ホーム › ガイド › メタ解析ガイド

メタ解析ガイド — 「最強のエビデンス」の 見方

メタ解析 (meta-analysis) は 複数の研究を 統計的に 統合する 手法で、EBM (根拠に基づく医療) の エビデンス階層で 最上位 に 位置します。ただし メタ解析 なら 何でも 信頼できる わけではなく、 読み方に コツが あります。本ガイドは 実践的な 見方 を まとめました。

1. メタ解析とは 何か

同じ問い (例: 「運動は うつ症状を 改善するか?」) について、複数の 独立した研究を 統計的に 統合し、 1 つの 総合効果量 を 算出する 研究手法です。系統的レビュー (systematic review) の 統計的部分と 考えると 分かりやすいでしょう。

メリット:

• 個別研究の n が 少なくても、統合すれば 検出力が 増す
• 研究間の 結果の ばらつきを 定量化できる
• 効果の 大きさが 精度高く 推定できる

2. 仕組み: 効果を 統合する

各研究から 効果量 (Cohen's d, OR, RR 等) と その 標準誤差 を 抽出し、 研究の 精度で 重み付けした 加重平均 を 計算します。 大きな試験 (n が 多い) や 精度が 高い試験 の 結果ほど 総合値に 強く影響します。

統合モデルは 2 種類:

• 固定効果モデル (fixed effect): 全研究が 同じ「真の効果」を 測っている前提
• ランダム効果モデル (random effect): 研究ごとに 効果が 異なる可能性を 想定 (現実的)

💡 現代の メタ解析は ランダム効果モデル が 標準。固定効果は 異質性 (次項) が 極めて 低い時のみ 推奨。

3. Forest plot の 読み方

メタ解析の 結果を 視覚化する 標準的な 図。各研究が 1 行で、右端に 統合結果 (菱形マーカー) が 表示されます。

• 横線: 各研究の 効果量 と 95% CI (信頼区間)
• 四角: 効果量の 点推定 (四角の 大きさ = 研究の 重み)
• 縦線: 「効果なし」の 位置 (通常 OR/RR = 1、Cohen's d = 0)
• 菱形: 統合効果と その 95% CI (幅 = 精度)

読み方のコツ:

• 個別研究の 横線が 「効果なし」の 縦線を またぐ = その研究では 有意でない
• 菱形が 縦線から 完全に 離れている = 統合で 有意
• 個別研究の 位置が 大きく バラバラ = 異質性が 高い (次項)

4. 異質性 (I²) の 読み方

研究間の 結果の ばらつきを 表す指標。0-100% で 表現され、以下の 目安:

⚠️ 要注意: I²>50% の 場合、対象者・介入・アウトカム測定 の どこに ばらつきの 原因が あるか 論文が サブグループ分析で 探っているか チェック。単純に 統合値を 読むのは 危険。

5. 出版バイアスの 検出

有意な結果が 出た試験ほど 出版されやすく、否定的な結果は お蔵入りする 傾向があります (=出版バイアス)。 これが 起きていると、メタ解析の 結果は 効果を 過大評価する 方向に 偏ります。

検出方法:

• Funnel plot: 効果量 vs 精度の 散布図。左右対称なら OK、非対称 なら 出版バイアス 疑い
• Egger's test / Begg's test: 統計的な 検定
• Trim-and-fill 法: 抜けている研究を 仮想的に 補って 再計算

6. メタ解析の 質を 評価する

質の 高い メタ解析は 以下を 満たします:

• PRISMA 声明 に準拠 (研究選定・除外の 透明性)
• 事前登録 (PROSPERO 等) — 事後の 都合の良い解析を 防ぐ
• 2 人以上の 独立レビュアー が 論文選定・抽出
• 個別研究の 質評価 (Cochrane RoB 2, GRADE 等) を 実施
• 感度分析 (対象を 変えて 結果が 変わらないか 確認)

7. メタ解析の 限界

• ゴミを 集めれば ゴミが 出る: 質の 低い RCT を 100 本 集めても 質の 高い 結論には ならない
• 個別化医療 には 向かない (「平均的な患者」の効果 のみ)
• 介入内容・対象者が 混在すると 「リンゴと オレンジを 足す」問題
• ネットワークメタ解析は 間接比較で 更に 仮定が 増える

関連: 📊 効果量ガイド ／ ✔️ 論文を 批判的に 読む チェックリスト ／ 📚 研究用語集

最終更新: 2026-09-22