COMPARTIR | IMPRIMIR | CORREU ELECTRÒNIC
No fa gaire vaig pensar que havia descobert el pitjor mala interpretació d'un estudi sobre vacunes contra la Covid, però acabo de trobar-me amb un altre aspirant al títol. Era un estudiar sobre vacunacions i accidents de trànsit.
Els autors expliquen que "[Ells] van provar si la vacunació contra la COVID estava associada amb els riscos d'un accident de trànsit", i van concloure que "la vacunació contra la COVID s'associa amb un augment significatiu dels riscos d'un accident de trànsit".
Volien dir molt més que "associats". Volien dir que les vacunes vacunes augmenta el risc d'un accident de trànsit, una afirmació causal, igual que l'afirmació que les vacunes Covid redueixen el risc de mort.
Com sé que aquesta era la seva reivindicació?
Van remarcar que l'estudi no era un assaig aleatori i van utilitzar mètodes estadístics per donar suport a la inferència sobre la relació causa-efecte a partir d'un estudi observacional.
La seva inferència era falsa. Aquestes són les conclusions reals:
1. El seu estudi mostra un altre exemple de el biaix dels vacunats saludables.
2. El seu estudi mostra que no es va eliminar el biaix pel mètode estadístic més estricte.
Permeteu-me començar amb un curs intensiu sobre associació versus causalitat.
L'associació és un fenomen estadístic. La causalitat és la realitat. Durant l'era del Covid, molts han escoltat l'afirmació "L'associació no és (necessàriament) causalitat", que és certa. Però les dues idees estan connectades. Com?
La connexió s'explica millor utilitzant un diagrama causal senzill, on una fletxa significa causalitat.
Dos mecanismes poden crear una associació entre A (per exemple, vacunació) i B (per exemple, un accident de trànsit).
1) A afecta B (causalitat)
2) A i B comparteixen una causa, C (confusió)
Si ho fa A no afecten a B, però comparteixen una causa, A i B encara estaran associats. Aquesta és una de les raons per les quals una associació no és necessàriament causalitat. Un assaig aleatoritzat elimina qualsevol causa dels tractaments que assignem (p. ex., un fàrmac versus un altre), excepte el mecanisme d'aleatorització. És per això que necessitem assaigs aleatoris per fer afirmacions causals sòlides. La confusió ha desaparegut.
Un punt més: qualsevol fletxa es pot considerar un resum d'una cadena causal. Per exemple, C → B podria representar C → X → Y → Z → B.
Final de curs. Hi ha un oceà de material complicat, però això és tot el que necessitem saber.
Els autors de l'article coneixen els diagrames causals. Mostren un elaborat "gràfic acíclic dirigit" (diagrama de l'esquerra), que és un nom fantàstic per a un "diagrama causal".
Sorprenentment, la variable "estat de vacunació" no apareix en el seu diagrama, només "dubitat sobre la vacuna", el nom que van donar a la variable real que van analitzar: vacunada o no.
La ciència no jutja, així que vaig substituir "vacunes vacunes" per "decisió" (vacunar-se o no), siguin quines siguin les seves causes (diagrama de la dreta). A continuació, he afegit "estat de vacunació" (A), que és l'efecte de "decisió". Les dues variables estan gairebé perfectament correlacionades. Si decideixo vacunar-me, el més probable és que em vacunaré. Igualment, si decideixo no vacunar-me. Estic ignorant els casos en què una persona és cognitivament incapaç de decidir o no hi ha accés a la vacuna o a una injecció forçada físicament...
Com podeu veure al meu diagrama, cap fletxa causal connecta ni la "decisió" ni l'"estat de la vacunació" amb un accident de trànsit. No A → B. L'única connexió causal possible, a la qual no s'al·ludeix clarament al diagrama dels autors, és a través de Covid: no vacunat → infecció → fatiga → xoc. Podem ignorar aquesta cadena ja que sabem que la vacunació no redueix el risc d'infecció, possiblement l'oposada.
Aleshores, per què es poden associar la vacunació i els accidents?
A hores d'ara, ja saps la resposta. Comparteixen moltes causes (C al meu diagrama), algunes de les quals es van mesurar a l'estudi i moltes no. A partir del diagrama, un assaig aleatoritzat no hauria trobat cap associació entre la vacunació i un accident de trànsit, ni evidència de cap efecte.
Com s'esperava del seu diagrama i el meu, els autors van trobar una associació entre la vacunació i un accident. Semblava que els no vacunats tenien més risc d'accident que els vacunats o viceversa: la vacuna semblava protegir contra un accident de trànsit. Algunes de les causes compartides operaven per crear l'aparença d'un risc reduït, mentre que d'altres operaven en sentit contrari. L'efecte net de totes les causes compartides va produir una pseudoeficàcia contra un accident de trànsit greu.
Això n'és un altre exemple el biaix dels vacunats saludables, de la qual els autors eren conscients. Les feien més "característiques favorables" dels vacunats menys probable estar involucrat en un accident greu, que podria haver provocat la mort de trànsit, una de moltes no Covid causes de mort. Aquelles característiques, que també les feien més probable vacunar-se, va reduir el seu risc d'accident, no una decisió de prendre una vacuna contra la Covid o prendre-la.
Irònicament, els autors van comprovar el biaix dels vacunats saludables mitjançant un mètode anomenat "controls negatius". Van estudiar l'associació de la vacunació amb altres punts finals sobre els quals no s'esperava cap efecte de la vacunació. No obstant això, no es van adonar que el punt final del seu estudi és exactament aquest tipus de punt final. A priori, no s'espera que la vacunació afecti el risc d'accident, segons el seu propi diagrama i sentit comú. L'"efecte" que van trobar va ser un biaix de confusió.
Encara més irònicament, es va considerar l'hospitalització per lesió o trauma a punt final de "control negatiu". per als estudis de la vacuna contra la grip només per un coautor d'a publicació clau sobre l'eficàcia de les vacunes contra la Covid. (No sé per què no va aplicar aquest mètode als estudis de vacunes contra la Covid. I no estava permès preguntar.)
El risc d'accident en els no vacunats era 1.72 vegades el risc en els vacunats, o viceversa: el pseudoefecte de la vacunació era una ràtio de risc de 0.58, o l'efectivitat de la pseudovacuna del 42%.
Tenint en compte la causalitat, els autors van intentar ajustar l'estimació mitjançant diversos mètodes i van mostrar diversos resultats. Van descriure l'intent més rigorós de la següent manera:
L'objectiu de la segona anàlisi de la puntuació de propensió era ser estricte quan es fes coincidir un individu no vacunat 1 a 1 amb un individu vacunat i exclou els casos en què qualsevol persona tingués un diagnòstic mèdic.
No cal saber estadístiques per reconèixer de manera intuïtiva que aquest és realment un mètode rigorós.
Van obtenir una relació de risc d'1, el veritable efecte nul, del seu intent més estricte d'eliminar el biaix dels vacunats saludables? No, van obtenir 1.63 (ajustat) en lloc d'1.72 (no ajustat). Això és tot el que ha aconseguit un ajustament rigorós. (Ambdós números són tècnicament ràtios de probabilitats.)
Per tant, quan llegiu ressenyes de la literatura escassa sobre mètodes per eliminar el biaix dels vacunats saludables, recordeu aquest article sobre vacunacions i accidents de trànsit. Basant-se en variables mesurades pot no eliminar el biaix, i això és tot el que nosaltres necessita saber.
S'explica el millor que podem fer en aquest moment en una altra part. No és gens sofisticat, encara que n'hi ha més per explorar. El problema real al qual ens enfrontem no és científic: les dades que necessitem sobre la mort no causada pel Covid solen estar ocultes.
PS: vaig ser editor associat The American Journal of Epidemiology, i el meu registre conté unes 200 publicacions, algunes d'elles a les anomenades revistes mèdiques de primer nivell. He de reformatar aquesta publicació o altres sobre el tema i envieu-los a una revista per obtenir el segell "revisió per parells?"
em vaig donar per vençut fa molt de temps.
Republicat de l'autor mitjà
-
El Dr. Eyal Shahar és professor emèrit de salut pública en epidemiologia i bioestadística. La seva recerca se centra en l'epidemiologia i la metodologia. En els darrers anys, el Dr. Shahar també ha fet importants contribucions a la metodologia d'investigació, especialment en el domini dels diagrames causals i els biaixos.
Veure totes les publicacions
