Brownstone » Artykuły Instytutu Brownstone » Kłamstwa, cholerne kłamstwa i przyczynowość
Kłamstwa, cholerne kłamstwa i przyczynowość

Kłamstwa, cholerne kłamstwa i przyczynowość

UDOSTĘPNIJ | DRUKUJ | E-MAIL

Niedawno myślałem, że odkryłem najgorsze mylna interpretacja badania dotyczącego szczepionek na Covid, ale właśnie spotkałem kolejnego pretendenta do tytułu. To było „The Puzzle of Monogamous Marriage”  o szczepieniach i wypadkach drogowych.

Autorzy wyjaśniają, że „[sprawdzili], czy szczepienie przeciwko COVID było powiązane z ryzykiem wypadku drogowego” i doszli do wniosku, że „wahanie się przed szczepieniem przeciwko CoVID wiąże się ze znacznie zwiększonym ryzykiem wypadku drogowego”.

Miały na myśli znacznie więcej niż „powiązany”. Mieli na myśli, że uchylanie się od szczepień zwiększa ryzyko wypadku drogowego, co jest twierdzeniem przyczynowym, podobnie jak twierdzenie, że szczepionki przeciwko Covidowi zmniejszają ryzyko śmierci.

Skąd mam wiedzieć, że to było ich żądanie?

Zauważyli, że badanie nie było badaniem randomizowanym i wykorzystali metody statystyczne w celu wsparcia wniosków na temat związku przyczynowo-skutkowego z badania obserwacyjnego.

Ich wnioski były fałszywe. Oto prawdziwe wnioski:

1. Ich badanie pokazuje inny przykład zdrowe nastawienie szczepionek.

2. Ich badanie pokazuje, że nie udało się usunąć błędu systematycznego za pomocą najbardziej rygorystycznej metody statystycznej.

Zacznę od przyspieszonego kursu na temat skojarzeń i przyczynowości.

Stowarzyszenie jest zjawiskiem statystycznym. Przyczynowość jest rzeczywistością. W erze Covida wiele osób słyszało stwierdzenie: „Skojarzenie nie jest (koniecznie) przyczyną”, co jest prawdą. Ale te dwie idee są ze sobą powiązane. Jak?

Związek najlepiej wyjaśnić za pomocą prostego diagramu przyczynowego, gdzie strzałka oznacza związek przyczynowy.

Dwa mechanizmy mogą stworzyć powiązanie między A (np. szczepieniem) i B (np. wypadkiem drogowym).

1) A wpływa na B (przyczynowość)

2) A i B mają wspólną przyczynę, C (zakłócające)

Jeśli A to zrobi nie wpływają na B, chociaż mają wspólną przyczynę, A i B nadal będą powiązane. To jeden z powodów, dla których związek niekoniecznie jest przyczyną. Randomizowane badanie eliminuje jakąkolwiek przyczynę przypisanego przez nas leczenia (np. jeden lek kontra drugi), z wyjątkiem mechanizmu randomizacji. Dlatego potrzebujemy randomizowanych badań, aby wyciągnąć mocne twierdzenia o przyczynie. Zamieszanie zniknęło.

Jeszcze jedna kwestia: każdą strzałkę można uznać za podsumowanie łańcucha przyczynowego. Na przykład, C → B może reprezentować C → → → → B.

Koniec kursu. Jest ocean skomplikowany materiał, ale to wszystko, co musimy wiedzieć.

Autorzy artykułu znają diagramy przyczynowe. Pokazują rozbudowany „skierowany graf acykliczny” (lewy diagram), co jest fantazyjną nazwą „diagramu przyczynowego”.

Co zaskakujące, na ich diagramie nie pojawia się zmienna „status zaszczepienia”, a jedynie „wahanie się przed szczepieniem”, jak nazwali rzeczywistą zmienną, którą analizowali: zaszczepieni czy nie.

Nauka nie ocenia, więc zastąpiłem „wahanie się przed szczepionką” „decyzją” (być zaszczepionym lub nie), niezależnie od jej przyczyn (prawy diagram). Następnie dodałem „status zaszczepienia” (A), który jest efektem „decyzji”. Obie zmienne są niemal doskonale skorelowane. Jeśli zdecyduję się na szczepienie, najprawdopodobniej zostanę zaszczepiony. Podobnie, jeśli zdecyduję się nie zaszczepić. Ignoruję przypadki, gdy dana osoba nie jest w stanie podjąć decyzji poznawczo lub nie ma dostępu do szczepionki lub fizycznie wymuszonego zastrzyku…

Jak widać na moim diagramie, żadna strzałka przyczynowa nie łączy ani „decyzji”, ani „statusu szczepienia” z wypadkiem drogowym. Nie A → B. Jedynym możliwym związkiem przyczynowym, o którym niejasno wspomniano na schemacie autorów, jest Covid: nieszczepieni → infekcja → zmęczenie → rozbić się. Możemy zignorować ten łańcuch, ponieważ wiemy, że szczepienie prawdopodobnie nie zmniejsza ryzyka infekcji przeciwieństwo.

Dlaczego więc szczepienia i wypadki mogą być ze sobą powiązane?

Znasz już odpowiedź. Mają one wiele wspólnych przyczyn – C na moim diagramie – niektóre z nich zostały zmierzone w badaniu, a wiele innych nie. Na podstawie diagramu randomizowane badanie nie wykazałoby żadnego związku pomiędzy szczepieniem a wypadkiem drogowym, żadnych dowodów na jakikolwiek skutek.

Zgodnie z oczekiwaniami na podstawie ich i mojego diagramu autorzy rzeczywiście znaleźli związek między szczepieniem a wypadkiem. Wydaje się, że ryzyko wypadku w przypadku osób nieszczepionych jest wyższe niż w przypadku zaszczepionych i odwrotnie: wydaje się, że szczepienie chroni przed wypadkiem drogowym. Niektóre ze wspólnych przyczyn stwarzały wrażenie zmniejszonego ryzyka, podczas gdy inne działały w przeciwnym kierunku. Łączny efekt wszystkich wspólnych przyczyn dał pseudoskuteczność w walce z poważnym wypadkiem drogowym.

To kolejny przykład zdrowe nastawienie szczepioneko czym autorzy wiedzieli. Stworzyły je bardziej „korzystne cechy” zaszczepionych mniej prawdopodobne wziąć udział w poważnym wypadku, który mógł zakończyć się śmiercią w ruchu drogowym, jedną z wielu nie-Covid przyczyny śmierci. Te cechy, które również je stworzyły bardziej prawdopodobne zaszczepić, zmniejszyli ryzyko wypadku – a nie decyzję o przyjęciu szczepionki na Covid-19 lub jej przyjęciu.

Jak na ironię, autorzy sprawdzili, czy szczepienie jest zdrowe, stosując metodę zwaną „kontrolami negatywnymi”. Badali związek szczepienia z innymi punktami końcowymi, w przypadku których nie spodziewano się żadnego wpływu szczepienia. Nie zdawali sobie jednak sprawy, że punkt końcowy w ich badaniu jest dokładnie tego rodzaju punktem końcowym. Zgodnie z ich własnym diagramem i zdrowym rozsądkiem, a priori nie oczekuje się, że szczepienie będzie miało wpływ na ryzyko wypadku. „Efektem”, który odkryli, było mylące uprzedzenie.

Jeszcze bardziej ironicznie, hospitalizację z powodu urazu lub urazu uznano za... punkt końcowy „kontroli negatywnej”. do badań nad szczepionką przeciw grypie przez nikogo innego jak współautora a kluczowa publikacja w sprawie skuteczności szczepionek na Covid. (Nie wiem, dlaczego nie zastosował tej metody do badań szczepionek na Covid. I nie było dozwolone zapytać.)

Ryzyko wypadku u osób nieszczepionych było 1.72 razy większe niż u zaszczepionych i odwrotnie: współczynnik ryzyka pseudoefektu szczepienia wynosił 0.58, a skuteczność pseudoszczepionki 42%.

Mając na uwadze przyczynowość, autorzy próbowali skorygować oszacowanie kilkoma metodami i pokazali różne wyniki. Najbardziej rygorystyczną próbę opisali w następujący sposób:

Celem drugiej analizy punktacji skłonności było rygorystyczne dopasowanie w stosunku 1 do 1 osoby niezaszczepionej do osoby zaszczepionej i wykluczenie przypadków, w których u jakiejkolwiek osoby postawiono diagnozę medyczną.

Nie trzeba znać statystyk, aby intuicyjnie rozpoznać, że jest to rzeczywiście rygorystyczna metoda.

Czy uzyskali współczynnik ryzyka równy 1, czyli prawdziwy efekt zerowy, w wyniku najbardziej rygorystycznej próby usunięcia nastawienia do zdrowych szczepionek? Nie, otrzymali 1.63 (skorygowany) zamiast 1.72 (nieskorygowany). To wszystko, co osiągnięto dzięki rygorystycznym dostosowaniom. (Obydwie liczby są technicznie ilorazami szans.)

Tak więc, czytając recenzje skąpej literatury na temat metod usuwania zdrowego nastawienia do szczepień, pamiętaj o tym artykule na temat szczepień i wypadków drogowych. Opieranie się na mierzonych zmiennych może nie usunąć uprzedzeń, i to wszystko, co my trzeba wiedzieć.

Wyjaśniono najlepsze, co możemy w tej chwili zrobić gdzie indziej. Nie jest wcale wyrafinowany, choć jest tego więcej odkrywać. Prawdziwy problem, przed którym stoimy, nie ma charakteru naukowego: potrzebne nam dane na temat zgonów innych niż Covid są zwykle ukryte.

PS Byłem zastępcą redaktora naczelnego Amerykański Dziennik Epidemiologii, a moja kartoteka zawiera około 200 publikacji, część z nich w tzw. czołowych czasopismach medycznych. Czy powinienem sformatować ten post, czy inni na dany temat i przesłać je do czasopisma, aby uzyskać pieczątkę „recenzowane?”

poddałem się dawno temu.

Opublikowane ponownie od autora Średni



Opublikowane pod a Creative Commons Uznanie autorstwa 4.0 Licencja międzynarodowa
W przypadku przedruków ustaw link kanoniczny z powrotem na oryginał Instytut Brownstone Artykuł i autor.

Autor

  • Eyal Shahar

    Dr Eyal Shahar jest emerytowanym profesorem zdrowia publicznego w dziedzinie epidemiologii i biostatystyki. Jego badania koncentrują się na epidemiologii i metodologii. W ostatnich latach dr Shahar wniósł również znaczący wkład w metodologię badań, zwłaszcza w dziedzinie diagramów przyczynowych i błędów systematycznych.

    Zobacz wszystkie posty

Wpłać dziś

Twoje wsparcie finansowe dla Brownstone Institute idzie na wsparcie pisarzy, prawników, naukowców, ekonomistów i innych odważnych ludzi, którzy zostali usunięci zawodowo i wysiedleni podczas przewrotu naszych czasów. Możesz pomóc w wydobyciu prawdy poprzez ich bieżącą pracę.

Subskrybuj Brownstone, aby uzyskać więcej wiadomości

Bądź na bieżąco z Brownstone Institute