Arenaria » Articoli del Brownstone Institute » Bugie, maledette bugie e causalità
Bugie, maledette bugie e causalità

Bugie, maledette bugie e causalità

CONDIVIDI | STAMPA | E-MAIL

Non molto tempo fa pensavo di aver scoperto il peggio incomprensioni di uno studio sui vaccini anti-Covid, ma ho appena incontrato un altro contendente al titolo. Era un studio sulla vaccinazione e sugli incidenti stradali.

Gli autori spiegano che “[Hanno] testato se la vaccinazione contro il COVID fosse associata ai rischi di un incidente stradale” e hanno concluso che “l’esitazione al vaccino contro il COVID è associata a un aumento significativo dei rischi di un incidente stradale”.

Significavano molto più che “associati”. Intendevano dire che l’esitazione vaccinale aumenta il rischio di un incidente stradale, un’affermazione causale, proprio come l’affermazione secondo cui i vaccini Covid riducono il rischio di morte.

Come faccio a sapere che quella era la loro affermazione?

Hanno sottolineato che lo studio non era uno studio randomizzato e hanno utilizzato metodi statistici per supportare l'inferenza sulla relazione causa-effetto da uno studio osservazionale.

La loro deduzione era falsa. Queste sono le vere conclusioni:

1. Il loro studio mostra un altro esempio di il pregiudizio del vaccinato sano.

2. Il loro studio mostra l’incapacità di rimuovere la distorsione con il metodo statistico più rigoroso.

Vorrei iniziare con un corso accelerato sull'associazione rispetto alla causalità.

L’associazione è un fenomeno statistico. La causalità è la realtà. Durante l’era Covid, molti hanno sentito l’affermazione “L’associazione non è (necessariamente) causalità”, il che è vero. Ma le due idee sono collegate. Come?

La connessione viene spiegata meglio utilizzando un semplice diagramma causale, dove una freccia significa causalità.

Due meccanismi possono creare un'associazione tra A (ad esempio, la vaccinazione) e B (ad esempio, un incidente stradale).

1) A influenza B (causa)

2) A e B condividono una causa, C (confusione)

Se A lo fa non influenzano B, eppure condividono una causa, A e B saranno comunque associati. Questo è uno dei motivi per cui un'associazione non è necessariamente causalità. Uno studio randomizzato elimina qualsiasi causa dei trattamenti che assegniamo (ad esempio, un farmaco rispetto a un altro) ad eccezione del meccanismo di randomizzazione. Ecco perché abbiamo bisogno di studi randomizzati per fare affermazioni causali forti. La confusione è scomparsa.

Ancora una cosa: qualunque freccia può essere considerata la sintesi di una catena causale. Per esempio, C→B potrebbe rappresentare C→ → → →B.

Fine del corso. C'è un oceano di materiale complicato, ma questo è tutto ciò che dobbiamo sapere.

Gli autori dell'articolo conoscono i diagrammi causali. Mostrano un elaborato “grafico aciclico diretto” (diagramma a sinistra), che è un nome di fantasia per un “diagramma causale”.

Sorprendentemente, nel loro diagramma non compare la variabile “stato vaccinale”, ma solo “esitazione vaccinale”, il nome che hanno dato alla variabile effettiva analizzata: vaccinati o meno.

La scienza non giudica, quindi ho sostituito “esitazione vaccinale” con “decisione” (essere vaccinato o meno), qualunque siano le sue cause (diagramma a destra). Poi ho aggiunto lo “stato vaccinale” (A), che è l’effetto della “decisione”. Le due variabili sono quasi perfettamente correlate. Se decido di vaccinarmi, molto probabilmente verrò vaccinato. Allo stesso modo, se decido di non vaccinarmi. Sto ignorando i casi in cui una persona è cognitivamente incapace di decidere o non ha accesso al vaccino o a un’iniezione forzata fisicamente…

Come puoi vedere nel mio diagramma, nessuna freccia causale collega la “decisione” o lo “stato della vaccinazione” con un incidente stradale. No A → B. L'unico nesso causale possibile, a cui allude poco chiaramente nello schema degli autori, è tramite Covid: non vaccinato → infezione → fatica → incidente. Possiamo ignorare questa catena poiché sappiamo che la vaccinazione non riduce, eventualmente, il rischio di infezione il contrario.

Quindi, perché la vaccinazione e gli incidenti stradali potrebbero essere associati?

Ormai conosci la risposta. Condividono molte cause – C nel mio diagramma – alcune delle quali sono state misurate nello studio e molte no. Sulla base del diagramma, uno studio randomizzato non avrebbe trovato alcuna associazione tra vaccinazione e incidente stradale, né alcuna prova di alcun effetto.

Come previsto dal loro diagramma e dal mio, gli autori hanno infatti trovato un’associazione tra vaccinazione e incidente stradale. I non vaccinati sembravano correre un rischio maggiore di incidente rispetto ai vaccinati o viceversa: la vaccinazione sembrava proteggere da un incidente stradale. Alcune delle cause condivise operavano per creare l’apparenza di un rischio ridotto, mentre altre operavano nella direzione opposta. L’effetto complessivo di tutte le cause condivise ha prodotto una pseudo-efficacia contro un grave incidente stradale.

Questo è un altro esempio di il pregiudizio del vaccinato sano, di cui gli autori erano a conoscenza. Le hanno rese più “caratteristiche favorevoli” dei vaccinati meno probabile essere coinvolto in un grave incidente, che avrebbe potuto provocare la morte in incidenti stradali, uno dei tanti non Covid cause di morte. Quelle caratteristiche, che li hanno anche resi più probabile essere vaccinati, ha ridotto il rischio di un incidente – non la decisione di prendere un vaccino Covid o di prenderlo.

Ironicamente, gli autori hanno verificato la distorsione del vaccinato sano utilizzando un metodo chiamato “controlli negativi”. Hanno studiato l'associazione della vaccinazione con altri endpoint sui quali non era previsto alcun effetto della vaccinazione. Eppure non sono riusciti a rendersi conto che l’endpoint del loro studio è esattamente quel tipo di endpoint. A priori, secondo il loro schema e il buon senso, non si prevede che la vaccinazione influisca sul rischio di incidente. L’“effetto” che hanno riscontrato è stato un pregiudizio confondente.

Ancora più ironicamente, il ricovero in ospedale per infortunio o trauma era considerato un endpoint di “controllo negativo”. per gli studi sul vaccino antinfluenzale niente meno che da un coautore di a pubblicazione chiave sull’efficacia dei vaccini anti-Covid. (Non so perché non abbia applicato questo metodo agli studi sui vaccini anti-Covid. I non era consentito chiedere.)

Il rischio di incidente nei non vaccinati era 1.72 volte il rischio nei vaccinati, o viceversa: lo pseudo-effetto della vaccinazione era un rapporto di rischio di 0.58, o un'efficacia dello pseudo-vaccino del 42%.

Avendo in mente la causalità, gli autori hanno provato a correggere la stima con diversi metodi e hanno mostrato vari risultati. Hanno descritto il tentativo più rigoroso come segue:

Lo scopo della seconda analisi del punteggio di propensione era quello di essere rigorosa quando si confrontava 1 a 1 un individuo non vaccinato con un individuo vaccinato ed escludeva i casi in cui una persona aveva una diagnosi medica.

Non è necessario conoscere la statistica per riconoscere intuitivamente che si tratta effettivamente di un metodo rigoroso.

Hanno ottenuto un rapporto di rischio pari a 1, il vero effetto nullo, dal loro tentativo più rigoroso di rimuovere il pregiudizio del vaccinato sano? No, hanno ottenuto 1.63 (aggiustato) invece di 1.72 (non aggiustato). Questo è tutto ciò che il rigoroso aggiustamento ha ottenuto. (Entrambi i numeri sono tecnicamente rapporti di probabilità.)

Quindi, quando leggi le recensioni della scarsa letteratura sui metodi per rimuovere il pregiudizio del vaccinato sano, ricorda questo articolo sulla vaccinazione e sugli incidenti stradali. Affidarsi a variabili misurate può non riuscire a rimuovere il pregiudizio, e questo è tutto ciò che noi bisogno di sapere.

Viene spiegato il meglio che possiamo fare in questo momento altrove. Non è affatto sofisticato, anche se c'è di più esplorare. Il vero problema che abbiamo di fronte non è scientifico: i dati di cui abbiamo bisogno sulle morti non legate al Covid sono solitamente nascosti.

PS Ero un redattore associato di L'American Journal of Epidemiology, e il mio archivio contiene circa 200 pubblicazioni, alcune delle quali nelle cosiddette riviste mediche di punta. Devo riformattare questo post o altri sull’argomento e sottoporli a una rivista per ottenere il timbro “peer-reviewed?”

ho rinunciato molto tempo fa.

Ripubblicato dall'autore Medio



Pubblicato sotto a Licenza internazionale Creative Commons Attribution 4.0
Per le ristampe, reimpostare il collegamento canonico all'originale Istituto di arenaria Articolo e Autore.

Autore

  • Eyal Shahar

    Il dottor Eyal Shahar è professore emerito di salute pubblica in epidemiologia e biostatistica. La sua ricerca si concentra su epidemiologia e metodologia. Negli ultimi anni, il Dr. Shahar ha anche dato un contributo significativo alla metodologia di ricerca, specialmente nel dominio dei diagrammi causali e dei pregiudizi.

    Leggi tutti i commenti

Dona oggi

Il vostro sostegno finanziario al Brownstone Institute va a sostenere scrittori, avvocati, scienziati, economisti e altre persone coraggiose che sono state professionalmente epurate e sfollate durante gli sconvolgimenti dei nostri tempi. Puoi aiutare a far emergere la verità attraverso il loro lavoro in corso.

Iscriviti a Brownstone per ulteriori notizie

Tieniti informato con Brownstone Institute