roodbruine zandsteen » Brownstone Institute-artikelen » Leugens, verdomde leugens en causaliteit

Leugens, verdomde leugens en causaliteit

DELEN | AFDRUKKEN | E-MAIL

Nog niet zo lang geleden dacht ik dat ik het ergste had ontdekt verkeerde interpretatie van een onderzoek naar Covid-vaccins, maar ik ben zojuist een andere kanshebber voor de titel tegengekomen. Het was een studies over vaccinaties en verkeersongevallen.

De auteurs leggen uit dat “[zij] hebben getest of COVID-vaccinatie verband hield met de risico’s van een verkeersongeval”, en zij concludeerden dat “aarzeling over het COVID-vaccin gepaard gaat met aanzienlijk verhoogde risico’s op een verkeersongeval.”

Ze betekenden veel meer dan ‘geassocieerd’. Ze bedoelden dat aarzeling tegen vaccins het risico op een verkeersongeval vergroot, een causale claim, net zoals de bewering dat Covid-vaccins het risico op overlijden verminderen.

Hoe weet ik dat dat hun claim was?

Ze merkten op dat het onderzoek geen gerandomiseerde studie was en dat ze statistische methoden gebruikten om de conclusie over de oorzaak-en-gevolgrelatie uit een observationeel onderzoek te ondersteunen.

Hun gevolgtrekking was vals. Dit zijn de echte conclusies:

1. Hun onderzoek toont nog een voorbeeld van de gezonde gevaccineerde bias.

2. Uit hun onderzoek blijkt dat het niet lukt om de vertekening weg te nemen met de meest stringente statistische methode.

Laat ik beginnen met een spoedcursus over associatie versus causaliteit.

Associatie is een statistisch fenomeen. Causaliteit is realiteit. Tijdens het Covid-tijdperk hebben velen de uitspraak gehoord ‘Associatie is niet (noodzakelijkerwijs) causaliteit’, wat waar is. Maar de twee ideeën zijn met elkaar verbonden. Hoe?

Het verband kan het beste worden uitgelegd aan de hand van een eenvoudig causaal diagram, waarbij een pijl oorzakelijk verband betekent.

Er zijn twee mechanismen die een verband kunnen leggen tussen A (bijvoorbeeld vaccinatie) en B (bijvoorbeeld een verkeersongeval).

1) A beïnvloedt B (oorzakelijk verband)

2) A en B delen een oorzaak, C (verwarrend)

Als A dat doet niet invloed hebben op B, maar toch een gemeenschappelijke oorzaak hebben, zullen A en B nog steeds met elkaar verbonden zijn. Dat is een van de redenen waarom een ​​verband niet noodzakelijkerwijs een oorzakelijk verband is. Een gerandomiseerde studie elimineert elke oorzaak van de behandelingen die we toewijzen (bijvoorbeeld het ene medicijn versus het andere), behalve het mechanisme van randomisatie. Daarom hebben we gerandomiseerde onderzoeken nodig om sterke causale claims te maken. Verwarring is verdwenen.

Nog één punt: elke pijl kan worden beschouwd als een samenvatting van een causale keten. Bijvoorbeeld, C → B zou kunnen vertegenwoordigen C → → → → B.

Einde natuurlijk. Er is een oceaan van ingewikkeld materiaal, maar dat is alles wat we moeten weten.

De auteurs van het artikel zijn op de hoogte van causale diagrammen. Ze tonen een uitgewerkte ‘gerichte acyclische grafiek’ (linker diagram), wat een mooie naam is voor een ‘causaal diagram’.

Verbazingwekkend genoeg komt de variabele ‘vaccinatiestatus’ niet in hun diagram voor, alleen ‘aarzeling over vaccins’, de naam die ze gaven aan de feitelijke variabele die ze analyseerden: gevaccineerd of niet.

De wetenschap oordeelt niet, dus heb ik ‘aarzeling over vaccins’ vervangen door ‘beslissing’ (om wel of niet gevaccineerd te worden), wat de oorzaken ook mogen zijn (rechter diagram). Vervolgens heb ik ‘vaccinatiestatus’ (A) toegevoegd, wat het effect is van ‘beslissing’. De twee variabelen zijn vrijwel perfect gecorreleerd. Als ik besluit me te laten vaccineren, zal ik hoogstwaarschijnlijk worden gevaccineerd. Hetzelfde geldt voor als ik besluit me niet te laten vaccineren. Ik negeer gevallen waarin een persoon cognitief niet in staat is om te beslissen of er geen toegang is tot het vaccin of een fysiek gedwongen injectie …

Zoals je in mijn diagram kunt zien, verbindt geen enkele causale pijl ‘beslissing’ of ‘vaccinatiestatus’ met een verkeersongeval. Nee een → B. Het enige mogelijke causale verband, waarop onduidelijk wordt gezinspeeld in het diagram van de auteurs, loopt via Covid: niet-gevaccineerd → infectie → 피로 → Botsing. We kunnen deze keten negeren, omdat we weten dat vaccinatie het risico op een infectie mogelijk niet verkleint de tegenovergestelde.

Dus waarom zouden vaccinaties en crashes met elkaar in verband kunnen worden gebracht?

Inmiddels weet je het antwoord. Ze hebben veel oorzaken gemeen – C in mijn diagram – waarvan sommige in het onderzoek zijn gemeten, en vele niet. Op basis van het diagram zou een gerandomiseerde studie geen verband hebben gevonden tussen vaccinatie en een verkeersongeval, en geen bewijs van enig effect.

Zoals verwacht uit hun diagram en het mijne, vonden de auteurs inderdaad een verband tussen vaccinatie en een crash. Niet-gevaccineerden bleken een groter risico te lopen op een ongeval dan gevaccineerden, of andersom: vaccinatie leek te beschermen tegen een verkeersongeval. Sommige van de gedeelde oorzaken werkten om de schijn van een verminderd risico te wekken, terwijl andere in de tegenovergestelde richting werkten. Het netto-effect van alle gedeelde oorzaken zorgde voor pseudo-effectiviteit bij een ernstig verkeersongeval.

Dat is nog een voorbeeld van de gezonde gevaccineerde bias, waarvan de auteurs op de hoogte waren. Meer “gunstige kenmerken” van de gevaccineerden maakten hen minder waarschijnlijk betrokken te raken bij een ernstig ongeval, dat tot een verkeersdode had kunnen leiden, een van de vele niet-covid doodsoorzaken. Die kenmerken, die ze ook gemaakt hebben waarschijnlijker om gevaccineerd te worden, verkleinde hun risico op een crash – niet een beslissing om een ​​Covid-vaccin te nemen of te nemen.

Ironisch genoeg controleerden de auteurs op de vooringenomenheid van gezonde gevaccineerden met behulp van een methode die ‘negatieve controles’ wordt genoemd. Ze bestudeerden de associatie van vaccinatie met andere eindpunten waarop geen effect van vaccinatie werd verwacht. Toch realiseerden ze zich niet dat het eindpunt in hun onderzoek precies dat soort eindpunt is. A priori wordt niet verwacht dat vaccinatie het risico op een ongeval zal beïnvloeden, zo blijkt uit hun eigen diagram en gezond verstand. Het ‘effect’ dat ze vonden was een verwarrende vooringenomenheid.

Nog ironischer werd ziekenhuisopname wegens letsel of trauma beschouwd als een eindpunt “negatieve controle”. voor onderzoeken naar het griepvaccin door niemand minder dan een co-auteur van a belangrijke publicatie over de effectiviteit van Covid-vaccins. (Ik weet niet waarom hij deze methode niet toepaste op onderzoeken naar Covid-vaccins. I was niet toegestaan vragen.)

Het risico op een ongeval bij niet-gevaccineerden was 1.72 keer het risico bij gevaccineerden, of omgekeerd: het pseudo-effect van vaccinatie was een risicoverhouding van 0.58, of de effectiviteit van het pseudo-vaccin van 42%.

Met het oog op de causaliteit probeerden de auteurs de schatting op verschillende manieren aan te passen en lieten verschillende resultaten zien. Ze beschreven de meest rigoureuze poging als volgt:

Het doel van de tweede propensity score-analyse was om strikt te zijn bij het 1-op-1 matchen van een niet-gevaccineerd individu met een gevaccineerd individu en om gevallen uit te sluiten waarin iemand een medische diagnose had.

Je hoeft geen kennis van statistieken te hebben om intuïtief te kunnen onderkennen dat dit inderdaad een rigoureuze methode is.

Hebben ze een risicoratio van 1 gekregen, het echte nuleffect, van hun strengste poging om de vooroordelen over gezonde vaccins weg te nemen? Nee, zij kregen 1.63 (gecorrigeerd) in plaats van 1.72 (ongecorrigeerd). Dat is alles wat deze rigoureuze aanpassing heeft opgeleverd. (Beide getallen zijn technisch gezien odds ratio's.)

Dus als u recensies leest van de schaarse literatuur over methoden om de vooroordelen over gezonde vaccins weg te nemen, onthoud dan dit artikel over vaccinatie en verkeersongevallen. Vertrouwen op gemeten variabelen kan er niet in slagen de bias weg te nemen, en dat is alles wat we hebben te weten.

Wat we op dit moment het beste kunnen doen, wordt uitgelegd elders. Het is helemaal niet verfijnd, hoewel er meer is ontdekken. Het echte probleem waarmee we worden geconfronteerd is niet wetenschappelijk: de gegevens die we nodig hebben over niet-Covid-sterfte zijn meestal verborgen.

PS Ik was associate editor van Het American Journal of Epidemiologie, en mijn dossier bevat ongeveer 200 publicaties, waarvan sommige in de zogenaamde medische toptijdschriften. Zal ik dit bericht opnieuw formatteren of anderen over het onderwerp en stuur ze naar een tijdschrift om het stempel “peer-reviewed?” te krijgen.

ik gaf op lang geleden.

Heruitgegeven van de auteur Medium



Uitgegeven onder a Creative Commons Naamsvermelding 4.0 Internationale licentie
Stel voor herdrukken de canonieke link terug naar het origineel Brownstone Instituut Artikel en auteur.

Auteur

  • Eyal Shahari

    Dr. Eyal Shahar is emeritus hoogleraar volksgezondheid in epidemiologie en biostatistiek. Zijn onderzoek richt zich op epidemiologie en methodologie. In de afgelopen jaren heeft Dr. Shahar ook belangrijke bijdragen geleverd aan de onderzoeksmethodologie, vooral op het gebied van causale diagrammen en vooroordelen.

    Bekijk alle berichten

Doneer vandaag nog

Uw financiële steun aan het Brownstone Institute gaat naar de ondersteuning van schrijvers, advocaten, wetenschappers, economen en andere moedige mensen die professioneel zijn gezuiverd en ontheemd tijdens de onrust van onze tijd. U kunt helpen de waarheid naar buiten te brengen door hun voortdurende werk.

Abonneer u op Brownstone voor meer nieuws

Blijf op de hoogte met Brownstone Institute