Brownstone » Brownstone Journal » Modellfehlspezifikation und stark überhöhte Schätzungen der geretteten Leben

Modellfehlspezifikation und stark überhöhte Schätzungen der geretteten Leben

TEILEN | DRUCKEN | EMAIL

In einer kürzlich herausgebrachten Studie veröffentlicht in Die Lancet Infectious Diseases, Watsonet al. Wenden Sie mathematische Modelle an, um abzuschätzen, dass Massenimpfungen gegen COVID-19 im ersten Jahr der COVID-14-Impfung weltweit zwischen 20 und 19 Millionen Menschenleben gerettet haben Programm. Frühere Brownstone-Artikel von Horst und Raman haben bereits auf mehrere fehlerhafte Annahmen in der Studie hinsichtlich der Dauer der von der Infektion im Vergleich zum Impfstoff abgeleiteten Immunität sowie auf die Tatsache hingewiesen, dass unerwünschte Ereignisse im Impfstoff und das Sterblichkeitsrisiko aller Ursachen nicht berücksichtigt wurden. 

Hier fasse ich die Mechanik zusammen, wie die Autoren zu ihren Schätzungen der durch Massenimpfungen abgewendeten Todesfälle kamen. Anschließend erläutere ich, wie fehlerhafte Annahmen im Modell zu stark überhöhten Schätzungen der abgewendeten Todesfälle führen können, was den Mangel an scheinbarer Validität und interner Konsistenz der Studie erklären könnte.

Die Studie verwendet ein generatives Modell der COVID-19-Übertragungs-, Infektions- und Sterblichkeitsdynamik, das 20-25 angenommene Parameter auf der Grundlage ausgewählter Literatur umfasst (z. B. Wirksamkeit des Impfstoffs gegen Übertragung, Infektion und Tod, Altersmischungen der einzelnen Länder, Altersstratifizierung). Infektionssterblichkeitsraten usw.), die an gemeldete Todesfälle angepasst wird, um auf die zeitliche Übertragbarkeit von Viren in 185 Ländern zu schließen (aber nicht zu validieren). 

Die Studie vergleicht die tatsächlichen übermäßigen Todesfälle im Jahr 2021 mit Simulationen (Kontrafaktualien), die den Verlauf der übermäßigen Todesfälle in jedem Land vorhersagen sollen, wenn keine Impfstoffe eingeführt worden wären (dh durch Ausführen mehrerer Simulationen der oben angepassten Modelle nach dem Entfernen der Auswirkungen von Impfstoffen). Die Differenz zwischen diesen kontrafaktischen Kurven und den tatsächlichen überschüssigen Todesfällen führt zu den geschätzten Todesfällen, die aufgrund der Impfung abgewendet wurden.

Die Modelle der Autoren scheinen die Entwicklung der Infektiosität oder Letalität des Virus nicht zu berücksichtigen, abgesehen von der expliziten Modellierung eines Anstiegs der Krankenhausaufenthaltsraten aufgrund der Delta-Variante (siehe Abschnitt 1.2.3 Besorgniserregende Varianten im Anhang). Die Hauptannahme in den kontrafaktischen Simulationen ist, dass übermäßige Todesfälle durch die „natürliche“ Entwicklung des Virus erklärt werden, die sich in seiner zeitlich variierenden Übertragbarkeit widerspiegelt, die nur gefolgert (angepasst) und nicht validiert werden kann. 

Wenn die Modelle Parameter annehmen, die die Wirksamkeit des Impfstoffs gegen Übertragung, Infektion und Tod sowie die Dauer des Impfschutzes über- oder falsch einschätzen, während andere Quellen pandemiebedingter übermäßiger Todesfälle ignoriert werden, führt dies zu einer Über- oder unterschiedliche Virusübertragbarkeit, um eine gute Übereinstimmung mit den exzessiven Todeskurven in jedem Land zu erreichen. Dies wiederum würde die geschätzten zusätzlichen Todesfälle künstlich aufblähen, wenn die Auswirkungen der Impfung anschließend aus den kontrafaktischen Simulationen entfernt werden. Auf diese Punkte gehen wir im Folgenden näher ein.  

Die Modelle in Watson et al. verlassen sich auf unrealistische Annahmen über impfstoffbedingte Immunität

Es ist nicht klar, ob die Autoren in ihren Modellen eine nachlassende Impfwirkung berücksichtigen, und es scheint, dass alle ihre Modelle einen konstanten Impfschutz über den gesamten Studienzeitraum von einem Jahr angenommen haben Studien haben ergeben, dass es irgendwo zwischen 3 und 6 Monaten liegt. Das von ihnen zitierte Modell, Hogan et al. 2021 geht standardmäßig von einem „langfristigen“ (d. h. > 1 Jahr) Impfschutz aus (siehe Tabelle 1. in Hoganet al. 2021).

Darüber hinaus schließt praktisch jede Studie zur Wirksamkeit oder Wirksamkeit des Impfstoffs symptomatische Fälle innerhalb von 21 Tagen nach der ersten Dosis oder innerhalb von 1 Tagen nach der zweiten Dosis mit den „ungeimpften“ Vergleichsgruppen entweder aus oder ordnet sie zusammen. Dies ist angesichts der Beweise dafür, dass COVID-Infektiosität möglich ist, problematisch Energie fast 3-fach während der ersten Woche nach der Injektion (vgl Abbildung 1 in unserem Kommentar zur Studie). Dies deutet darauf hin, dass die gemeldeten Wirksamkeitsschätzungen des Impfstoffs, die auf niedrigeren Fallzahlen basieren, die > 6 Wochen nach der Injektion beobachtet wurden, (zumindest teilweise) darauf zurückzuführen sind Infektion-, nicht impfstoffinduzierte Immunität aufgrund kurzfristiger Erhöhungen der COVID-19-Infektiosität unmittelbar nach der Impfung. 

Während die Modelle in Watson et al. eine Latenzzeit zwischen der Impfung und dem Einsetzen des Schutzes beinhalten, berücksichtigen sie nicht einen potenziellen Anstieg der durch den Impfstoff verursachten Infektiosität und Übertragbarkeit während dieser Zeit. Eine Nichtberücksichtigung dieses Effekts in den Modellen würde die sich natürlich entwickelnde und zeitvariable Virusübertragbarkeit überschätzen und somit die Zahl der Todesfälle in den kontrafaktischen Simulationen, die Impfeffekte ausschließen, aufblähen.

Schließlich untersuchten die Autoren die Auswirkungen der Immunumgehung durch eine infektionsbedingte Immunität, indem sie eine Sensitivitätsanalyse durchführten, um die Todesfälle abzuschätzen, die durch Impfungen mit unterschiedlichen Prozentsätzen der Immunflucht im Bereich von 0 % bis 80 % abgewendet wurden (siehe ergänzende Abbildung 4 im Originalartikel). In diesen Modellen machen die Autoren deutlich, dass sie von einem konstanten (nicht abnehmenden) Impfschutz ausgehen, was eine unrealistische Annahme ist (siehe oben). Die Autoren scheinen jedoch keine ähnliche Sensitivitätsanalyse der Immunumgehung einer impfstoffbasierten Immunität durchzuführen, was angesichts des im obigen Absatz angesprochenen Punktes wichtig ist. 

Modelle ignorieren übermäßige Todesfälle aufgrund anderer Faktoren als COVID-19

Die angepassten Modelle und ihre Kontrafaktualien gehen davon aus, dass die übermäßigen Todesfälle in jedem Land erklärt werden allein durch ein sich natürlich entwickelndes COVID-19-Virus und seine (angepasstes Modell abgeleitete) zeitvariable Übertragbarkeit. Die Modelle versuchen nicht, übermäßige Todesfälle zu berücksichtigen, die durch andere pandemiebedingte Faktoren verursacht werden, beispielsweise die Impfstoffe selbst sowie andere nicht-pharmazeutische Zwangsmaßnahmen. Das CDC meldet ein durch Impfstoffe verursachtes Gesamttodesrisiko von 0.0026 % pro Dosis basierend auf dem Vaccine Adverse Events Reporting System oder VAERS. VAERS ist ein passives Meldesystem und kann nur erfassen ~1 % aller impfstoffbedingten Nebenwirkungen

Neuere unabhängige Beweisführungen verwenden VAERS und glaubwürdige Annahmen zum Underreporting-Faktors und ökologische Regression von öffentlich zugänglichen Impf- und Gesamtsterblichkeitsdaten schlagen vor, dass VAERS möglicherweise nur etwa 5 % aller durch Impfstoffe verursachten Todesfälle erfasst. Darüber hinaus berücksichtigen die Modelle keine übermäßigen Todesfälle, die sich aus anderen Faktoren ergeben, z. B. durch Lockdowns „Tode aus Verzweiflung“. 

Durch das Ignorieren anderer potenzieller Quellen für pandemiebedingte übermäßige Todesfälle in ihren Modellen werden die angepassten Modelle die Auswirkungen der natürlichen, zeitlich variierenden Virusübertragbarkeit über- und/oder falsch einschätzen, um eine gute Modellanpassung an die gemeldeten übermäßigen Todesfälle zu erreichen, was in wiederum würde in ihren kontrafaktischen Simulationen zu überhöhten Todeszahlen führen.

Mangel an Gesichtsvalidität

Gemäß den Schätzungen der Autoren auf Länderebene wurden in den USA 1.9 Millionen Todesfälle verhindert, wenn man von einer Impfquote von 61 % ausgeht (siehe Ergänzungstabelle 3 in der Originalstudie). Im ersten Jahr der Pandemie, als noch keine Impfstoffe verfügbar waren (2020), waren es 351,039 COVID-Todesfälle in den USA. Die Modelle der Autoren deuten daher darauf hin, dass 1.9 Mio. / 350 = ~ 5.5-mal so viele COVID-Todesfälle in den USA im Jahr 2021 (vs. 2020) aufgetreten wären, wenn keine Impfstoffe eingeführt worden wären (siehe Abbildung 2 in unserem Kommentar zur Studie). Dies ist höchst unwahrscheinlich, da es kaum Grund zu der Annahme gibt, dass sich das Virus auf natürliche Weise so viel übertragbarer und infektiöser entwickelt hätte und tödlich. 

Die Autoren spielen auf eine höhere Übertragbarkeit im Jahr 2021 aufgrund der Lockerung und/oder Aufhebung von Maßnahmen und Beschränkungen im Bereich der öffentlichen Gesundheit (Lockdowns, Reisebeschränkungen, Maskenpflichten usw.) an. Die Annahme, dass dies zu einem >5-fachen Anstieg der COVID-Todesfälle im Jahr 2021 führen könnte, widerspricht jedoch >400 Studien die zu dem Schluss gekommen sind, dass diese Maßnahmen bei der Reduzierung der COVID-Ergebnisse wenig bis gar keine Vorteile für die öffentliche Gesundheit hatten.   

Darüber hinaus gab es im Jahr 2021 (nach Einführung der Impfung) solche 474,890 COVID-Todesfälle in den USA. Dies ist etwa 35% höher als 2021, was auf grobe Beweise für Massenimpfungen hindeutet verschlechtert COVID-Ergebnisse insgesamt, die mit Beobachtungen einer erhöhten Infektiosität übereinstimmen, bevor der Impfschutz einsetzt (siehe 1. Punkt oben) und Bedenken hinsichtlich einer erhöhten Schwere der COVID-19-Erkrankung durch die Impfungen verursacht basierend auf präklinischen Studien.

Zusammenfassung

Während generative Modelle oft ein nützliches Werkzeug sind, um Szenarien zu simulieren, die nicht eingetreten sind, können ungenaue Annahmen über Modellparameter leicht zu einer Fehlspezifikation des Modells führen. Im Fall von Watson et al. 2022, können sie zu kontrafaktischen Simulationen führen, die die Schätzungen der durch Massenimpfungen abgewendeten Todesfälle stark aufblähen. 

Da eine derart komplizierte Modellierung übermäßig empfindlich auf Eingabeparameter reagieren kann, zu Überanpassung neigt und Ergebnisse liefert, die schwierig, wenn nicht gar unmöglich zu validieren sind, sollte sie nicht verwendet werden, um die öffentliche Gesundheitspolitik und Richtlinien zu informieren. Quantitative Risiko-Nutzen-Verhältnis-Analysen, die verwenden klinischen Studie or reale Daten Risiken bestimmter Ergebnisse zu vergleichen, wie z Gesamtmortalität or Myoperikarditis B. nach Impfung und Coronavirus-Infektion, sind in dieser Hinsicht viel informativer und nützlicher.

Hinweis: Ich habe eine Version dieses Artikels veröffentlicht, die Abbildungen und Literaturverzeichnis enthält Researchgate und twitterte den Kommentar an die ursprünglichen Autoren der Studie in der Hoffnung auf eine Antwort und Widerlegung. Ich habe auch eine gekürzte Version des Artikels als 250-Wörter-Brief an The gesendet Lancet Infectious Diseases und ich warte auf ihre Antwort. Der Autor dankt Hervé Seligmann für hilfreiche Kommentare und Rückmeldungen zum Artikel.



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

  • Spiro Pantazatos

    Dr. Spiro P. Pantazatos ist Assistenzprofessor für Klinische Neurobiologie (Psychiatrie) an der Columbia University. Er ist außerdem Forschungswissenschaftler am New York State Psychiatric Institute.

    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