Ještě nedávno jsem si myslel, že jsem objevil to nejhorší dezinterpretace studie o vakcínách Covid, ale právě jsem narazil na jiného uchazeče o titul. Bylo to studovat o očkování a dopravních nehodách.
Autoři vysvětlují, že „[Testovali], zda je očkování proti COVID spojeno s riziky dopravní nehody“, a dospěli k závěru, že „váhavost v souvislosti s očkováním proti COVID je spojena s významným zvýšeným rizikem dopravní nehody“.
Znamenaly mnohem víc než jen „přidružené“. Mysleli tím, že váhání s vakcínou zvyšuje riziko dopravní nehody, kauzální tvrzení, stejně jako tvrzení, že vakcíny Covid snižují riziko úmrtí.
Jak mám vědět, že to bylo jejich tvrzení?
Poznamenali, že studie nebyla randomizovanou studií a použili statistické metody k podpoře závěrů o vztahu příčiny a účinku z pozorovací studie.
Jejich závěr byl mylný. Toto jsou pravdivé závěry:
1. Jejich studie ukazuje další příklad zaujatost zdravého očkovaného.
2. Jejich studie ukazuje, že se nepodařilo odstranit zkreslení nejpřísnější statistickou metodou.
Dovolte mi začít rychlokurzem o asociaci versus kauzalita.
Asociace je statistický fenomén. Kauzalita je realita. Během éry Covid mnozí slyšeli prohlášení „Asociace není (nezbytně) kauzalita“, což je pravda. Ale ty dvě myšlenky spolu souvisí. Jak?
Souvislost se nejlépe vysvětluje pomocí jednoduchého kauzálního diagramu, kde šipka znamená příčinnou souvislost.
Dva mechanismy mohou vytvořit spojení mezi A (např. očkování) a B (např. dopravní nehoda).

1) A ovlivňuje B (příčinná souvislost)
2) A a B mají společnou příčinu, C (matoucí)
Pokud to udělá A ne ovlivňují B, přesto mají společnou příčinu, A a B budou stále spojeny. To je jeden z důvodů, proč asociace není nutně kauzalita. Randomizovaná studie eliminuje jakoukoli příčinu léčby, kterou přiřadíme (např. jeden lék proti druhému), kromě mechanismu randomizace. To je důvod, proč potřebujeme randomizované studie, abychom učinili silná kauzální tvrzení. Zmatení je pryč.
Ještě jeden bod: jakákoli šipka může být považována za souhrn kauzálního řetězce. Například, C → B mohl reprezentovat C → X → Y → Z → B.
Samozřejmě konec. Existuje oceán komplikovaný materiál, ale to je vše, co potřebujeme vědět.
Autoři článku o kauzálních diagramech vědí. Zobrazují propracovaný „směrovaný acyklický graf“ (levý diagram), což je vymyšlený název pro „kauzální diagram“.

Překvapivě se v jejich diagramu nezobrazuje proměnná „stav očkování“, pouze „váhavost vakcíny“, což je název, který dali skutečné proměnné, kterou analyzovali: očkovaní nebo ne.
Věda není soudná, a tak jsem „váhavost ohledně očkování“ nahradil „rozhodnutím“ (být očkován nebo ne), ať už jsou jeho příčiny jakékoli (pravý diagram). Poté jsem přidal „stav očkování“ (A), což je účinek „rozhodnutí“. Tyto dvě proměnné spolu téměř dokonale korelují. Pokud se rozhodnu pro očkování, s největší pravděpodobností se nechám očkovat. Stejně tak, když se rozhodnu nenechat se očkovat. Ignoruji případy, kdy se člověk kognitivně nemůže rozhodnout nebo nemá přístup k vakcíně nebo fyzicky vynucené injekci…
Jak můžete vidět na mém diagramu, žádná kauzální šipka nespojuje ani „rozhodnutí“ ani „stav očkování“ s dopravní nehodou. Není → B. Jediné možné kauzální spojení, o kterém se v diagramu autorů nejasně zmiňuje, je přes Covid: neočkovaný → infekce → únava → pád. Tento řetězec můžeme ignorovat, protože víme, že očkování nesnižuje riziko infekce, event opak.
Proč tedy mohou být spojeny očkování a nehody?
Teď už znáte odpověď. Sdílejí mnoho příčin – C v mém diagramu – z nichž některé byly ve studii měřeny a mnohé ne. Na základě diagramu by randomizovaná studie nezjistila žádnou souvislost mezi očkováním a dopravní nehodou, žádný důkaz jakéhokoli účinku.
Jak se očekávalo z jejich diagramu a mého, autoři skutečně našli souvislost mezi očkováním a havárií. Zdálo se, že neočkovaní jsou vystaveni vyššímu riziku nehody než očkovaní nebo naopak: zdálo se, že očkování chrání před dopravní nehodou. Některé ze sdílených příčin působily tak, že vyvolávaly zdání sníženého rizika, zatímco jiné působily opačným směrem. Čistý efekt všech sdílených příčin vytvořil pseudo-účinnost proti vážné dopravní nehodě.

To je další příklad zaujatost zdravého očkovaného, čehož si byli autoři vědomi. U očkovaných je činilo více „příznivějších vlastností“. méně pravděpodobné, že být zapojen do vážné nehody, která mohla mít za následek smrt v dopravě, jeden z mnoha non-Covid příčin smrti. Tyto vlastnosti, které je také dělaly spíše být očkováni, snížilo jejich riziko havárie – nikoli rozhodnutí vzít si vakcínu Covid nebo ji vzít.

Je ironií, že autoři zkontrolovali předpojatost zdravých očkovaných pomocí metody zvané „negativní kontroly“. Zkoumali souvislost očkování s jinými cílovými parametry, na které se neočekával žádný účinek očkování. Přesto si neuvědomili, že koncový bod v jejich studii je přesně takový koncový bod. A priori se neočekává, že by očkování ovlivňovalo riziko havárie, podle jejich vlastního schématu a zdravého rozumu. „Účinek“, který našli, byl matoucí zaujatost.
Ještě ironičtější je, že hospitalizace pro zranění nebo trauma byla považována za a koncový bod „negativní kontroly“. za studie vakcíny proti chřipce od nikoho jiného než od spoluautora a klíčová publikace o účinnosti vakcín proti Covid. (Nevím, proč tuto metodu neaplikoval na studie vakcín proti Covidu. I nebylo povoleno zeptat se.)
Riziko havárie u neočkovaných bylo 1.72krát vyšší než riziko u očkovaných nebo naopak: pseudoefekt očkování byl poměr rizika 0.58, neboli účinnost pseudovakcíny 42 %.
S ohledem na kauzalitu se autoři pokusili odhad upravit několika metodami a ukázali různé výsledky. Nejpřísnější pokus popsali takto:
Účelem druhé analýzy propensity score bylo být přísné při porovnávání neočkovaného jedince 1:1 s očkovaným jedincem a s vyloučením případů, kdy měla jakákoliv osoba lékařskou diagnózu.
Nepotřebujete znát statistiky, abyste intuitivně poznali, že jde skutečně o rigorózní metodu.
Získali poměr rizika 1, skutečný nulový efekt, ze svého nejpřísnějšího pokusu odstranit předpojatost zdravého očkovaného? Ne, dostali 1.63 (upravené) místo 1.72 (neupravené). To je vše, čeho bylo dosaženo důslednou úpravou. (Obě čísla jsou technicky poměry šancí.)

Takže až budete číst recenze řídké literatury o metodách k odstranění zkreslení zdravého očkovaného, vzpomeňte si na tento článek o očkování a dopravních nehodách. Spoléhání na měřené proměnné se nepodaří odstranit zaujatost, a to je vše, co jsme my potřebujete vědět.
Je vysvětleno to nejlepší, co můžeme v tuto chvíli udělat jinde. Není to nijak sofistikované, i když je toho víc prozkoumat. Skutečný problém, kterému čelíme, není vědecký: údaje, které potřebujeme o úmrtí jiných osob než Covid, jsou obvykle skryty.
PS Byl jsem přidruženým redaktorem The American Journal of Epidemiology, a můj záznam obsahuje asi 200 publikací, některé z nich v takzvaných špičkových lékařských časopisech. Mám přeformátovat tento příspěvek popř další na dané téma a odešlete je do časopisu, aby získaly razítko „recenzované?“
vzdal jsem se dávno.
Znovu publikováno od autora Střední
Připojte se ke konverzaci:

Publikováno pod a Mezinárodní licence Creative Commons Attribution 4.0
Pro dotisky nastavte kanonický odkaz zpět na originál Brownstone Institute Článek a autor.