前回のおさらい
前回は、メタアナリシスという「最終兵器」の使い方と限界を学びました。フォレストプロットの読み方、異質性（I²）、ファンネルプロット——もうあなたは、論文を読むための基礎体力を持っています。
今日は、あえて不都合な真実をお伝えします。「研究で証明された」と書いてあっても、鵜呑みにしてはいけない場合があるのです。
研究は「人」がやるもの——だから歪む
医学研究は、完璧な機械ではなく、不完全な人間が行うものです。研究者にも、製薬企業にも、学術雑誌にも、それぞれの立場と利害があります。
その「歪み」を理解し、見抜く力こそが、エビデンス・リテラシーの核心です。
研究結果を歪める要因は、大きく分けて2種類あります。「バイアス（系統的な偏り）」と「利益相反（Conflict of Interest: COI）」です。
バイアスの6つの顔
1. 選択バイアス（Selection Bias）
研究に参加する人の選び方に偏りがあるケースです。
例えば、「健康食品Aの効果を調べる研究」の参加者を、健康食品に関心が高い人だけから募集したらどうなるでしょうか？ 元々健康意識が高い人は、食品A以外にも運動や食事に気を使っている可能性があります。結果が良く出ても、食品Aのおかげなのか、全体的な健康意識のおかげなのか、区別がつきません。
RCTのランダム化は、この選択バイアスを最小化するための手法でした。逆に、ランダム化されていない研究は、常にこのバイアスのリスクを抱えています。
2. 情報バイアス（Information Bias）/ 測定バイアス
データの測定や収集の段階で偏りが入るケースです。
例えば、「この薬を飲んでいますか？」というアンケートで、実際には飲み忘れが多いのに「はい」と答える人がいます（思い出しバイアス）。また、医師が「この患者は新薬を投与されている」と知っていると、検査結果の解釈が無意識に甘くなることもあります（観察者バイアス）。
二重盲検法は、この情報バイアスを防ぐための仕組みでした。
3. 交絡バイアス（Confounding Bias）
真の原因以外の要素が、結果に影響するケースです。
有名な例があります。「アイスクリームの売上が増えると溺死事故が増える」——これは本当のデータです。しかし、アイスクリームが溺死の原因ではありません。「気温の上昇」という第3の要因（交絡因子）が、アイスクリームの消費も水辺での活動も増やしているのです。
医学研究でも同じことが起こります。「ワインを飲む人は心臓病が少ない」というデータがあっても、ワインを飲む人は社会経済的地位が高く、食事の質が良い可能性があります。ワインそのものの効果なのか、生活全体の質の効果なのか——交絡を考慮しなければ正しい結論は出ません。
4. 出版バイアス（Publication Bias）
「効果あり」の結果は論文として出版されやすく、「効果なし」の結果はお蔵入りになりやすい、という偏りです。「引き出し問題（file drawer problem）」とも呼ばれます。
想像してみてください。ある薬について10件の研究が行われ、2件で「有効」、8件で「効果なし」だったとします。しかし「有効」の2件だけが出版されたら、世界はこの薬を「効果が証明されている」と認識してしまいます。
前回紹介したファンネルプロットは、この出版バイアスを視覚的に検出する方法です。また、近年は研究開始前に「臨床試験登録」を義務づけることで、結果にかかわらず研究の存在を追跡できるようにする取り組みが進んでいます。
5. 報告バイアス（Reporting Bias）
研究は行われ、結果も出ているのに、都合の良い結果だけを選んで報告するケースです。
例えば、「主要評価項目（Primary Endpoint）」で差が出なかったのに、多数の「副次評価項目（Secondary Endpoint）」の中から差が出た1つだけを強調して論文にする、ということが実際に起きています。
20種類の検査項目を測定すれば、純粋な偶然だけで1つくらいは「有意差あり」になります（多重検定の問題）。それを「この薬は○○に効果があった」と報告するのは、科学的に不誠実です。
6. 資金バイアス（Funding Bias）
研究費を出した企業に有利な結果が出やすい、という驚くべき偏りです。
Lexchin et al. (2003) のシステマティックレビューによると、製薬企業がスポンサーの研究は、独立した研究と比べて、スポンサー企業の製品に有利な結果を報告する確率が約4倍高いことが示されています [1]。
これは必ずしも「データを捏造している」という意味ではありません。研究デザインの段階で、効果が出やすい患者層を選ぶ、比較対象を弱い治療にする、都合の良い評価項目を設定する——こうした「合法的な操作」で結果を誘導できるのです。
P値ハッキング——統計を悪用する手口
「P値」は、研究結果が偶然の産物である確率を示す数値です。通常、P < 0.05（5%未満）であれば「統計的に有意」とみなされます。つまり、「この結果が偶然だけで起こる確率は5%未満」ということです。
問題は、この「P < 0.05」を何としてでも達成しようとする不正行為が存在することです。これを「P値ハッキング」と呼びます。
具体的な手口は以下のとおりです。
- データの選択的除外: 結果に都合の悪いデータポイントを「外れ値」として除外する
- 分析方法の使い分け: 複数の統計手法を試して、P < 0.05になったものだけを報告する
- サンプルサイズの調整: データを少しずつ追加しながらP値を計算し、P < 0.05になった時点でデータ収集を止める
- サブグループの後出し: 事前に計画していなかったサブグループ解析で有意差を「発見」する（HARKing = Hypothesizing After Results are Known）
2015年、著名な統計学者Ioannidis JPAは「なぜ出版された研究結果のほとんどが間違っているのか」という衝撃的な論文を発表し、医学研究の再現性の危機を指摘しました [2]。
利益相反（COI）の見方
研究論文の最後には「Conflict of Interest（利益相反）」の開示が義務づけられています。ここに記載される情報を確認することが、バイアスを見抜く最も簡単な方法の1つです。
チェックすべきポイント:
- 研究の資金源は？: 企業スポンサーか、公的研究費（NIH、JSPS科研費など）か
- 著者と企業の関係は？: コンサルタント料、講演料、株式保有などの開示があるか
- データの管理者は？: データの収集・分析を企業が行っているか、独立した機関が行っているか
企業スポンサーの研究がすべて信用できないわけではありません。しかし、「誰がお金を出しているか」を意識するだけで、結果を批判的に読む目が養われます。
実例で学ぶ: バイアスの実際
実例1: コラーゲンサプリの研究パターン
「コラーゲンサプリで肌のハリが改善」という研究をよく見かけます。その多くに共通するパターンがあります。
サンプルサイズが小さい: 30-60人程度の研究が多い 評価が主観的: 「肌のハリ」の評価基準が曖昧 盲検化が不完全: サプリの味や匂いでグループがわかってしまう 資金源: 多くがサプリメント企業のスポンサー
個々の研究は「効果あり」と報告していますが、上記のバイアスを考慮すると、結果の信頼度は大きく下がります。
実例2: エクソソーム治療の真実
「エクソソーム治療で若返り」「エクソソームで○○が改善」——自費クリニックの広告で目にする機会が増えています。
しかし現時点で、エクソソーム治療の有効性を証明した大規模RCTは存在しません。根拠として挙げられているのは、主に動物実験（ヒトへの適用は未確認）や小規模な症例報告（ピラミッドの下層）です。
日本再生医療学会も、エクソソームの臨床応用については「科学的根拠が十分ではない」との声明を出しています。高額な治療費を払う前に、エビデンスのレベルを確認することが自分を守る第一歩です。
「数字のウソ」を見抜く7つの質問
健康情報や研究結果を見たとき、以下の質問を自分に投げかけてください。
- 誰がお金を出した？（資金バイアスの確認）
- 何人が対象？（30人の研究と3,000人の研究では重みが違う）
- 比較対象は何？（プラセボか？ 既存の標準治療か？ 何も比較していないか？）
- 盲検化されているか？（患者と医師が知らない状態か？）
- 評価は客観的か？（血圧の数値のような客観指標か、「肌のハリ」のような主観指標か）
- P値だけで判断していないか？（効果の大きさ・臨床的な意義はあるか？）
- 利益相反の開示はあるか？（論文末尾のCOIセクションを確認）
医師の本音——なぜバイアスの話をするのか
こうしたバイアスの話をすると、「じゃあ何も信じられないのか」と思う方もいるかもしれません。
そうではありません。バイアスの存在を知った上で、それを考慮に入れて情報を評価する——これが「批判的吟味（Critical Appraisal）」の本質です。
完璧な研究は存在しません。でも、「どこに偏りがあるか」を理解した上で、最善の判断を下すことはできます。それこそがEBMの精神です。
外来で私が最も気をつけていることは、患者さんに「この研究はここが弱い」と正直に伝えることです。「完璧な根拠はないけれど、今ある中で最善の選択はこれだと思います」——そう言える誠実さが、医療者に求められていると思っています。
次回予告——最終回
次回（3日後）はいよいよ最終回。4回のレッスンで学んだすべてを統合する「あなただけのエビデンス・チェックリスト」を完成させます。
EBMの5つのステップ、GRADE評価、NNT（治療必要数）、絶対リスクと相対リスクの違い——そして「エビデンスだけでは答えが出ない場面」でどう判断するか。あなたが本当の意味で「自分の主治医」になるためのガイドです。