はじめに
健康診断や日常診療でコレステロール値の高さを指摘され、心血管イベント予防のためにスタチンの導入を提案された経験を持つ方は多いはずです。しかし、処方を提示された際、「筋肉が溶けるような重い副作用があるのではないか」「全身の筋肉が痛んで動けなくなるのではないか」という漠然とした不安から、内服をためらったり中断してしまったりしたことはないでしょうか。
スタチンは、心筋梗塞や脳卒中といった生命に関わる動脈硬化性疾患を強力に予防する薬剤です。しかし現実には、筋肉関連の有害事象に対する強い懸念が障壁となり、治療を受けるべき対象者の受療率低下や服薬アドヒアランスの悪化を招いています。その結果、本来であれば防げたはずの心血管イベントや関連死が増加するという本末転倒な事態が生じています。
多くの人が抱く不安の根底には、日常的によく見られる軽微な筋肉痛と、生命に関わるような横紋筋融解症などの重篤な筋肉障害が混同されている現状があります。軽微な筋肉症状の多くはスタチン自体が直接の原因ではないことが知られている一方で、入院や死亡を伴うような重篤な筋肉障害は、頻度は極めて稀であるもののスタチン投与によって相対的なリスクが増大することが報告されています。
医療従事者にとっても患者にとっても、漠然とした恐怖ではなく、自分自身の背景情報に基づいた絶対的なリスクの数値を知ることができれば、治療の利益と不利益を冷静に比較考量できるようになります。本研究は、まさにこの長年の課題に終止符を打つべく行われた、画期的な臨床予測モデルの開発と検証の記録です。
研究デザインとPICO概要
本研究は、英国の大規模な一次診療電子カルテデータベースを用いた、後ろ向きコホート研究による臨床予測モデルの導出および外部検証研究です。
研究デザイン：英国CPRD GoldデータベースおよびAurumデータベースを用いた多施設後ろ向きコホート研究
研究プロトコールの概要は以下の通りです。
- P（対象集団）：1998年1月1日から2018年12月31日までに英国の一般診療所に登録された50歳以上の男性および60歳以上の女性（10年間の心血管疾患リスクがおよそ5%以上と推定され、スタチン治療の適応となり得る集団。モデル導出コホート1,785,207人、外部検証コホート3,889,504人）
- E/C（曝露および比較）：スタチン処方の有無（アトルバスタチン、ロスバスタチン、シンバスタチン、フルバスタチン/プラバスタチン）、ならびに既往歴、併用薬、身体所見などの各予測因子の保有状態
- O（アウトカム）：インデックス日以降に初めて発生した、筋肉障害の診断を伴う入院または死亡（重篤な筋肉障害。軽微な筋痛は除外）
既存研究に対する新規性と本研究のアプローチ
これまでにもスタチン関連の筋肉症状を予測するモデルは存在しましたが、それらには臨床応用を阻む重大な課題がありました。従来モデルの多くは、スタチン投与と直接関係のない軽微な筋肉症状までをアウトカムに含めており、解析対象もすでにスタチンを服用している患者のみに限定されていたり、スタチンの適応有無を考慮しない一般集団を対象としていたりしました。さらに、追跡期間が6か月など短期のものが大半で、5年リスクを予測した1つのモデルを除き、他の死因による脱落を考慮する競合リスク調整が行われていませんでした。競合リスクを無視した生存時間解析では、真のアウトカム発生リスクを過大評価してしまう危険があります。
本研究の新規性は、以下の点に集約されます。
第一に、心血管疾患の予防を目的としてスタチンの適応となり得る大規模集団を対象とし、軽微な症状を排除して入院や死亡を伴う重篤な筋肉障害のみを予測対象とした点です。
第二に、他の原因による死亡という競合リスクを統計学的に調整するFine-Grayサブディストリビューション比例ハザードモデルを採用し、リスクの過大評価を徹底して抑制した点です。
第三に、心血管疾患リスク評価ツールで一般的に用いられる10年予測に加え、定期的な再評価間隔に合致する1年および5年のリスク予測を可能にし、心血管予防のベネフィットと筋肉障害のリスクを同一の時間軸で直接比較できるようにした点です。
第四に、導出コホートとは完全に独立した約389万人もの外部検証コホートを用いて、集団レベルおよび個人レベルでの予測精度を検証した点にあります。
・モデル導出コホート（Derivation Cohort / 開発コホート） 予測モデルの計算式（どの因子にどれだけの重みをつけるか）を新しく作り出す（導出する）ために用いるデータ集団です。統計的な回帰分析などを行い、リスク因子の選定や係数の決定を行います。
・外部検証コホート（External Validation Cohort） 導出コホートとは完全に独立した別のデータ集団であり、完成した予測モデルにデータをあてはめて、「未知の新しい患者群に対しても正確に機能するか」をテストするために用いる集団です。
560万人から導き出されたリスク因子の全貌
560万人、追跡期間（中央値）6.6-8.5年
モデル導出コホートには1,785,207人（平均年齢64.0±11.5歳、女性44.0%）、外部検証コホートには3,889,504人（平均年齢62.0±11.2歳、女性42.8%）が含まれました。中央値で導出コホート6.6年、外部検証コホート8.5年の追跡が行われました。
10年間で重篤な筋肉障害を発症する割合は0.5%未満
競合死亡リスク※を調整した重篤な筋肉障害の累積発生率は、外部検証コホートにおいて1年で0.07%（95% CI: 0.06−0.07）、5年で0.24%（95% CI: 0.24−0.25）、10年で0.44%（95% CI: 0.44−0.45）でした。つまり、適応集団全体で見ても、10年間で重篤な筋肉障害を発症する割合は0.5%未満という極めて低い頻度にとどまります。
※ 競合死亡リスクとは、観察・予測したい主たる疾患やイベント（本研究では「重篤な筋肉障害」）が発生する前に、別の原因（心筋梗塞、脳卒中、がん、事故、老衰など）によって患者が死亡してしまうリスクのことです。
Subdistribution Hazard Ratio: SHR
最終モデルには、日常診療で容易に取得可能な22項目の予測因子が組み込まれました。解析の結果、重篤な筋肉障害に対して強い予測能を示した因子とサブディストリビューションハザード比（Subdistribution Hazard Ratio: SHR）※は以下の通りです。
- 過去の筋肉障害歴：SHR 6.24（95% CI: 5.87−6.64）
過去に筋肉関連のトラブルを起こした経験があることは、群を抜いて強力なリスク因子でした。
※ 過去の筋肉障害歴とは、追跡開始前（インデックス日より前）の一次診療（プライマリケア）記録において、筋肉関連の疾患・症状（筋痛、筋炎、ミオパチー、横紋筋融解症などの筋肉障害全般）の診断コードまたは記録が存在すること。過去にプライマリケアで受診・記録された軽微な筋肉症状や筋痛なども含めた筋肉トラブルの既往が含まれます。 - ビタミンD欠乏症：SHR 2.65（95% CI: 2.12−3.30）
栄養状態や骨・筋肉代謝に関わるビタミンDの欠乏が、極めて高いハザード比を示しました。 - スタチン以外の筋毒性薬の使用：SHR 2.04（95% CI: 1.93−2.17）
- 軽度肝疾患：SHR 1.99（95% CI: 1.39−2.84）
- 女性：SHR 1.80（95% CI: 1.69−1.92）
- スタチン処方（非使用群対比）ロスバスタチン：SHR 2.04（95% CI: 1.58−2.63）アトルバスタチン：SHR 1.77（95% CI: 1.58−1.97）シンバスタチン：SHR 1.58（95% CI: 1.45−1.71）フルバスタチンまたはプラバスタチン：SHR 1.38（95% CI: 1.14−1.68）
- スタチン相互作用薬の使用：SHR 1.24（95% CI: 1.15−1.33）
- ビタミンB12欠乏症：SHR 1.66（95% CI: 1.44−1.91）
- 高度肥満（Morbidly obese）：SHR 1.63（95% CI: 1.43−1.86）
- 関節リウマチ：SHR 1.58（95% CI: 1.38−1.80）
- 腎疾患：SHR 1.35（95% CI: 1.22−1.49）
- 甲状腺機能低下症：SHR 1.29（95% CI: 1.18−1.41）
年齢については非線形性が認められたため、分数多項式関数を用いて変換された2つの項としてモデルに組み込まれました。
※サブディストリビューションハザード比（Subdistribution Hazard Ratio: SHR）とは、競合リスク（Competing Risk）が存在する生存時間解析において、特定のイベントが実際に発生する累積確率（累積発生率）に対する因子の影響度を表す指標です。Fine-Gray（ファイン・グレイ）モデルと呼ばれる統計モデルを用いて算出されます。
・SHR = 1.0: その因子はアウトカムの累積発生率に影響を与えない。
・SHR > 1.0: その因子を持つと、競合リスクを考慮しても将来そのアウトカムを発症する確率が高くなる。
・SHR < 1.0: その因子を持つと、将来そのアウトカムを発症する確率が低くなる。
モデルの予測性能と臨床的有用性の検証
モデルの識別能（Discrimination）
約389万人の外部検証コホートにおけるモデルの識別能は、10年予測においてC-index 0.782（IQR: 0.782−0.782）、D-statistic 2.176（95% CI: 2.139−2.212）という高い水準を達成しました。コホート内の中央値で2群に分けた場合、リスク予測値が中央値を超える集団は、中央値以下の集団に比べて重篤な筋肉障害を発症する確率が2倍以上高いことを意味します。識別能は短期予測になるほどさらに良好であり、1年予測でC-index 0.840、5年予測でC-index 0.806を記録しました。
補足
C-index（Concordance index：一致指数）0.782 とは
モデルの「識別能（Discrimination）」、すなわち「将来イベントが起きる人と起きない人（または早く起きる人と遅く起きる人）をどれだけ正確に見分けられるか」を表す指標です。
- 数値の意味 対象集団からランダムに2人を選んだとき、一方が他方よりも早く重篤な筋肉障害を発症した場合に、モデルが「発症した（または早く発症した）人の方に対して、正しくより高いリスク予測値を算出していた確率が78.2%である」という意味です。
- 評価基準
- 0.50：コイントスと同じ（まったく見分けられない）
- 0.70〜0.80：良好（Good）
- 0.80以上：非常に優れている（Excellent） 0.782という値は、臨床予測モデルとして実用に十分な高い識別能を有していることを示しています。
- （IQR: 0.782−0.782）の補足 多重代入法（欠損値を補完した10個のデータセット）で得られたC-indexの中央値と四分位範囲（IQR: 第1四分位数〜第3四分位数）です。約389万人という極めて巨大なサンプルサイズであるため、代入データセット間でのばらつきがほとんどなく、小数第3位まで完全に一致しています。
D-statistic（D統計量）2.176 とは
生存時間解析（Time-to-event analysis）において、モデルが「高リスク群と低リスク群の間で、どれくらい明確に予後の差（生存曲線の開き）をつけられているか」を定量化する予後分離能の指標です（Royston and SauerbreiのD統計量）。
- 数値の意味 モデルが算出したリスク予測値の中央値で集団を「高リスク群」と「低リスク群」の2つに均等に分けた場合、高リスク群の人は低リスク群の人に比べて、重篤な筋肉障害を発症する確率（ハザード）がおよそ2.18倍高いことを意味します。
- 評価基準
- 1.00：リスク群間にまったく差がない（予測能なし）
- 数値が大きくなるほど：高リスク群と低リスク群の予後が明確に分離できていることを示す
- （95% CI: 2.139−2.212）の補足 95%信頼区間が 2.139 から 2.212 であり、サンプルサイズの大きさから推定値のブレが非常に小さく、統計的に極めて高精度に推定されていることを示しています。
補足のまとめ
この2つの数値は、本モデルが「約8割の正確さで発症リスクの高低を正しく序列づけでき（C-index 0.782）、予測値で上位半分と下位半分に分けた場合に発症確率に2倍以上の明確な差を生み出せる（D-statistic 2.176）」という、優れた予測精度を持っていることを客観的に証明しています。
モデルの較正能
モデルの較正能（予測値と実測値の一致度）においても、10年予測での期待値/観測値比（E/O比）は1.151（IQR: 1.131−1.171）、キャリブレーションスロープは1.063（95% CI: 1.052−1.073）であり、10分位に分けたすべてのリスク群において優れた一致を示しました。1年および5年の予測では最高リスク群において軽度の過小評価が見られたものの、集団の大部分において高い精度が保たれていました。
補足
モデルの較正能（Calibration：キャリブレーション）とは
較正能とは、予測モデルが算出した「予測確率（リスク）」と、現実世界で実際に発生した「実測の発生率」がどれだけ一致しているか（正確に当たっているか）を表す性能指標です。
識別能（Discrimination）との違い
予測モデルの評価には、主に「識別能」と「較正能」の2つの軸があります。
- 識別能（例: C-index） リスクが高い人と低い人の「順番（順位付け）」を正しく並べ替えられるかの能力。
- 例：「患者Aさんは患者Bさんよりリスクが高い」と正しく判別できるか。
- 較正能（Calibration） 予測した「数値そのもの」が実際の発生率と合致しているかの能力。
- 例：「10年発症リスクが5%」と予測された患者100人を集めたとき、本当に5人が発症したか。
※ 順位付けが完璧（識別能が高い）であっても、全員のリスクを実際の10倍高く予測してしまうようなモデルは「較正能が悪い」状態となります。
較正能を評価する主な指標とグラフ
- E/O比（Expected to Observed Ratio：期待値/観測値比）
- モデルが予測したイベント数の合計（Expected）を、実際に発生したイベント数（Observed）で割った値。
- 1.00：完全一致。
- 1.00より大きい：モデル全体としてリスクを過大評価している傾向。
- 1.00より小さい：モデル全体としてリスクを過小評価している傾向。
- 本研究（外部検証・10年）：1.151（わずかに過大評価傾向ですが、ほぼ良好）。
- キャリブレーションスロープ（Calibration Slope：較正傾き）
- 予測リスクと実測リスクの回帰直線の傾き。
- 1.00：理想的な傾き。
- 1.00より小さい（緩やか）：高リスク群を過大評価し、低リスク群を過小評価（予測値が極端に広がりすぎている）。
- 1.00より大きい（急）：高リスク群を過小評価し、低リスク群を過大評価（予測値が保守的すぎる）。
- 本研究（外部検証・10年）：1.063（1.00に非常に近く、優れた傾き）。
- キャリブレーションプロット（較正図）
- 横軸に「モデルの予測リスク」、縦軸に「実際の観察リスク」をプロットした散布図・グラフ。
- 45度の対角線（y = x）の上にプロットがぴったり乗っていれば、完全に予測が的中していることを示します。
臨床現場における重要性
患者に「あなたの10年後の重篤な筋肉障害リスクは0.3%です」と伝えて共同意思決定を行う際、その「0.3%」という数値が信頼できるものでなければ、適切な治療方針の判断ができません。
較正能が高いモデルであって初めて、臨床医や患者は算出された確率の数値をそのまま信用し、心血管疾患リスクの低下幅（ベネフィット）と天秤にかけることが可能になります。
決定曲線分析（Decision Curve Analysis）
決定曲線分析（Decision Curve Analysis）では、モデル予測に基づいて臨床的対応（精密検査や治療方針の変更など）を決定する戦略が、「全員に対応する」「誰にも対応しない」「筋肉痛の自覚症状のみで対応する」という従来の戦略と比較して、幅広いリスク閾値において一貫して高い純便益（Net Benefit）をもたらすことが示されました。
明確にスタチン適応がある患者の62.5%がスタチン未治療
さらに注目すべき知見として、心血管疾患リスクが10%を超えて明確にスタチン適応がある患者185,457人を抽出したところ、その98.1%は10年間の重篤な筋肉障害リスクが10%未満の低リスク層に属していました。しかしながら、そのうち実に62.5%（115,884人）がスタチン未治療のまま放置されていました。重篤な筋肉障害のリスクが極めて低いにもかかわらず、多くの人々が必要な治療を受けられていない現状が浮き彫りとなったのです。
研究の限界（Limitation）
本研究の限界として、以下の点が挙げられます。
第一に、遺伝的素因や日常の身体活動量など、プライマリケアの電子カルテには日常的に記録されない潜在的なリスク因子がモデルに含まれていない点です。
第二に、予測リスクが極めて高い最上位層（全体の0.05%未満）において、予測値が実測値よりも過大評価される傾向が一部認められた点です（ただし、この層の実測10年リスク自体がすでに35%以上と高値であるため、慎重な臨床判断を促す上での実質的な支障は少ないと考えられます）。
第三に、心血管リスク値のカルテ記録不備を補うため、適応集団の定義に年齢カットオフを用いたことから、年齢以外のリスク因子によって若年で高リスクとなっている適応患者が除外された可能性がある点です。
第四に、イングランドの一次診療データを基盤としているため、他国の集団や高度な二次医療機関の患者層に対する一般化可能性については、さらなる外部検証が必要である点です。
第五に、電子カルテデータ特有の欠損値や、病名コード入力に伴うアウトカムや併存疾患の誤分類の可能性が残る点です。
明日からの医療と生活にどう活かすか
本研究の成果は、日常の医療現場や健康管理における意思決定を大きく変える力を秘めています。
まず、スタチンの導入を迷っている方に対しては、客観的なリスク予測に基づく共同意思決定（Shared Decision Making）の実践が可能です。QRISK3などの既存ツールから算出される「心血管疾患の絶対リスク低下（ベネフィット）」と、本モデルから得られる「重篤な筋肉障害の絶対リスク上昇（リスク）」を同じ年数ベースで並べて比較します。多くの方において、重篤な筋肉障害のリスクは1%未満と極めて低く、心血管イベント予防による利益が副作用リスクを圧倒的に上回ることが視覚的かつ論理的に理解できます。これにより、過度な不安による治療の中断や忌避を防ぐことができます。
※ 注意：提供形態が研究・学術用ソフトウェアであること、入力項目に専門的なカルテ情報が含まれなど、現時点では一般の方が直接アクセスして手軽に使える状態にはありません。
次に、本研究で同定された強力なリスク修飾因子への事前介入です。スタチンの開始前や治療中において、ビタミンD欠乏の有無、甲状腺機能低下症のコントロール状態、相互作用のある薬剤や他の筋毒性薬剤の併用状況を確認・是正することは、リスクをさらに最小化するための具体的で実践的なアプローチとなります。
また、すでにスタチンを服用中で軽微な筋肉の違和感を訴える方に対しても、本モデルを用いて背景リスクを再評価することで、不要な服薬中止を避けつつ、本当に注意が必要なごく一部の高リスク患者（過去に重篤な筋障害歴がある方や多数の重複リスクを持つ方）に対して優先的に血液検査や厳重な経過観察を行うという、メリハリの利いた安全管理体制を構築できます。
参考文献
Cai T, Hirst JA, Nicholson BD, McManus RJ, Hobbs FDR, Sheppard JP, Koshiaris C. Predicting the risk of serious muscle disorders in individuals eligible for statin treatment in England: derivation and validation of a clinical prediction model. Lancet Digit Health 2026; 8: 101024.
