Ei kauan sitten luulin löytäneeni pahimman väärä tulkinta Covid-rokotteita koskevasta tutkimuksesta, mutta olen juuri törmännyt toiseen ehdokkaaseen tittelistä. Se oli opiskella rokotuksista ja liikenneonnettomuuksista.
Kirjoittajat selittävät, että ”[He] testasivat, oliko COVID-rokotuksella yhteys liikenneonnettomuuksien riskeihin”, ja he totesivat, että ”COVID-rokotusvastaisuus liittyy merkittävästi lisääntyneeseen liikenneonnettomuuksien riskiin”.
He tarkoittivat paljon enemmän kuin sanaa ”liittyy”. He tarkoittivat, että rokotusvastaisuus lisää liikenneonnettomuuksien riskiä, mikä on kausaalinen väite, aivan kuten väite, että Covid-rokotteet vähentävät kuolemanriskiä.
Mistä tiedän, että se oli heidän väitteensä?
He huomauttivat, että tutkimus ei ollut satunnaistettu tutkimus, ja he käyttivät tilastollisia menetelmiä tukeakseen syy-seuraussuhteen päättelyä havainnointitutkimuksesta.
Heidän päätelmänsä oli väärä. Nämä ovat oikeat johtopäätökset:
1. Heidän tutkimuksensa osoittaa toisen esimerkin terveiden rokotettujen vinouma.
2. Heidän tutkimuksensa osoittaa, ettei harhaa ole poistettu tiukimmankaan tilastollisen menetelmän avulla.
Aloitan pikakurssilla yhteydestä syy-seuraussuhteeseen.
Yhdistyminen on tilastollinen ilmiö. Syy-seuraussuhde on todellisuutta. Covid-aikakaudella monet ovat kuulleet väitteen "Yhteys ei ole (välttämättä) syy-seuraussuhdetta", mikä on totta. Mutta nämä kaksi ajatusta liittyvät toisiinsa. Miten?
Yhteys selitetään parhaiten käyttämällä yksinkertaista kausaalidiagrammia, jossa nuoli tarkoittaa kausaalista yhteyttä.
Kaksi mekanismia voi luoda yhteyden A:n (esim. rokotus) ja B:n (esim. liikenneonnettomuus) välille.
1) A vaikuttaa B:hen (syy-seuraussuhde)
2) A:lla ja B:llä on sama syy, C (hämmentävä)
Jos A tekee emme vaikuttaa B:hen, mutta niillä on sama syy, A ja B ovat silti yhteydessä toisiinsa. Tämä on yksi syy siihen, miksi yhteys ei välttämättä ole syy-seuraussuhde. Satunnaistettu tutkimus poistaa kaikki määräämiemme hoitojen syyt (esim. yksi lääke vs. toinen) satunnaistamismekanismia lukuun ottamatta. Siksi tarvitsemme satunnaistettuja tutkimuksia vahvojen syy-väitteiden tekemiseksi. Hämmennys on poissa.
Vielä yksi huomio: mitä tahansa nuolta voidaan pitää syy-seuraussuhteen tiivistelmänä. Esimerkiksi C → B voisi edustaa C → X → Y → Z → B.
Loppu tietenkin. Siellä on valtameri monimutkainen materiaali, mutta se on kaikki mitä meidän tarvitsee tietää.
Artikkelin kirjoittajat tuntevat kausaalidiagrammit. He esittävät yksityiskohtaisen "suunnatun asyklisen graafin" (vasen kaavio), joka on hienostunut nimitys "syy-diagrammille".
Hämmästyttävää kyllä, muuttuja ”rokotusstatus” ei näy heidän kaaviossaan, vaan ainoastaan ”rokotevastaisuus”, kuten he itse analysoimalleen muuttujalle antoivat: rokotettu vai ei.
Tiede ei ole tuomitseva, joten korvasin "rokotevastaisuuden" "päätöksellä" (rokottaako vai ei), olivatpa sen syyt mitkä tahansa (oikea kaavio). Sitten lisäsin "rokotusstatuksen" (A), joka on "päätöksen" vaikutus. Nämä kaksi muuttujaa korreloivat lähes täydellisesti. Jos päätän ottaa rokotteen, minut todennäköisesti rokotetaan. Samoin, jos päätän olla ottamatta rokotetta, jätän huomiotta tapaukset, joissa henkilö on kognitiivisesti kykenemätön päättämään tai rokotetta tai fyysisesti pakotettua injektiota ei ole saatavilla...
Kuten kaaviostani näkyy, mikään syy-seuraussuhteeseen viittaava nuoli ei yhdistä "päätöstä" tai "rokotusstatusta" liikenneonnettomuuteen. Ei A → B. Ainoa mahdollinen syy-yhteys, johon kirjoittajien kaaviossa epäselvästi viitataan, on Covidin kautta: rokottamattomat → infektio → väsymys → romahdus. Voimme jättää tämän ketjun huomiotta, koska tiedämme, että rokotus ei vähennä tartuntariskiä, mahdollisesti päinvastainen.
Miksi rokotukset ja onnettomuudet sitten voisivat liittyä toisiinsa?
Nyt tiedät vastauksen. Niillä on monia yhteisiä syitä – C kaaviossani – joista osa mitattiin tutkimuksessa ja monia ei. Kaavion perusteella satunnaistetussa tutkimuksessa ei olisi löydetty yhteyttä rokotuksen ja liikenneonnettomuuden välillä, ei näyttöä mistään vaikutuksesta.
Kuten heidän ja minun kaaviostani odotettiin, kirjoittajat todellakin löysivät yhteyden rokotuksen ja onnettomuuden välillä. Rokottamattomilla näytti olevan suurempi onnettomuusriski kuin rokotetuilla ja päinvastoin: rokotus näytti suojaavan liikenneonnettomuudelta. Jotkut yhteisistä syistä loivat vaikutelman pienentyneestä riskistä, kun taas toiset toimivat päinvastaiseen suuntaan. Kaikkien yhteisten syiden nettovaikutus tuotti näennäistehon vakavaa liikenneonnettomuutta vastaan.
Se on toinen esimerkki terveiden rokotettujen vinouma, josta kirjoittajat olivat tietoisia. Rokotettujen "suotuisammat ominaisuudet" tekivät heistä epätodennäköisempää joutua vakavaan onnettomuuteen, joka olisi voinut johtaa liikennekuolemaan, yksi monista ei-Covid kuolinsyitä. Ne ominaisuudet, jotka myös tekivät niistä todennäköisemmin rokottautuminen vähensi heidän onnettomuusriskiään – ei päätös ottaa Covid-rokote tai ottaa sitä.
Ironista kyllä, kirjoittajat tarkistivat terveiden rokotettujen harhan käyttämällä menetelmää nimeltä "negatiiviset kontrollit". He tutkivat rokotuksen yhteyttä muihin päätetapahtumiin, joihin rokotuksella ei odotettu olevan vaikutusta. He eivät kuitenkaan ymmärtäneet, että heidän tutkimuksensa päätepiste on juuri tällainen päätepisteHeidän oman kaavionsa ja maalaisjärkensä mukaan rokotuksen ei odoteta a priori vaikuttavan onnettomuusriskiin. Heidän löytämänsä "vaikutus" oli hämmentävä vinouma.
Vielä ironisempaa oli, että loukkaantumisen tai trauman aiheuttamaa sairaalahoitoa pidettiin ”Negatiivisen kontrollin” päätepiste influenssarokotteen tutkimuksista, joita on tehnyt vain yksi teoksen toinen kirjoittaja keskeinen julkaisu Covid-rokotteiden tehokkuudesta. (En tiedä, miksi hän ei soveltanut tätä menetelmää Covid-rokotteiden tutkimuksiin. Minä ei ollut sallittua kysyä.)
Rokottamattomien kolarin riski oli 1.72 kertaa suurempi kuin rokotettujen, tai päinvastoin: rokotuksen pseudovaikutus oli riskisuhde 0.58 eli pseudorokotteen teho 42 %.
Syy-seuraussuhteen mielessä kirjoittajat yrittivät säätää arviota useilla menetelmillä ja esittivät vaihtelevia tuloksia. He kuvailivat tarkinta yritystä seuraavasti:
Toisen taipumuspisteytysanalyysin tarkoituksena oli olla tarkka rokottamattoman ja rokotetun henkilön yhteensovittamisessa suhteessa ja sulkea pois tapaukset, joissa kenelläkään oli lääketieteellinen diagnoosi.
Sinun ei tarvitse tuntea tilastoja ymmärtääksesi intuitiivisesti, että tämä on todellakin tarkka menetelmä.
Saivatko he riskisuhteen 1, todellisen nollavaikutuksen, tiukimman yrityksensä avulla poistaa terveiden rokotettujen vinouma? Eivät, he saivat 1.63 (korjattu) 1.72:n (korjaamattoman) sijaan. Se on kaikki, mitä tiukalla säätöllä on saavutettu. (Molemmat luvut ovat teknisesti ottaen kerroinsuhteita.)
Joten kun luet niukkaa kirjallisuutta käsitteleviä arvioita terveiden rokotettujen ennakkoluulojen poistamiseen liittyvistä menetelmistä, muista tämä rokotuksista ja liikenneonnettomuuksista kertova artikkeli. Mitattuihin muuttujiin luottaminen voi epäonnistua puolueellisuuden poistamisessa, ja siinä kaikki, mitä me täytyy tietää.
Parasta, mitä voimme tehdä tässä tilanteessa, on selitetty muuallaSe ei ole lainkaan hienostunut, vaikka siinä on enemmänkin tutkiaTodellinen ongelmamme ei ole tieteellinen: tarvitsemamme tiedot muista kuin covid-kuolemista ovat yleensä piilossa.
PS Olin apulaistoimittajana Amerikan epidemiologian aikakauslehti, ja tietueessani on noin 200 julkaisua, joista osa on niin sanotuissa lääketieteellisissä huippulehdissä. Pitäisikö minun muotoilla tämä viesti uudelleen vai muut aiheesta ja lähetä ne lehteen saadaksesi vertaisarvioidun leiman?
luovutin kauan sitten.
Julkaistu uudelleen kirjoittajan omasta lähteestä Keskikokoinen
-
Tohtori Eyal Shahar on kansanterveyden emeritusprofessori epidemiologian ja biostatistiikan alalta. Hänen tutkimuksensa keskittyy epidemiologiaan ja metodologiaan. Viime vuosina tohtori Shahar on myös antanut merkittäviä panoksia tutkimusmenetelmiin, erityisesti kausaalidiagrammien ja harhojen alalla.
Katso kaikki viestit
