み込まれた要因に限られ、記録されなかった要因や測定の不正確な要因は、結果に影響を与え続けます。
「調整済み」は「群が同等になった」という意味ではない
IVF研究で最も多用されるのが、群間のベースラインの違いを調整する目的での回帰分析です。片方の群がより若く、卵巣予備能が高い、といった臨床的な理由による違いを、測定された要因についてはある程度考慮できます。
しかし、この使い方は同時に最も誤解されやすい部分でもあります。「調整済み」という結果を、群がすでに完全に均質になったかのように読み取ってしまう例は少なくありませんが、実際には調整はモデルに含まれ、正確に測定された変数についてしか機能しません。重要な要因が記録されていなかったり、測定が不正確であったり、モデルから省かれていたりすれば、調整後の推定値にも偏りが残り得ます。ランダム化比較試験が「ゴールドスタンダード」とされ続けている理由は、ランダム化が既知・未知を問わず要因のバランスを取るための、最も信頼性の高い設計上の手段だからです。
交絡・媒介・合流点──同じ「調整」でも意味が違う
回帰モデルに含まれる、主な曝露(exposure)以外の変数は、まとめて「共変量(covariate)」と呼ばれます。ただし、すべての共変量が「交絡変数(confounder)」というわけではありません。
交絡変数とは、曝露と結果の両方に関連する変数です。例えば卵巣予備能は、どの治療プロトコルが選ばれるかにも、生児出生率にも影響し得ます。卵巣予備能をモデルに含めなければ、プロトコルの効果に見える部分の一部が、実際には卵巣予備能の違いを反映している可能性があります。
一方、「媒介変数(mediator)」は、曝露から結果への経路上に位置する変数です。例えば治療プロトコルが採卵数に影響し、採卵数が生児出生に影響するとすれば、採卵数は媒介変数にあたります。プロトコルの総合的な効果を推定したい場合に媒介変数まで調整してしまうと、本来評価したい効果の一部を取り除いてしまう「過剰調整(overadjustment)」が起こり得ます。
さらに注意が必要なのが「合流点(collider)」です。合流点とは、2つの異なる変数から影響を受ける変数を指します。例えばIVFにおいて胚移植の実施は、治療プロトコルと患者の予後の両方から影響を受け得ます。移植された周期のみを対象とした解析は、この合流点によって選択バイアスが生じ、プロトコルの真の効果とは異なる推定値を示す可能性があります。「胚盤胞に到達した周期のみ」「移植された胚のみ」といった限定解析の結果は、こうした観点から慎重に解釈する必要があるとされています。
共変量はどう選ぶべきか
単変量解析で統計学的に有意だった変数だけをモデルに含める方法は広く使われていますが、限界もあります。小規模なデータセットでは真の交絡変数であっても有意にならないことがあり、P値だけを基準に除外すると偏りが生じ得ます。ステップワイズ法などの自動選択手法も、モデルを単純化できる一方、データセットによって結果が不安定になりやすいとされています。
より信頼性が高いとされるのは、事前の知識や生物学的な妥当性、研究デザインに基づいて共変量を選ぶ方法です。曝露と結果の双方に影響し得ることが知られている変数は、データ上で有意でなくても調整の候補として扱われます。変数が少なすぎれば交絡が十分に処理されず、多すぎれば推定の精度が下がり解釈が複雑になるため、臨床的な問いに真に関連する変数を選ぶことが目標とされています。
オッズ比とリスク比、数字が伝える印象は違う
出生の有無のような二値の結果には、多くの場合ロジスティック回帰が用いられ、結果はオッズ比として示されます。ここで注意が必要なのは、オッズ比が「確率の比(リスク比)」とは異なるという点です。
例えば、ある群の生児出生率が40%、別の群が30%だったとします。リスク比は0.40÷0.30=1.33で、確率としては33%高いことになります。一方、オッズはそれぞれ0.40÷0.60=0.67、0.30÷0.70=0.43となり、オッズ比は0.67÷0.43=1.56です。同じデータから計算しているにもかかわらず、オッズ比のほうが明らかに大きな数字になります。「オッズ比1.5」を「妊娠の可能性が50%高い」と読み違える例は、生殖医療領域でも頻出する解釈上の誤りとされています。理論上はわずかな差に見えても、臨床的な受け止め方には大きく影響し得ます。点推定値だけでなく、95%信頼区間の幅にも注意を払うことの重要性も指摘されています。信頼区間が広い場合、点推定値がどれほど印象的であっても、推定の精度自体は低いと考える必要があります。
クラスター構造と、機械学習との違い
多くの患者が複数回の治療周期に参加し、成績が施設ごとにまとまりを持つことがあります。この構造を無視すると、結果が実際よりも精密であるかのように見え、信頼区間が本来より狭く、P値が本来より小さく算出されることがあります。混合効果モデルや一般化推定方程式といった手法が、こうした構造を考慮するために用いられます。
近年注目される機械学習との違いも整理されています。回帰分析は「年齢が生児出生率にどう影響するか」といった、変数間の関係を説明する問いに向いている一方、機械学習は「この患者は出生に至るか」という個人単位の予測に向いているとされ、両者は異なる目的を持つ手法として位置づけられています。機械学習モデルはしばしば予測精度に優れる一方、個々の変数がどのように結果へ寄与しているかが見えにくい「ブラックボックス」になりやすいとも指摘されています。
日本の生殖医療現場にとっての意味
日本でも、IVF・ICSIに関する論文や学会報告の多くが多変量回帰分析による調整済み結果を提示しており、その解釈は診療方針の検討や患者への説明にも影響します。「調整済みオッズ比が有意だった」という記述を、群間の背景がすでに均等化されたかのように受け取ってしまう場面は、日本の臨床現場でも起こり得ます。どの変数が調整されているか、その選択が生物学的に妥当かどうかを確認する姿勢が、論文を読む際の基本的な視点として位置づけられます。また、「移植された胚のみ」「胚盤胞に到達した周期のみ」といった限定解析を紹介する場面では、選択バイアスの可能性をあわせて説明することが、患者との情報共有において有用と考えられます。
本稿の位置づけと留意点
本稿は実証研究ではなく、回帰分析の考え方を整理した解説(コメンタリー)です。そのため、特定のデータセットに基づく数値的な結論を示すものではなく、あくまで論文を読み解くための枠組みを提供するものです。共変量選択の「正解」は臨床的な文脈によって異なり、本稿で示された原則も、個々の研究デザインに応じて柔軟に適用される必要があります。また、モデルの適切性を判断する目安として、変数1つあたり少なくとも10件程度のイベント数が必要とされる点にも触れられていますが、これらはあくまで一般的な指針であり、絶対的な基準ではないとされています。
おわりに
回帰分析は、複数の要因が同時に絡み合うIVF研究において、複雑さを整理するための構造的な手段です。しかし、調整済みの結果が単純な比較よりも常に信頼できるとは限りません。回帰分析の推定値が何を意味するかは、選ばれた結果指標、含まれた変数、置かれた仮定、そしてデータの構造に左右されます。ひとつのP値が研究の全体像を語らないのと同様に、ひとつの回帰モデルも臨床的な現実のすべてを定義するものではなく、理解のための一歩として位置づけられるべきものとされています。
参考文献
1. Aktoz F, Polyzos NP, Blockeel C. Understanding regression analysis: what is inside the box? Reprod Biomed Online 2026;53(3):105800. doi:10.1016/j.rbmo.2026.105800.
2. Galton F. Regression towards mediocrity in hereditary stature. J Anthropol Inst G B Irel 1886;15:246-263.
3. Aktoz F, Blockeel C. The most ‘valuable’ letter in research: is ‘P’ over-rated or under-rated? Reprod Biomed Online 2026;52(6):105632. doi:10.1016/j.rbmo.2026.105632.