前節から、曝露と結果に関する被験者の分類が完全に正確であっても、研究での差分選択または保持によってバイアスが生じる可能性があることが明らかになったはずです。 逆もまた真なりで、たとえ研究への選択・留保がサンプルを抽出した母集団を公正に表していたとしても、被験者が曝露状態や結果に関して誤って分類されていれば、関連性の推定値に偏りが生じる可能性があります。 これらの誤差はしばしば誤分類と呼ばれ、これらの誤差を生み出すメカニズムには、非差異的な誤分類と差次的な誤分類がある。
「曝露の誤分類について、それが疾患の発生や存在と無関係であれば、誤分類は非差別的であり、疾患のある人とない人で曝露の誤分類が異なる場合、それは差分的である。 同様に、疾患の誤分類は、それが曝露と無関係であれば非差別的であり、そうでなければ差分的である」
曝露の非差別的誤分類
非差別的誤分類とは、比較されるグループにおいて誤りの頻度がほぼ同じであることを指します。
二値曝露の非差別的誤分類は、分類におけるエラーが結果に関係なく同じ程度に起こるときに起こります。 暴露の非差別的誤分類は、差動誤分類（一方の研究グループでより高い頻度でエラーが発生する）よりもはるかに広範な問題です。 下図は、すべての被験者が結果に関して正しく分類されているが、各結果群の被曝被験者の一部が誤って「非被曝」と分類されている仮想的な研究を示している。
高脂肪食と冠動脈疾患間の関連性を調査するケースコントロール研究が行われたと仮定します。 心臓病の被験者と、心臓病のない対照者が集められ、脂肪分の多い食事かそうでないかを分類するために、食事習慣に関するアンケートに回答するよう求められるかもしれません。 アンケートから食事脂肪量を正確に評価することは難しいので、暴露の分類に誤差があっても不思議ではない。 しかし、このシナリオでは、最終的な疾患の状態にかかわらず、誤分類は多かれ少なかれ同じ頻度で発生すると思われる。 二値被曝の非差別的誤分類は、常に帰無側に偏る。
上の図は、疾病状態が正しく分類されるものの、一部の被曝被験者が誤って非被曝に分類されるシナリオを表しています。 これは、帰無仮説へのバイアスをもたらすでしょう。 Rothmanは、高脂肪食と冠動脈疾患の関連についての真のオッズ比は5.0であるが、もし約20％の被曝被験者が両方の疾患群で「非被曝」と誤って分類された場合、偏った推定は例えば2.4のオッズ比を与えるかもしれないという仮定的な例をあげている。 つまり、帰無仮説へのバイアスがかかっているのです。
しかし、次に、同じ例で、曝露された被験者の20%が両方の結果グループで「曝露されていない」と誤分類され、非曝露被験者の20%が両方のグループで「曝露された」と誤分類された場合に何が起こるかを考えてみましょう – 言い換えれば、次のようなシナリオです。
この追加的な非差別的誤分類は、おそらくオッズ比を2.0にし、ヌルへのバイアスをさらに深刻なものにするでしょう。
非差別的誤分類のメカニズム
非差別的誤分類は、多くの方法で発生する可能性があります。 例えば、医療従事者が誰もタバコの使用について尋ねたことを覚えていない医療記録などです。 また、患者の病院での経過、診断、治療に不慣れな事務員による疾病診断のコード付けの誤りなどが考えられる。 質問票を記入する被験者やインタビューを受ける被験者は、過去の被ばくを思い出すことが困難な場合がある。 過去の暴露を思い出すことが困難であることが比較される両群で同程度であれば、無差別的な誤分類があり、これは帰無仮説に偏ることに注意されたい。 しかし、症例対照研究において、一方の結果が他方よりもよく記憶している場合、”想起バイアス “と呼ばれる差のある誤分類が生じます。 リコールバイアスは、「曝露の差次的誤分類」で後述します。
トップへ戻る｜前のページへ｜次のページへ
リコールバイアスは、「曝露の差次的誤分類」で後述しますが、「曝露の差次的誤分類」で後述します。