Brownstone » Zeitschrift des Brownstone Institute » Lügen, verdammte Lügen und Kausalität
Lügen, verdammte Lügen und Kausalität

Lügen, verdammte Lügen und Kausalität

TEILEN | DRUCKEN | EMAIL

Vor nicht allzu langer Zeit dachte ich, ich hätte das Schlimmste entdeckt Fehlinterpretation einer Studie über Covid-Impfstoffe, aber ich bin gerade auf einen anderen Anwärter auf den Titel gestoßen. Es war ein Studie über Impfungen und Verkehrsunfälle.

Die Autoren erklären, dass „[sie] getestet haben, ob die COVID-Impfung mit dem Risiko eines Verkehrsunfalls verbunden ist“, und sie kamen zu dem Schluss, dass „das Zögern der COVID-Impfung mit einem deutlich erhöhten Risiko eines Verkehrsunfalls verbunden ist.“

Sie bedeuteten viel mehr als nur „assoziiert“. Sie meinten, dass Impfskepsis das Risiko eines Verkehrsunfalls erhöht, eine kausale Behauptung, genau wie die Behauptung, dass Covid-Impfstoffe das Sterberisiko verringern.

Woher weiß ich, dass das ihre Behauptung war?

Sie bemerkten, dass es sich bei der Studie nicht um eine randomisierte Studie handelte und dass sie statistische Methoden verwendeten, um Rückschlüsse auf Ursache-Wirkungs-Beziehungen aus einer Beobachtungsstudie zu stützen.

Ihre Schlussfolgerung war falsch. Dies sind die wahren Schlussfolgerungen:

1. Ihre Studie zeigt ein weiteres Beispiel dafür die Voreingenommenheit gegenüber gesunden Impflingen.

2. Ihre Studie zeigt, dass es mit der strengsten statistischen Methode nicht gelingt, die Verzerrung zu beseitigen.

Lassen Sie mich mit einem Crashkurs zum Thema Zusammenhang versus Kausalität beginnen.

Assoziation ist ein statistisches Phänomen. Kausalität ist Realität. Während der Covid-Ära haben viele die Aussage gehört: „Assoziation ist nicht (notwendigerweise) Kausalität“, was wahr ist. Aber die beiden Ideen sind miteinander verbunden. Wie?

Der Zusammenhang lässt sich am besten anhand eines einfachen Kausaldiagramms erklären, in dem ein Pfeil Kausalität bedeutet.

Zwei Mechanismen können einen Zusammenhang zwischen A (z. B. Impfung) und B (z. B. Verkehrsunfall) herstellen.

1) A beeinflusst B (Ursache)

2) A und B haben eine gemeinsame Ursache, C (verwirrend)

Wenn A es tut nicht Obwohl sie B beeinflussen, aber eine gemeinsame Ursache haben, werden A und B dennoch verbunden sein. Das ist einer der Gründe, warum ein Zusammenhang nicht unbedingt eine Kausalität darstellt. Eine randomisierte Studie eliminiert alle Ursachen der von uns zugewiesenen Behandlungen (z. B. ein Medikament gegenüber einem anderen), mit Ausnahme des Mechanismus der Randomisierung. Deshalb brauchen wir randomisierte Studien, um starke kausale Aussagen zu machen. Die Verwirrung ist verschwunden.

Noch ein Punkt: Jeder Pfeil kann als Zusammenfassung einer Kausalkette betrachtet werden. Zum Beispiel, C → B könnte darstellen C → → → → B..

Ende der Strecke. Es gibt einen Ozean von komplizierter Stoff, aber das ist alles was wir wissen müssen.

Die Autoren des Artikels kennen sich mit Kausaldiagrammen aus. Sie zeigen einen ausgearbeiteten „gerichteten azyklischen Graphen“ (linkes Diagramm), was ein schicker Name für ein „Kausaldiagramm“ ist.

Erstaunlicherweise taucht in ihrem Diagramm nicht die Variable „Impfstatus“ auf, sondern nur „Impfzögerlichkeit“, der Name, den sie der eigentlichen Variablen gaben, die sie analysierten: geimpft oder nicht.

Die Wissenschaft urteilt nicht, deshalb habe ich „Impfzögerlichkeit“ durch „Entscheidung“ (impfen lassen oder nicht) ersetzt, was auch immer die Ursachen sein mögen (rechtes Diagramm). Dann habe ich „Impfstatus“ (A) hinzugefügt, was den Effekt von „Entscheidung“ darstellt. Die beiden Variablen korrelieren nahezu perfekt. Wenn ich mich für eine Impfung entscheide, werde ich höchstwahrscheinlich auch geimpft. Ebenso, wenn ich mich gegen eine Impfung entscheide. Ich ignoriere Fälle, in denen eine Person kognitiv nicht in der Lage ist, sich zu entscheiden, oder wenn kein Zugang zum Impfstoff oder zu einer körperlich erzwungenen Injektion besteht …

Wie Sie in meinem Diagramm sehen können, verbindet kein Kausalpfeil weder „Entscheidung“ noch „Impfstatus“ mit einem Verkehrsunfall. Nein A → B. Der einzig mögliche kausale Zusammenhang, der im Diagramm der Autoren unklar angedeutet wird, besteht durch Covid: ungeimpft → Infektion → Müdigkeit → Absturz. Wir können diese Kette ignorieren, da wir wissen, dass eine Impfung das Risiko einer Infektion möglicherweise nicht verringert das Gegenteil.

Warum könnten also Impfungen und Unfälle miteinander verbunden sein?

Inzwischen kennen Sie die Antwort. Sie haben viele gemeinsame Ursachen – C in meinem Diagramm –, von denen einige in der Studie gemessen wurden und viele nicht. Basierend auf dem Diagramm hätte eine randomisierte Studie keinen Zusammenhang zwischen der Impfung und einem Verkehrsunfall und keine Hinweise auf irgendeine Wirkung gefunden.

Wie aus ihrem und meinem Diagramm zu erwarten war, stellten die Autoren tatsächlich einen Zusammenhang zwischen Impfung und einem Unfall fest. Ungeimpfte schienen einem höheren Unfallrisiko ausgesetzt zu sein als Geimpfte oder umgekehrt: Eine Impfung schien vor einem Verkehrsunfall zu schützen. Einige der gemeinsamen Ursachen erweckten den Anschein eines verringerten Risikos, während andere in die entgegengesetzte Richtung wirkten. Der Nettoeffekt aller gemeinsamen Ursachen führte zu einer Pseudowirksamkeit gegen einen schweren Verkehrsunfall.

Das ist ein weiteres Beispiel dafür die Voreingenommenheit gegenüber gesunden Impflingen, was den Autoren bekannt war. Weitere „günstige Eigenschaften“ der Geimpften machten sie aus weniger wahrscheinlich in einen schweren Unfall verwickelt zu sein, der zum Verkehrstoten hätte führen können, einer von vielen Nicht-Covid Todesursachen. Diese Eigenschaften, die sie auch ausgemacht haben eher sich impfen zu lassen, verringerte das Risiko eines Unfalls – nicht die Entscheidung, einen Covid-Impfstoff zu nehmen oder ihn einzunehmen.

Ironischerweise überprüften die Autoren die Voreingenommenheit gegenüber gesunden Impflingen mithilfe einer Methode namens „Negativkontrollen“. Sie untersuchten den Zusammenhang der Impfung mit anderen Endpunkten, bei denen keine Wirkung der Impfung zu erwarten war. Sie erkannten jedoch nicht, dass der Endpunkt in ihrer Studie genau ein solcher Endpunkt ist. A priori ist nicht zu erwarten, dass die Impfung das Risiko eines Unfalls beeinflusst, so ihr eigenes Diagramm und ihr gesunder Menschenverstand. Der „Effekt“, den sie fanden, war eine verwirrende Voreingenommenheit.

Noch ironischer ist, dass ein Krankenhausaufenthalt wegen einer Verletzung oder eines Traumas als a angesehen wurde Endpunkt „Negativkontrolle“. für Studien zum Grippeimpfstoff von niemand anderem als einem Co-Autor von a Schlüsselveröffentlichung zur Wirksamkeit von Covid-Impfstoffen. (Ich weiß nicht, warum er diese Methode nicht auf Studien zu Covid-Impfstoffen angewendet hat. I war nicht erlaubt Fragen.)

Das Risiko eines Absturzes betrug bei den Ungeimpften das 1.72-fache des Risikos bei den Geimpften, oder umgekehrt: Der Pseudoeffekt der Impfung betrug ein Risikoverhältnis von 0.58 bzw. die Pseudoimpfwirksamkeit von 42 %.

Unter Berücksichtigung der Kausalität versuchten die Autoren, die Schätzung mit mehreren Methoden anzupassen und zeigten unterschiedliche Ergebnisse. Sie beschrieben den härtesten Versuch wie folgt:

Der Zweck der zweiten Propensity-Score-Analyse bestand darin, eine ungeimpfte Person 1:1 einer geimpften Person strikt zuzuordnen und Fälle auszuschließen, in denen eine Person eine medizinische Diagnose hatte.

Man muss sich nicht mit Statistiken auskennen, um intuitiv zu erkennen, dass es sich tatsächlich um eine strenge Methode handelt.

Erreichten sie bei ihrem strengsten Versuch, die Voreingenommenheit gegenüber gesunden Impflingen zu beseitigen, ein Risikoverhältnis von 1, den wahren Nulleffekt? Nein, sie bekamen 1.63 (bereinigt) statt 1.72 (unbereinigt). Das ist alles, was durch die konsequente Anpassung erreicht wurde. (Bei beiden Zahlen handelt es sich technisch gesehen um Quotenverhältnisse.)

Wenn Sie also Rezensionen der spärlichen Literatur zu Methoden zur Beseitigung des Vorurteils gegenüber gesunden Impflingen lesen, denken Sie an diesen Artikel über Impfungen und Verkehrsunfälle. Sich auf Messgrößen verlassen kann die Voreingenommenheit nicht beseitigen, und das ist alles, was wir tun wissen müssen,.

Das Beste, was wir derzeit tun können, wird erklärt anderswo. Es ist überhaupt nicht anspruchsvoll, obwohl es noch mehr gibt erforschen. Das eigentliche Problem, mit dem wir konfrontiert sind, ist nicht wissenschaftlicher Natur: Die Daten, die wir über nicht durch Covid verursachte Todesfälle benötigen, sind normalerweise verborgen.

PS: Ich war Mitherausgeber von Das American Journal of Epidemiology, und meine Akte umfasst etwa 200 Veröffentlichungen, einige davon in den sogenannten Top-Medizinzeitschriften. Soll ich diesen Beitrag neu formatieren bzw Extras zum Thema und reichen Sie sie bei einer Zeitschrift ein, um das Siegel „peer-reviewed“ zu erhalten?

ich gab auf vor langer Zeit.

Wiederveröffentlicht von der Autorin Medium



Veröffentlicht unter a Creative Commons Namensnennung 4.0 Internationale Lizenz
Für Nachdrucke setzen Sie bitte den kanonischen Link wieder auf das Original zurück Brownstone-Institut Artikel und Autor.

Autor

  • Eyal Shahar

    Dr. Eyal Shahar ist emeritierter Professor für öffentliche Gesundheit in Epidemiologie und Biostatistik. Seine Forschungsschwerpunkte sind Epidemiologie und Methodik. In den letzten Jahren hat Dr. Shahar auch bedeutende Beiträge zur Forschungsmethodik geleistet, insbesondere im Bereich der Kausaldiagramme und Vorurteile.

    Alle Beiträge

Spenden Sie heute

Ihre finanzielle Unterstützung des Brownstone Institute kommt der Unterstützung von Schriftstellern, Anwälten, Wissenschaftlern, Ökonomen und anderen mutigen Menschen zugute, die während der Umwälzungen unserer Zeit beruflich entlassen und vertrieben wurden. Sie können durch ihre fortlaufende Arbeit dazu beitragen, die Wahrheit ans Licht zu bringen.

Abonnieren Sie Brownstone für weitere Neuigkeiten

Bleiben Sie mit dem Brownstone Institute auf dem Laufenden