For ikke længe siden troede jeg, at jeg havde opdaget det værste fejlfortolkning af en undersøgelse om Covid-vacciner, men jeg er lige stødt på en anden kandidat til titlen. Det var en studere om vaccination og trafikuheld.
Forfatterne forklarer, at "[De] testede, om COVID-vaccination var forbundet med risikoen for et trafikuheld," og de konkluderede, at "tøven med COVID-vacciner er forbundet med betydelig øget risiko for et trafikuheld."
De betød meget mere end "associeret". De betød, at tøven med vacciner øger risikoen for et trafikuheld, en årsagspåstand, ligesom påstanden om, at Covid-vacciner reducerer risikoen for død.
Hvordan ved jeg, at det var deres påstand?
De bemærkede, at undersøgelsen ikke var et randomiseret forsøg, og de brugte statistiske metoder til at understøtte konklusioner om årsag-og-virkning sammenhæng fra en observationsundersøgelse.
Deres slutning var falsk. Dette er de sande konklusioner:
1. Deres undersøgelse viser endnu et eksempel på den sunde vaccinerede bias.
2. Deres undersøgelse viser manglende evne til at fjerne bias ved den mest stringente statistiske metode.
Lad mig starte med et lynkursus om association versus årsagssammenhæng.
Association er et statistisk fænomen. Årsagssammenhæng er virkelighed. I løbet af Covid-æraen har mange hørt udsagnet "Forening er ikke (nødvendigvis) årsagssammenhæng", hvilket er sandt. Men de to ideer hænger sammen. Hvordan?
Sammenhængen forklares bedst ved at bruge et simpelt kausaldiagram, hvor en pil betyder årsagssammenhæng.
To mekanismer kan skabe en sammenhæng mellem A (f.eks. vaccination) og B (f.eks. et trafikuheld).
1) A påvirker B (årsagssammenhæng)
2) A og B deler en årsag, C (forvirrende)
Hvis A gør ikke påvirker B, men alligevel deler de en årsag, A og B vil stadig være forbundet. Det er en af grundene til, at en sammenhæng ikke nødvendigvis er årsagssammenhæng. Et randomiseret forsøg eliminerer enhver årsag til de behandlinger, vi tildeler (f.eks. ét lægemiddel versus et andet) undtagen randomiseringsmekanismen. Det er derfor, vi har brug for randomiserede forsøg for at fremsætte stærke kausale påstande. Confounding er væk.
Endnu et punkt: enhver pil kan betragtes som et resumé af en årsagskæde. For eksempel, C → B kunne repræsentere C → X → Y → Z → B.
Slut selvfølgelig. Der er et hav af kompliceret materiale, men det er alt, vi behøver at vide.
Artiklens forfattere kender til årsagsdiagrammer. De viser en udarbejdet "rettet acyklisk graf" (venstre diagram), som er et fancy navn for et "årsagsdiagram."
Forbavsende nok vises variablen "vaccinationsstatus" ikke i deres diagram, kun "vaccinationstøven", det navn, de gav til den faktiske variabel, de analyserede: vaccineret eller ej.
Videnskaben er ikke fordømmende, så jeg erstattede "vaccine tøven" med "beslutning" (om at blive vaccineret eller ej), hvad end dens årsager måtte være (højre diagram). Derefter tilføjede jeg "vaccinationsstatus" (A), som er effekten af "beslutning." De to variable er næsten perfekt korrelerede. Hvis jeg beslutter mig for at blive vaccineret, vil jeg højst sandsynligt blive vaccineret. Ligeledes hvis jeg beslutter mig for ikke at blive vaccineret. Jeg ignorerer tilfælde, hvor en person er kognitivt ude af stand til at bestemme sig, eller der ikke er adgang til vaccinen eller en fysisk påtvunget injektion...
Som du kan se i mit diagram, forbinder ingen kausal pil hverken "beslutning" eller "vaccinationsstatus" med et trafikuheld. Nej A → B. Den eneste mulige årsagssammenhæng, uklart hentydet til i forfatternes diagram, er gennem Covid: uvaccineret → infektion → træthed → krak. Vi kan ignorere denne kæde, da vi ved, at vaccination ikke nedsætter risikoen for en infektion, evt det modsatte.
Så hvorfor kan vaccination og nedbrud være forbundet?
Nu kender du svaret. De deler mange årsager - C i mit diagram - hvoraf nogle blev målt i undersøgelsen, og mange der ikke blev. Baseret på diagrammet ville et randomiseret forsøg ikke have fundet nogen sammenhæng mellem vaccination og et trafikuheld, ingen tegn på nogen effekt.
Som forventet fra deres diagram og mit, fandt forfatterne faktisk en sammenhæng mellem vaccination og et styrt. De uvaccinerede så ud til at have højere risiko for et styrt end de vaccinerede eller omvendt: vaccination så ud til at beskytte mod et trafikuheld. Nogle af de fælles årsager virkede for at skabe indtryk af en reduceret risiko, mens andre opererede i den modsatte retning. Nettoeffekten af alle fælles årsager gav pseudo-effektivitet mod et alvorligt trafikuheld.
Det er endnu et eksempel på den sunde vaccinerede bias, som forfatterne var bekendt med. Mere "gunstige egenskaber" hos de vaccinerede gjorde dem mindre sandsynligt at være involveret i et alvorligt uheld, som kunne have resulteret i trafikdød, en af mange ikke-Covid dødsårsager. Disse egenskaber, som også gjorde dem mere sandsynligt at blive vaccineret, reducerede deres risiko for et styrt - ikke en beslutning om at tage en Covid-vaccine eller tage den.
Ironisk nok tjekkede forfatterne for den sunde vaccinerede bias ved at bruge en metode kaldet "negative kontroller." De undersøgte sammenhængen mellem vaccination og andre endepunkter, på hvilke der ikke forventedes nogen effekt af vaccination. Alligevel indså de ikke, at endepunktet i deres undersøgelse er præcis den slags endepunkt. A priori forventes vaccination ikke at påvirke risikoen for et styrt, ifølge deres eget diagram og sund fornuft. Den "effekt", de fandt, var forvirrende bias.
Endnu mere ironisk blev hospitalsindlæggelse for skade eller traume betragtet som en "negativ kontrol"-endepunkt for undersøgelser af influenzavaccinen af ingen ringere end en medforfatter af en nøgleudgivelse om effektiviteten af Covid-vacciner. (Jeg ved ikke, hvorfor han ikke anvendte denne metode til undersøgelser af Covid-vacciner. I var ikke tilladt at spørge.)
Risikoen for et nedbrud hos de uvaccinerede var 1.72 gange risikoen hos de vaccinerede, eller omvendt: pseudoeffekten af vaccination var et risikoforhold på 0.58 eller pseudovaccineeffektivitet på 42 %.
Med kausalitet i tankerne, forsøgte forfatterne at justere estimatet ved hjælp af flere metoder og viste forskellige resultater. De beskrev det mest strenge forsøg som følger:
Formålet med den anden tilbøjelighedsscoreanalyse var at være stringent, når et uvaccineret individ matches 1-til-1 med et vaccineret individ og udelukke tilfælde, hvor enhver person havde en medicinsk diagnose.
Du behøver ikke at kende statistik for intuitivt at erkende, at dette virkelig er en streng metode.
Fik de et risikoforhold på 1, den sande nul-effekt, fra deres mest stringente forsøg på at fjerne den sunde vaccinerede bias? Nej, de fik 1.63 (justeret) i stedet for 1.72 (ujusteret). Det er alt, hvad den strenge tilpasning har opnået. (Begge tal er teknisk set oddsforhold.)
Så når du læser anmeldelser af den sparsomme litteratur om metoder til at fjerne den sunde vaccinerede bias, så husk denne artikel om vaccination og trafikuheld. Stoler på målte variable kan undlade at fjerne skævheden, og det er alt, hvad vi kende.
Det bedste, vi kan gøre på dette tidspunkt, er forklaret andetsteds. Det er slet ikke sofistikeret, selvom der er mere at udforske. Det virkelige problem, vi står over for, er ikke videnskabeligt: de data, vi har brug for om ikke-Covid-død, er normalt skjult.
PS jeg var associeret redaktør af American Journal of Epidemiology, og min optegnelse indeholder omkring 200 publikationer, nogle af dem i de såkaldte topmedicinske tidsskrifter. Skal jeg omformatere dette indlæg eller andre om emnet og indsend dem til et tidsskrift for at få stemplet "peer-reviewed?"
Jeg opgav lang tid siden.
Genudgivet fra forfatterens Medium
Udgivet under a Creative Commons Attribution 4.0 International licens
For genoptryk, sæt venligst det kanoniske link tilbage til originalen Brownstone Institute Artikel og forfatter.
