Specificazione errata del modello e stime grossolanamente gonfiate delle vite salvate

In un recente studio pubblicato su L Lancet Infectious Diseases, Watson et al. applicare modelli matematici per stimare che le vaccinazioni di massa contro il COVID-19 hanno salvato tra 14-20 milioni di vite in tutto il mondo durante il primo anno della vaccinazione contro il COVID-19 Programma. Articoli precedenti di Brownstone di Horst ed Raman hanno già evidenziato diverse ipotesi errate nello studio riguardo alla durata dell'immunità da infezione rispetto a quella derivata dal vaccino, nonché il fatto che non tiene conto degli eventi avversi del vaccino e del rischio di mortalità per tutte le cause. 

Qui, riassumo i meccanismi di come gli autori sono arrivati ​​alle loro stime di decessi evitati a causa delle vaccinazioni di massa. Quindi elaboro su come ipotesi errate nel modello possano portare a stime grossolanamente gonfiate di decessi evitati, il che potrebbe spiegare la mancanza di validità facciale e coerenza interna dello studio.

Lo studio utilizza un modello generativo delle dinamiche di trasmissione, infezione e mortalità di COVID-19 che include 20-25 parametri presunti basati su letteratura selezionata (ad es. efficacia del vaccino contro trasmissione, infezione e morte, miscele di età di ciascun paese, stratificazione per età tassi di mortalità per infezione, ecc.) che viene adattato ai decessi in eccesso segnalati al fine di dedurre (ma non convalidare) la trasmissibilità del virus nel tempo in 185 paesi. 

Lo studio confronta le morti in eccesso effettive nel 2021 con simulazioni (controfattuali) che dovrebbero prevedere la traiettoria delle morti in eccesso in ciascun paese se non fossero stati introdotti vaccini (ad esempio eseguendo simulazioni multiple dei modelli sopra adattati dopo aver rimosso gli effetti dei vaccini). La differenza tra queste curve controfattuali e le morti in eccesso effettive determinano le morti stimate evitate a causa della vaccinazione.

I modelli degli autori non sembrano tenere conto dell'evoluzione dell'infettività o della letalità del virus, a parte la modellizzazione esplicita di un aumento dei tassi di ospedalizzazione per infezione dovuto alla variante Delta (vedere 1.2.3, sezione Varianti problematiche nel Supplemento). Il presupposto principale nelle simulazioni controfattuali è che le morti in eccesso siano spiegate dall'evoluzione "naturale" del virus come riflesso nella sua trasmissibilità variabile nel tempo, che può essere solo dedotta (adattata) e non convalidata. 

Se i modelli presuppongono parametri che sovrastimano o sottovalutano l'efficacia del vaccino contro la trasmissione, l'infezione e la morte, nonché la durata della protezione del vaccino, ignorando altre fonti di decessi in eccesso correlati alla pandemia, ciò porterà a una stima eccessiva o errata del tempo. trasmissibilità del virus variabile al fine di ottenere un buon adattamento con le curve di mortalità in eccesso in ciascun paese. Questo, a sua volta, aumenterebbe artificialmente le morti in eccesso stimate quando gli effetti della vaccinazione vengono successivamente rimossi dalle simulazioni controfattuali. Elaboriamo questi punti di seguito.  

I modelli in Watson et al. basarsi su presupposti non realistici sull'immunità derivata dal vaccino

Non è chiaro se gli autori considerino una diminuzione dell'efficacia del vaccino nei loro modelli e sembra che tutti i loro modelli abbiano assunto una protezione vaccinale costante durante l'intero periodo di studio di 1 anno, anche se gli studi hanno suggerito che è da qualche parte tra 3 e 6 mesi. Il modello che citano, Hogan et al. Per impostazione predefinita, il 2021 presuppone una protezione vaccinale "a lungo termine" (cioè >1 anno) (cfr. tabella 1. in Hogan et al. 2021).

Inoltre, praticamente ogni studio sull'efficacia o sull'efficacia del vaccino esclude o raggruppa i casi sintomatici entro 21 giorni dalla 1a dose o entro 14 giorni dalla seconda dose con i gruppi di confronto "non vaccinati". Questo è problematico alla luce dell'evidenza che l'infettività COVID può aumentare quasi 3 volte durante la prima settimana dopo l'iniezione (vedi Figura 1 nel nostro commento allo studio). Ciò suggerisce che le stime di efficacia del vaccino riportate che si basano su tassi di casi inferiori osservati >6 settimane dopo l'iniezione possono essere (almeno in parte) spiegate da infezione-, non vaccinale, immunità indotta a causa di aumenti a breve termine dell'infettività COVID-19 immediatamente dopo la vaccinazione. 

Mentre i modelli in Watson et al. includono un periodo di latenza tra la vaccinazione e l'inizio della protezione, non tengono conto di un potenziale aumento dell'infettività e della trasmissibilità indotte dal vaccino durante questo periodo. Non tenere conto di questo effetto nei modelli sovrastimare la trasmissibilità del virus in evoluzione naturale e variabile nel tempo e quindi gonfiare le morti in eccesso nelle simulazioni controfattuali che escludono gli effetti della vaccinazione.

Infine, gli autori hanno esplorato l'impatto dell'evasione immunitaria dall'immunità derivata dall'infezione conducendo un'analisi di sensibilità per stimare i decessi evitati dalle vaccinazioni con diverse percentuali di fuga immunitaria che vanno dallo 0% all'80% (vedere la Figura 4 supplementare nell'articolo originale). In questi modelli, gli autori chiariscono che presuppongono una protezione vaccinale costante (non decrescente), che è un presupposto irrealistico (vedi paragrafo precedente). Tuttavia, gli autori non sembrano fare un'analisi di sensibilità simile dell'evasione immunitaria dall'immunità derivata dal vaccino, il che è importante dato il punto sollevato nel paragrafo precedente. 

I modelli ignorano le morti in eccesso dovute a fattori diversi da COVID-19

I modelli adattati e i loro controfattuali presuppongono che le morti in eccesso in ciascun paese siano spiegate unicamente da un virus COVID-19 in evoluzione naturale e dalla sua trasmissibilità variabile nel tempo (dedotta dal modello montato). I modelli non tentano di tenere conto delle morti in eccesso causate da altri fattori legati alla pandemia, ad esempio i vaccini stessi e altri interventi obbligatori non farmaceutici. Il Il CDC riporta un rischio di morte globale indotto dal vaccino dello 0.0026% per dose basato sul Vaccine Adverse Events Reporting System, o VAERS. VAERS è un sistema di segnalazione passivo e può solo acquisire ~1% di tutti gli effetti collaterali correlati al vaccino. 

Linee di prova indipendenti più recenti che utilizzano VAERS e ipotesi credibili sul fattore di sottostimas e regressione ecologica dei dati sulla vaccinazione pubblicamente disponibili e sulla mortalità per tutte le cause suggeriscono che VAERS possa catturare solo il 5% circa di tutte le morti indotte dal vaccino. Inoltre, i modelli non tengono conto dei decessi in eccesso derivanti da altri fattori come il lockdown indotto "morti di disperazione". 

Ignorando nei loro modelli altre potenziali fonti di decessi in eccesso correlati alla pandemia, i modelli adattati sovrastimano e/o sottostimano gli effetti della trasmissibilità del virus naturale e variabile nel tempo al fine di ottenere un buon adattamento del modello con i decessi in eccesso segnalati, che in a sua volta porterebbe a un numero di morti in eccesso gonfiato nelle loro simulazioni controfattuali.

Mancanza di validità facciale

Secondo le stime a livello nazionale degli autori, negli Stati Uniti sono stati evitati 1.9 milioni di decessi ipotizzando una copertura vaccinale del 61% (vedere la tabella supplementare 3 nello studio originale). Nel primo anno di pandemia, quando non erano disponibili vaccini (2020), c'erano 351,039 morti per COVID negli Stati Uniti. I modelli degli autori suggeriscono quindi che 1.9 M / 350k = ~ 5.5 volte il numero di decessi COVID negli Stati Uniti si sarebbe verificato nel 2021 (vs. 2020) se non fossero stati introdotti vaccini (vedi Figura 2 nel nostro commento allo studio). Questo è altamente non plausibile poiché ci sono pochissime ragioni per credere che il virus si sarebbe evoluto naturalmente per essere molto più trasmissibile e infettivo ed letale. 

Gli autori alludono a una maggiore trasmissibilità nel 2021 a causa dell'allentamento e/o della revoca delle misure e restrizioni di salute pubblica (lockdown, restrizioni di viaggio, mascherine, ecc.). Tuttavia, l'ipotesi che ciò potrebbe spiegare un aumento >5 volte dei decessi COVID nel 2021 contraddice >400 studi che hanno concluso che ci sono stati pochi o nessun beneficio per la salute pubblica di queste misure nel ridurre gli esiti di COVID.   

Inoltre, nel 2021 (dopo l'introduzione della vaccinazione), c'erano 474,890 morti per COVID negli Stati Uniti. Questo è circa il 35% in più rispetto al 2021, suggerendo prove grezze che le vaccinazioni di massa peggiorato Risultati complessivi di COVID, coerenti con le osservazioni di una maggiore infettività prima dell'inizio della protezione vaccinale (vedi 1° punto sopra) e preoccupazioni di una maggiore gravità della malattia COVID-19 causato dai vaccini sulla base di studi preclinici.

Conclusione

Sebbene i modelli generativi siano spesso uno strumento utile per simulare scenari che non si sono verificati, ipotesi imprecise sui parametri del modello possono facilmente portare a specifiche errate del modello. Nel caso di Watson et al. 2022, possono portare a simulazioni controfattuali che gonfiano grossolanamente le stime dei decessi evitati a causa delle vaccinazioni di massa. 

Poiché una modellazione così complicata può essere eccessivamente sensibile ai parametri di input, soggetta a overfitting e fornisce risultati difficili, se non impossibili da convalidare, non dovrebbe essere utilizzata per informare la politica e le linee guida della salute pubblica. Analisi quantitativa del rapporto rischio-beneficio che utilizzano sperimentazione clinica or dati del mondo reale per confrontare i rischi di risultati specifici, come ad es mortalità per tutte le cause or miopericardite a seguito di vaccinazione e infezione da coronavirus, sono molto più informativi e utili al riguardo.

Nota: ho pubblicato una versione di questo articolo che include figure e bibliografia a ResearchGatee ha twittato il commento agli autori originali dello studio nella speranza di una risposta e di una confutazione. Ho anche inviato una versione ridotta dell'articolo come lettera di 250 parole a The Lancet Infectious Diseases e sto aspettando la loro risposta. L'autore ringrazia Hervé Seligmann per utili commenti e feedback sull'articolo.