重要テーマです。
「効いたように見えた」の正体を、統計構造で分解します。
対象は イベルメクチン の初期研究です。

---

① 小規模試験の“ブレ”効果

初期研究は被験者数が少なかった。

例（仮想モデル）：

• 治療群 50人中 1人死亡
• 対照群 50人中 4人死亡

→ 相対リスク 0.25（75％減！）

しかし実数差は 3人。
人数が少ないほど、偶然の影響が大きい。

これを ランダム誤差の拡大 と言います。

---

② 相対リスクのマジック

「死亡率75％減」と言われると強烈ですが、

• 絶対差：6％ → 2％（4％差）

絶対リスク減少は小さい。

相対表現は印象を強くします。

---

③ 観察研究バイアス

初期にはランダム化されていない研究も多かった。

起こりやすい問題：

• 若く軽症の人に投与
• 併用治療の差
• 早期受診群だけが投与対象

→ 元々予後が良い群だった可能性。

これを 交絡（confounding） と言います。

---

④ p値ハッキング（多重比較問題）

症状・日数・ウイルス量など
多くの項目を検討すると、

偶然でも1つくらい有意差が出る。

有意差が出た項目だけを強調すると
「効いた」ように見える。

---

⑤ プレプリント拡散問題

パンデミック初期は査読前論文（preprint）が急増。

• 査読未了
• データ確認前
• メディア先行報道

後に撤回された研究も含まれました。

---

⑥ メタ解析の罠

メタ解析は便利ですが、

• 質の低い研究を混ぜる
• 撤回論文を含む
• 出版バイアス

があると結果が歪みます。

実際、後に問題研究を除外すると
効果が消えた解析もありました。

---

⑦ 生存時間バイアス

「早く投与された群」が生存率高く見える場合、

実は：

• 重症化する前に受診できた人
• 医療アクセスが良い人

だった可能性。

薬の効果とは限らない。

---

⑧ 回帰効果（Regression to the mean）

軽症患者は自然に回復する割合が高い。

投与後に改善しても
自然経過との区別がつきにくい。

---

⑨ “英雄物語”の強化

• ノーベル賞
• 安価
• 既存薬

という物語があると
小さな効果でも強く信じられやすい。

これは統計ではなく心理の増幅です。

---

まとめ：なぜ錯覚が生まれたか

小規模試験
＋ 相対リスク強調
＋ 観察研究
＋ プレプリント拡散
＋ SNS増幅
＝ 「効いたように見える」

---

科学的に見ると

後の大規模RCTでは
効果は一貫して確認されませんでした。

ここが最も重い証拠です。

---

もしさらに深掘るなら：

• 📊 実際の数字を使ってシミュレーション
• 🧠 なぜ人は小さな有意差に強く反応するのか
• 🔍 メタ解析の読み方講座
• ⚖ 統計的有意と臨床的有意の違い

どこまで行きますか？