統計データの面白い例から学ぶ医療現場での活用事例

統計データの面白い例と医療現場の活用

統計データの面白い例：平均在院日数は同じ指標ではない

「平均在院日数が短い病院は、効率的でよい病院である」とは直ちには言えません。医療統計で面白いのは、同じ“平均在院日数”という言葉でも、データの母集団と算出方法によって、示す現場像が異なる点です。

厚生労働省の患者調査における退院患者の平均在院日数は、調査対象期間中に退院した患者について、その在院日数を平均した値です。一方、病院報告で用いられる平均在院日数は、年間在院患者延数を新入院患者数・退院患者数から算出する、病床運営の状況を反映した指標です。両者は似て見えても、比較可能性を確認せずに横並びで評価してはいけません。患者調査では2023年9月の退院患者について、病院の平均在院日数は29.3日、一般診療所では14.2日でした。

参考）https://www.mhlw.go.jp/toukei/saikin/hw/kanja/23/dl/kanjya.pdf

確認したい項目	数字だけで見た場合	医療現場で追加して読む視点
平均在院日数	短い・長い	病床機能、疾患構成、年齢、転院先、退院支援体制
再入院率	高い・低い	観察期間、予定入院の扱い、地域の受診行動、重症度
転倒件数	件数が増えた・減った	患者延べ数、歩行可能患者の比率、報告文化、時間帯

たとえば精神病床、療養病床、一般病床を一つの平均で比較すると、患者像も治療目標も異なる集団を混ぜることになります。病院報告の2024年値では、病院全体の平均在院日数は25.6日である一方、精神病床は255.0日、療養病床は117.4日、一般病床は15.5日でした。 この差は、どの病床が優れているかを示すものではありません。必要な医療・ケアの性質が違うことを、数値として映しているのです。

参考）https://www.mhlw.go.jp/toukei/saikin/hw/iryosd/24/dl/03byouin06.pdf

医療従事者が実務で使うなら、平均値に中央値、四分位範囲、患者数を並べるだけでも解釈が変わります。平均在院日数が同じ10日でも、大部分が8～12日に収まる病棟と、短期入院群と長期入院群が混在する病棟では、退院支援や病床管理の課題がまったく異なります。

厚生労働省の患者調査では、傷病分類、年齢階級、施設種別などで退院患者の平均在院日数を確認できます。自施設の数字を全国値と比べる際は、まず比較対象の定義をそろえることが出発点です。
患者調査の対象・集計表・平均在院日数の定義を確認できる公的資料です。
厚生労働省「令和5年（2023）患者調査の概況」

統計データの面白い例：陽性的中率を変える事前確率

検査は「陽性か陰性か」の二値で返ってくるため、結果が明快に見えます。しかし、統計データとしては、検査性能だけでは患者への説明に足りません。重要なのは、検査前にその疾患である確率、すなわち事前確率です。

感度99％、特異度99％の検査を考えてみます。ある疾患の有病率が1％の集団1万人に実施したとすると、実際の患者は100人です。感度99％なら真陽性は99人、偽陰性は1人になります。他方、疾患がない9,900人のうち特異度99％なら、約99人が偽陽性です。陽性者は合計198人程度であり、そのうち本当に疾患がある人は99人です。つまり、陽性的中率はおよそ50％になります。

• 有病率1％、感度99％、特異度99％では、陽性結果の約半数が偽陽性となり得る
• 同じ検査でも、症状・接触歴・画像所見などで事前確率が上がると陽性的中率は上昇する
• スクリーニング検査の陽性は、確定診断ではなく「次の検査を考える情報」と位置付ける

この例が示すのは、優れた検査でも低リスク集団に無差別に用いれば、偽陽性による再検査、不安、偶発所見への対応が増え得るということです。逆に、症候や疫学的背景から事前確率が高い患者では、同じ陽性という結果の重みが増します。

陽性的中率・陰性的中率は有病率、すなわち事前確率の影響を大きく受けます。一方、陽性尤度比と陰性尤度比を使うと、検査前確率から検査後確率へ更新する考え方を整理できます。 医療者間で「この検査は99％当たる」と表現するよりも、「この患者集団で陽性なら、どの程度まで疑いが強まるか」と言い換えるほうが、臨床判断と患者説明に直結します。

参考）感染症診療における迅速検査を知る　迅速診断技術の限界を知る …

ここでの面白いポイントは、検査値が変わらなくても、検査を受ける人の集団が変わるだけで、陽性の意味が変わることです。統計データは検査機器の性能を示すだけでなく、誰に、どのタイミングで、何の目的で検査を行うかという医療設計まで問い直します。

統計データの面白い例：ヒヤリ・ハットを曜日と時間帯で読む

医療安全の報告件数は、単純に「多いから危険」とは言えません。報告が多い部署には、実際の事象が多い場合だけでなく、報告しやすい文化が根付いている場合もあるためです。そこで有用になるのが、曜日、時間帯、業務内容、患者数を掛け合わせて見る統計データです。

日本医療機能評価機構のヒヤリ・ハット事例収集・分析・提供事業では、発生曜日を日曜日から土曜日まで、発生時間帯を2時間ごとに記録する様式が用いられています。不明も独立した選択肢として扱われます。 これは「いつ起きたか」を単なるメモにせず、勤務交代、食事、検査搬送、入退院、夕方の多重業務などと結び付けて分析するための設計です。

参考）https://www.med-safe.jp/pdf/hiyarihatto_input_item_202504.pdf

例えば、16～17時台に内服関連のヒヤリ・ハットが増えているとします。この数字だけでは、夕方の人員が不足しているとは断定できません。確認すべきなのは、臨時処方・退院処方の集中、定時薬の準備、申し送り、患者移動、問い合わせ対応が重なるかどうかです。件数を患者延べ数、処方変更件数、投与件数などで割り、分母を置くと、単なる業務量の反映なのか、特定工程のリスク上昇なのかを見分けやすくなります。

• 報告件数は、患者数・投与件数・勤務人数などの分母と併記する
• 曜日と時間帯だけでなく、事象の種類、経験年数、業務工程を重ねる
• 報告が増えたことを直ちに悪化とみなさず、報告文化の変化も検討する
• 対策後は「件数が減ったか」だけでなく、重篤度と再発パターンも追う

興味深いのは、医療安全統計では「不明」という値も情報になる点です。不明が特定の部署、夜間、繁忙日に偏るなら、記録項目の設計や入力導線、報告に割ける時間自体に問題があるかもしれません。数字の山を見つけることが目的ではなく、その時間帯に現場で何が同時進行していたかを聞き取るために統計を使います。

発生曜日・発生時間帯を含むヒヤリ・ハット報告の入力項目を確認できる資料です。
日本医療機能評価機構「ヒヤリ・ハット事例収集・分析・提供事業 入力項目」

統計データの面白い例：相関と因果、シンプソンのパラドックス

二つの指標が一緒に動くことを相関といいます。しかし、相関があることは、一方が他方の原因であることを意味しません。医療の質指標や施設比較では、この区別を外すと、善意の改善策が誤った評価につながることがあります。

代表例がシンプソンのパラドックスです。全体を集計した結果と、重症度・年齢・病院などで層別した結果の方向が逆転する現象を指します。臨床研究では、集団全体では一方の治療の成功率が高く見えるのに、結石の大きさで層別すると各層では別の治療の成功率が高い、という例が知られています。


医療機関の比較に置き換えると、重症患者を多く受け入れる施設は、粗死亡率や平均在院日数だけでは不利に見えやすくなります。重症度、併存疾患、救急搬送の有無、紹介患者の割合、手術の難易度などが、治療選択にもアウトカムにも関係するからです。こうした背景因子を無視した比較は、交絡の影響を強く受けます。

見えた関係	早すぎる結論	確認するべき統計データ
救急受入件数が多い施設で死亡率が高い	救急受入が質を下げている	重症度、搬送時状態、疾患別構成、治療開始までの時間
抗菌薬使用量が多い病棟で耐性菌検出が多い	使用量だけが原因である	患者重症度、培養実施数、デバイス使用、アウトブレイクの有無
転倒報告が多い病棟	安全管理が不十分である	歩行自立患者の割合、報告率、転倒後重症度、観察体制

統計を読む実務上の順番は、①分母を確認する、②患者集団を層別する、③時間的な前後関係を確かめる、④介入以外の変化を探す、の四つです。相関を見つけることは、原因を決める作業ではありません。「なぜこの二つが一緒に動くのか」という仮説を作り、追加データや現場観察で検証する入口です。

シンプソンのパラドックスは、全体集計と層別集計で結論が反転し得ることを示しています。質指標を比較する際は、ケースミックスの違いを扱う必要があります。

参考）https://qualitysafety.bmj.com/content/23/9/701
医療研究におけるシンプソンのパラドックスを、結石治療や院内感染の例で解説した論文です。

統計データの面白い例：欠測は「ゼロ」ではなく現場のサイン

検索上位の記事では、平均、割合、ランキングのような「入力された数字」の読み方が中心になりがちです。しかし医療データで見落としやすく、実務では極めて重要なのが欠測です。これは、統計データの面白い例であると同時に、独自に着目したい視点です。

体温が未記録、転倒リスク評価が未実施、疼痛スケールが空欄、退院時の服薬情報が欠けている。これらを0として扱う、あるいは解析対象から単純に除外すると、結果が偏るおそれがあります。欠測した患者は、状態が安定していて記録が省略されたのか、急変や多忙で記録できなかったのか、他院への転院で追跡不能だったのかによって、意味がまったく異なるためです。

欠測には大きく三つの考え方があります。完全に偶然に欠けた場合、観測済みの情報と関連して欠けた場合、そして観測されていない真の値そのものと関連して欠けた場合です。実際の医療現場では、重症度、勤務帯、記録負荷、患者の転院・死亡などが欠測に関係し得るため、「空欄を除けばよい」とは限りません。

• 欠測率を項目別、部署別、時間帯別、月別に可視化する
• 介入前後で欠測率が変わっていないかを確認する
• 欠測を除外した解析と、補完・感度分析を用いた解析の結論を比べる
• 記録が難しい工程を現場で観察し、入力画面や業務分担を見直す

例えば、退院時の薬剤情報が休日退院で欠測しやすいなら、問題は「データ品質」だけではありません。薬剤師・看護師・医師間の情報連携、退院決定のタイミング、文書作成の導線、休日体制という業務設計が背景にある可能性があります。欠測率の上昇は、患者安全に関わる工程が逼迫している早期警報になり得ます。

医薬品評価の領域でも、欠測データの扱いでは、試験目的に応じたestimandの整理、解析方法、感度分析、欠測の発生を最小化する方策が重視されています。 研究だけでなく院内Q Iでも同じで、欠測を技術的に埋める前に「なぜこの値が残らなかったのか」を問うことが重要です。

参考）臨床試験の欠測データの取り扱い

統計データを面白く、かつ安全に活用する鍵は、派手な数字を探すことではありません。平均の背後にいる患者、陽性の背後にある事前確率、件数の背後にある分母、相関の背後にある交絡、空欄の背後にある業務を想像することです。数字を結論にするのではなく、現場によりよい問いを返す道具として使うことで、統計データは医療の改善に生きてきます。
臨床試験における欠測データの考え方、感度分析、欠測を減らす方策を整理した資料です。
日本製薬工業協会「臨床試験の欠測データの取り扱い」

【第1類医薬品】ロキソニンSプレミアム 24錠