Πριν από λίγο καιρό νόμιζα ότι είχα ανακαλύψει το χειρότερο κακή ερμηνεία μιας μελέτης για τα εμβόλια Covid, αλλά μόλις συνάντησα έναν άλλο υποψήφιο για τον τίτλο. Ήταν ένα μελέτη σχετικά με τον εμβολιασμό και τα τροχαία ατυχήματα.
Οι συγγραφείς εξηγούν ότι «[Έλεγξαν] εάν ο εμβολιασμός κατά της COVID συσχετίστηκε με τους κινδύνους τροχαίου ατυχήματος» και κατέληξαν στο συμπέρασμα ότι «η διστακτικότητα του εμβολιασμού κατά της COVID σχετίζεται με σημαντικά αυξημένους κινδύνους τροχαίου ατυχήματος».
Εννοούσαν πολύ περισσότερα από το «σχετιζόμενο». Εννοούσαν ότι η διστακτικότητα απέναντι στα εμβόλια αυξάνει τον κίνδυνο τροχαίου ατυχήματος, έναν αιτιώδη ισχυρισμό, όπως ακριβώς και ο ισχυρισμός ότι τα εμβόλια κατά της Covid μειώνουν τον κίνδυνο θανάτου.
Πώς ξέρω ότι αυτός ήταν ο ισχυρισμός τους;
Παρατήρησαν ότι η μελέτη δεν ήταν τυχαιοποιημένη δοκιμή και χρησιμοποίησαν στατιστικές μεθόδους για να υποστηρίξουν την εξαγωγή συμπερασμάτων σχετικά με τη σχέση αιτίας-αποτελέσματος από μια παρατηρητική μελέτη.
Το συμπέρασμά τους ήταν λανθασμένο. Αυτά είναι τα αληθινά συμπεράσματα:
1. Η μελέτη τους δείχνει ένα άλλο παράδειγμα η προκατάληψη των υγιών εμβολιασμών.
2. Η μελέτη τους δείχνει την αποτυχία εξάλειψης της μεροληψίας με την πιο αυστηρή στατιστική μέθοδο.
Επιτρέψτε μου να ξεκινήσω με ένα εντατικό μάθημα σχετικά με τη συσχέτιση έναντι της αιτιώδους συνάφειας.
Η συσχέτιση είναι ένα στατιστικό φαινόμενο. Η αιτιότητα είναι πραγματικότητα. Κατά την εποχή της Covid, πολλοί έχουν ακούσει τη δήλωση «Η συσχέτιση δεν είναι (αναγκαστικά) αιτιότητα», η οποία είναι αλήθεια. Αλλά οι δύο ιδέες συνδέονται. Πώς;
Η σύνδεση εξηγείται καλύτερα χρησιμοποιώντας ένα απλό αιτιώδες διάγραμμα, όπου ένα βέλος σημαίνει αιτιότητα.
Δύο μηχανισμοί μπορούν να δημιουργήσουν μια συσχέτιση μεταξύ του Α (π.χ., εμβολιασμός) και του Β (π.χ., τροχαίο ατύχημα).
1) Το Α επηρεάζει το Β (αιτιώδης συνάφεια)
2) Τα Α και Β έχουν κοινή αιτία, Γ (συγχυτική αιτία)
Αν το κάνει ο Α δεν επηρεάζουν το Β, παρόλα αυτά μοιράζονται μια κοινή αιτία, τα Α και Β θα εξακολουθούν να σχετίζονται. Αυτός είναι ένας λόγος για τον οποίο μια συσχέτιση δεν είναι απαραίτητα αιτιώδης συνάφεια. Μια τυχαιοποιημένη δοκιμή εξαλείφει οποιαδήποτε αιτία των θεραπειών που ορίζουμε (π.χ., ένα φάρμακο έναντι ενός άλλου) εκτός από τον μηχανισμό της τυχαιοποίησης. Γι' αυτό χρειαζόμαστε τυχαιοποιημένες δοκιμές για να κάνουμε ισχυρούς ισχυρισμούς αιτιώδους συνάφειας. Η σύγχυση έχει εξαφανιστεί.
Ένα ακόμη σημείο: οποιοδήποτε βέλος μπορεί να θεωρηθεί ως σύνοψη μιας αιτιώδους αλυσίδας. Για παράδειγμα, Γ → Β θα μπορούσε να αντιπροσωπεύει Γ → X → Y → Z → Β.
Τέλος φυσικά. Υπάρχει ένας ωκεανός από περίπλοκο υλικό, αλλά αυτό είναι το μόνο που χρειάζεται να ξέρουμε.
Οι συγγραφείς του άρθρου γνωρίζουν τα αιτιακά διαγράμματα. Δείχνουν ένα επεξεργασμένο «κατευθυνόμενο ακυκλικό γράφημα» (αριστερό διάγραμμα), το οποίο είναι μια φανταχτερή ονομασία για ένα «αιτιώδες διάγραμμα».
Παραδόξως, η μεταβλητή «κατάσταση εμβολιασμού» δεν εμφανίζεται στο διάγραμμά τους, μόνο «διστακτικότητα ως προς τον εμβολιασμό», το όνομα που έδωσαν στην πραγματική μεταβλητή που ανέλυσαν: εμβολιασμένοι ή όχι.
Η επιστήμη δεν είναι επικριτική, γι' αυτό αντικατέστησα τη «διστακτικότητα ως προς το εμβόλιο» με τη «απόφαση» (να εμβολιαστώ ή όχι), όποιες κι αν είναι οι αιτίες της (δεξιό διάγραμμα). Στη συνέχεια, πρόσθεσα την «κατάσταση εμβολιασμού» (Α), η οποία είναι το αποτέλεσμα της «απόφασης». Οι δύο μεταβλητές συσχετίζονται σχεδόν τέλεια. Αν αποφασίσω να εμβολιαστώ, πιθανότατα θα εμβολιαστώ. Ομοίως, αν αποφασίσω να μην εμβολιαστώ, αγνοώ περιπτώσεις όπου ένα άτομο είναι γνωστικά ανίκανο να αποφασίσει ή δεν υπάρχει πρόσβαση στο εμβόλιο ή σε σωματικά αναγκαστική ένεση...
Όπως μπορείτε να δείτε στο διάγραμμά μου, κανένα βέλος αιτιότητας δεν συνδέει ούτε την «απόφαση» ούτε την «κατάσταση εμβολιασμού» με ένα τροχαίο ατύχημα. Όχι Α → Β. Η μόνη πιθανή αιτιώδης σύνδεση, στην οποία γίνεται ασαφής νύξη στο διάγραμμα των συγγραφέων, είναι μέσω της Covid: μη εμβολιασμένος → λοίμωξη → κούραση → συντριβή. Μπορεί να αγνοήσουμε αυτήν την αλυσίδα, καθώς γνωρίζουμε ότι ο εμβολιασμός δεν μειώνει τον κίνδυνο μόλυνσης, πιθανώς το αντίθετο.
Γιατί, λοιπόν, μπορεί να σχετίζεται ο εμβολιασμός με τα τροχαία ατυχήματα;
Μέχρι τώρα, ξέρετε την απάντηση. Έχουν πολλές κοινές αιτίες — C στο διάγραμμά μου — μερικές από τις οποίες μετρήθηκαν στη μελέτη, και πολλές που δεν μετρήθηκαν. Με βάση το διάγραμμα, μια τυχαιοποιημένη δοκιμή δεν θα είχε βρει καμία συσχέτιση μεταξύ εμβολιασμού και τροχαίου ατυχήματος, καμία ένδειξη οποιασδήποτε επίδρασης.
Όπως αναμενόταν από το διάγραμμά τους και το δικό μου, οι συγγραφείς πράγματι βρήκαν μια συσχέτιση μεταξύ του εμβολιασμού και ενός ατυχήματος. Οι μη εμβολιασμένοι φάνηκαν να διατρέχουν μεγαλύτερο κίνδυνο ατυχήματος από τους εμβολιασμένους ή αντίστροφα: ο εμβολιασμός φάνηκε να προστατεύει από ένα τροχαίο ατύχημα. Ορισμένες από τις κοινές αιτίες λειτούργησαν για να δημιουργήσουν την εντύπωση μειωμένου κινδύνου, ενώ άλλες λειτούργησαν προς την αντίθετη κατεύθυνση. Το καθαρό αποτέλεσμα όλων των κοινών αιτιών παρήγαγε ψευδο-αποτελεσματικότητα έναντι ενός σοβαρού τροχαίου ατυχήματος.
Αυτό είναι ένα άλλο παράδειγμα η προκατάληψη των υγιών εμβολιασμών, για τα οποία γνώριζαν οι συγγραφείς. Πιο «ευνοϊκά χαρακτηριστικά» των εμβολιασμένων τους έκαναν λιγότερο πιθανό να εμπλακεί σε σοβαρό τροχαίο ατύχημα, το οποίο θα μπορούσε να οδηγήσει σε θάνατο από τροχαίο, ένα από τα πολλά μη-Covid αιτίες θανάτου. Αυτά τα χαρακτηριστικά, τα οποία επίσης τα έκαναν πιο πιθανό να εμβολιαστούν, μείωσε τον κίνδυνο ατυχήματος — όχι μια απόφαση να κάνουν εμβόλιο για την Covid ή να το λάβουν.
Κατά ειρωνικό τρόπο, οι συγγραφείς έλεγξαν για την προκατάληψη των υγιών εμβολιασμένων χρησιμοποιώντας μια μέθοδο που ονομάζεται «αρνητικοί έλεγχοι». Μελέτησαν τη συσχέτιση του εμβολιασμού με άλλα τελικά σημεία στα οποία δεν αναμενόταν καμία επίδραση του εμβολιασμού. Ωστόσο, δεν κατάφεραν να συνειδητοποιήσουν ότι το τελικό σημείο στη μελέτη τους είναι ακριβώς αυτό το είδος τελικού σημείου.Εκ των προτέρων, ο εμβολιασμός δεν αναμένεται να επηρεάσει τον κίνδυνο συντριβής, σύμφωνα με το δικό τους διάγραμμα και την κοινή λογική. Το «επίδραμα» που διαπίστωσαν ήταν η συγχυτική προκατάληψη.
Ακόμα πιο ειρωνικά, η νοσηλεία σε νοσοκομείο για τραυματισμό ή τραύμα θεωρούνταν Τελικό σημείο «αρνητικού ελέγχου» για μελέτες του εμβολίου της γρίπης από κανέναν άλλον παρά από έναν συν-συγγραφέα ενός βασική δημοσίευση σχετικά με την αποτελεσματικότητα των εμβολίων κατά της Covid. (Δεν ξέρω γιατί δεν εφάρμοσε αυτή τη μέθοδο σε μελέτες εμβολίων κατά της Covid. Εγώ δεν επιτρεπόταν να ρωτήσω.)
Ο κίνδυνος ατυχήματος στους μη εμβολιασμένους ήταν 1.72 φορές μεγαλύτερος από τον κίνδυνο στους εμβολιασμένους ή αντίστροφα: η ψευδο-επίδραση του εμβολιασμού ήταν λόγος κινδύνου 0.58 ή αποτελεσματικότητα ψευδο-εμβολίου 42%.
Έχοντας κατά νου την αιτιότητα, οι συγγραφείς προσπάθησαν να προσαρμόσουν την εκτίμηση με διάφορες μεθόδους και έδειξαν διάφορα αποτελέσματα. Περιέγραψαν την πιο αυστηρή προσπάθεια ως εξής:
Ο σκοπός της δεύτερης ανάλυσης βαθμολογίας προδιάθεσης ήταν να είναι αυστηρή κατά την αντιστοίχιση ενός μη εμβολιασμένου ατόμου 1 προς 1 με ένα εμβολιασμένο άτομο και να εξαιρούνται περιπτώσεις όπου οποιοδήποτε άτομο είχε ιατρική διάγνωση.
Δεν χρειάζεται να γνωρίζετε στατιστικά στοιχεία για να αναγνωρίσετε διαισθητικά ότι πρόκειται πράγματι για μια αυστηρή μέθοδο.
Πέτυχαν λόγο κινδύνου 1, το πραγματικό μηδενικό αποτέλεσμα, από την πιο αυστηρή προσπάθειά τους να εξαλείψουν την προκατάληψη υπέρ των υγιών εμβολιασμένων; Όχι, πήραν 1.63 (προσαρμοσμένο) αντί για 1.72 (μη προσαρμοσμένο). Αυτό είναι το μόνο που έχει επιτευχθεί με την αυστηρή προσαρμογή. (Και οι δύο αριθμοί είναι τεχνικά λόγοι πιθανοτήτων.)
Έτσι, όταν διαβάζετε κριτικές για την περιορισμένη βιβλιογραφία σχετικά με μεθόδους για την εξάλειψη της προκατάληψης υπέρ των υγιών εμβολιασμένων, θυμηθείτε αυτό το άρθρο σχετικά με τον εμβολιασμό και τα τροχαία ατυχήματα. Βασιζόμενοι σε μετρούμενες μεταβλητές δεν μπορεί να αποτύχει να εξαλείψει την προκατάληψη, και αυτό είναι όλο που εμείς πρέπει να ξέρετε.
Το καλύτερο που μπορούμε να κάνουμε αυτή τη στιγμή εξηγείται αλλούΔεν είναι καθόλου εξελιγμένο, αν και υπάρχουν περισσότερα να εξερευνήσωΤο πραγματικό πρόβλημα που αντιμετωπίζουμε δεν είναι επιστημονικό: τα δεδομένα που χρειαζόμαστε για τους θανάτους που δεν οφείλονται σε Covid συνήθως αποκρύπτονται.
Υ.Γ. Ήμουν αναπληρωτής συντάκτης του Το Αμερικανικό Περιοδικό Επιδημιολογίας, και το αρχείο μου περιέχει περίπου 200 δημοσιεύσεις, μερικές από αυτές στα λεγόμενα κορυφαία ιατρικά περιοδικά. Να αναδιαμορφώσω αυτήν την ανάρτηση ή άλλοι σχετικά με το θέμα και να τα υποβάλουν σε ένα περιοδικό για να λάβουν τη σφραγίδα «αξιολογημένα από ομότιμους;»
τα παράτησα αρκετό καιρό πριν.
Αναδημοσίευση από τον συγγραφέα Μέτριας Δυσκολίας
Μπές στην κουβέντα:
Δημοσιεύτηκε υπό την αιγίδα Creative Commons Attribution 4.0 Διεθνής άδεια
Για ανατυπώσεις, παρακαλούμε ορίστε τον κανονικό σύνδεσμο πίσω στο πρωτότυπο Ινστιτούτο Brownstone Άρθρο και Συγγραφέας.
