För inte länge sedan trodde jag att jag hade upptäckt det värsta feltolkning av en studie om Covid-vacciner, men jag har just stött på en annan utmanare till titeln. Det var en studera om vaccination och trafikolyckor.
Författarna förklarar att "[De] testade om COVID-vaccination var förknippad med riskerna för en trafikolycka", och de drog slutsatsen att "tveksamhet mot COVID-vaccin är förknippad med betydande ökade risker för en trafikolycka."
De betydde mycket mer än "associerade". De menade att vaccinationstveksamhet ökar risken för en trafikolycka, ett orsakspåstående, precis som påståendet att Covid-vaccin minskar risken för dödsfall.
Hur vet jag att det var deras påstående?
De påpekade att studien inte var en randomiserad studie, och de använde statistiska metoder för att stödja slutsatser om orsak-och-verkan samband från en observationsstudie.
Deras slutsats var falsk. Detta är de sanna slutsatserna:
1. Deras studie visar ett annat exempel på den friska vaccinerade partiskheten.
2. Deras studie visar på misslyckande med att ta bort partiskheten med den mest stringenta statistiska metoden.
Låt mig börja med en snabbkurs om association kontra orsakssamband.
Association är ett statistiskt fenomen. Orsakssamband är verklighet. Under Covid-eran har många hört påståendet "Association är inte (nödvändigtvis) orsakssamband", vilket är sant. Men de två idéerna hänger ihop. Hur?
Sambandet förklaras bäst med ett enkelt kausaldiagram, där en pil betyder orsakssamband.
Två mekanismer kan skapa ett samband mellan A (t.ex. vaccination) och B (t.ex. en trafikolycka).
1) A påverkar B (orsakssamband)
2) A och B delar en orsak, C (konfounderande)
Om A gör det inte påverkar B, men de delar en orsak, A och B kommer fortfarande att vara associerade. Det är en anledning till att ett samband inte nödvändigtvis är orsakssamband. En randomiserad studie eliminerar alla orsaker till de behandlingar vi tilldelar (t.ex. ett läkemedel mot ett annat) förutom randomiseringsmekanismen. Det är därför vi behöver randomiserade prövningar för att göra starka orsakspåståenden. Confounding är borta.
En punkt till: vilken pil som helst kan betraktas som en sammanfattning av en orsakskedja. Till exempel, C → B kunde representera C → X → Y → Z → B.
Slut såklart. Det finns ett hav av komplicerat material, men det är allt vi behöver veta.
Författarna till artikeln känner till kausala diagram. De visar en utarbetad "riktad acyklisk graf" (vänster diagram), vilket är ett fint namn för ett "kausaldiagram."
Förvånansvärt nog visas inte variabeln "vaccinationsstatus" i deras diagram, bara "vaccinationstveksamhet", namnet de gav till den faktiska variabeln de analyserade: vaccinerad eller inte.
Vetenskapen är inte dömande, så jag ersatte "vaccinationstveksamhet" med "beslut" (att bli vaccinerad eller inte), oavsett dess orsaker (höger diagram). Sedan lade jag till "vaccinationsstatus" (A), vilket är effekten av "beslut." De två variablerna är nästan perfekt korrelerade. Om jag bestämmer mig för att bli vaccinerad kommer jag med största sannolikhet att bli vaccinerad. Likaså om jag bestämmer mig för att inte bli vaccinerad. Jag ignorerar fall när en person kognitivt inte kan bestämma sig eller det inte finns tillgång till vaccinet eller en fysiskt påtvingad injektion...
Som du kan se i mitt diagram kopplar ingen orsakspil vare sig "beslut" eller "vaccinationsstatus" till en trafikolycka. Nej a → B. Det enda möjliga orsakssambandet, oklart anspelat i författarnas diagram, är genom Covid: ovaccinerad → infektion → trötthet → krascha. Vi kanske ignorerar denna kedja eftersom vi vet att vaccination inte minskar risken för en infektion, ev den motsatta.
Så varför kan vaccination och krascher vara associerade?
Nu vet du svaret. De delar många orsaker - C i mitt diagram - av vilka några mättes i studien, och många som inte gjorde det. Baserat på diagrammet skulle en randomiserad studie inte ha funnit något samband mellan vaccination och en trafikolycka, inga bevis för någon effekt.
Som förväntat av deras diagram och mitt, fann författarna verkligen ett samband mellan vaccination och en krasch. De ovaccinerade verkade löpa högre risk för en krasch än de vaccinerade eller vice versa: vaccination verkade skydda mot en trafikolycka. Vissa av de gemensamma orsakerna verkade för att skapa intryck av en minskad risk, medan andra verkade i motsatt riktning. Nettoeffekten av alla delade orsaker gav pseudoeffektivitet mot en allvarlig trafikolycka.
Det är ett annat exempel på den friska vaccinerade partiskheten, vilket författarna var medvetna om. Mer "gynnsamma egenskaper" hos de vaccinerade gjorde dem mindre sannolikt att vara inblandad i en allvarlig krasch, som kunde ha resulterat i trafikdöd, en av många icke-covid dödsorsaker. Dessa egenskaper, som också gjorde dem mer sannolikt att bli vaccinerad, minskade risken för en krasch – inte ett beslut att ta ett Covid-vaccin eller ta det.
Ironiskt nog kontrollerade författarna för den friska vaccinerade partiskheten genom att använda en metod som kallas "negativa kontroller." De studerade sambandet mellan vaccination och andra effektmått på vilka ingen effekt av vaccination förväntades. Ändå förstod de inte att endpointen i deras studie är exakt den typen av endpoint. A priori förväntas vaccination inte påverka risken för en krasch, enligt deras eget diagram och sunt förnuft. "Effekten" de fann var förvirrande partiskhet.
Ännu mer ironiskt nog ansågs sjukhusvistelse för skada eller trauma vara en slutpunkt för "negativ kontroll". för studier av influensavaccin av ingen annan än en medförfattare till en nyckelpublikation om effektiviteten av Covid-vacciner. (Jag vet inte varför han inte tillämpade denna metod på studier av Covid-vacciner. I var inte tillåtet att fråga.)
Risken för en krasch hos ovaccinerade var 1.72 gånger risken hos vaccinerade, eller vice versa: pseudoeffekten av vaccination var en riskkvot på 0.58, eller pseudovaccineffektivitet på 42 %.
Med kausalitet i åtanke försökte författarna justera skattningen med flera metoder och visade olika resultat. De beskrev det mest rigorösa försöket så här:
Syftet med den andra benägenhetspoänganalysen var att vara strikt när man matchar en ovaccinerad individ 1-till-1 med en vaccinerad individ och utesluter fall där någon person hade en medicinsk diagnos.
Du behöver inte känna till statistik för att intuitivt inse att detta verkligen är en rigorös metod.
Fick de ett riskförhållande på 1, den verkliga nolleffekten, från deras mest stränga försök att ta bort den friska vaccinerade partiskheten? Nej, de fick 1.63 (justerat) istället för 1.72 (ojusterat). Det är allt som rigorösa justeringar har uppnått. (Båda siffrorna är tekniskt sett oddskvoter.)
Så, när du läser recensioner av den sparsamma litteraturen om metoder för att ta bort den friska vaccinerade partiskheten, kom ihåg den här artikeln om vaccination och trafikolyckor. Att förlita sig på uppmätta variabler kan misslyckas med att ta bort partiskheten, och det är allt vi behöver veta.
Det bästa vi kan göra just nu förklaras annorstädes. Det är inte alls sofistikerat, även om det finns mer att utforska. Det verkliga problemet vi står inför är inte vetenskapligt: de uppgifter vi behöver om icke-Covid-död är vanligtvis dolda.
PS Jag var biträdande redaktör för American Journal of Epidemiology, och mitt register innehåller cirka 200 publikationer, några av dem i de så kallade topmedicinska tidskrifterna. Ska jag formatera om detta inlägg eller andra om ämnet och skicka in dem till en tidskrift för att få stämpeln "peer-reviewed?"
jag gav upp länge sedan.
Återpublicerad från författarens Medium
Publicerad under a Creative Commons Erkännande 4.0 Internationell licens
För omtryck, vänligen ställ tillbaka den kanoniska länken till originalet Brownstone Institute Artikel och författare.
