Kısa bir süre önce en kötüsünü keşfettiğimi düşünmüştüm yanlış yorumlama Covid aşıları üzerine bir çalışma, ancak başlık için başka bir adayla karşılaştım. ders çalışma aşılama ve trafik kazaları hakkında.
Yazarlar, "COVID aşısının trafik kazası riskleriyle ilişkili olup olmadığını test ettiler" ve "COVID aşısı tereddüdünün trafik kazası risklerinde önemli artışla ilişkili olduğu" sonucuna vardılar.
"İlişkili"den çok daha fazlasını kastediyorlardı. Aşı tereddüdünün trafik kazası riskini artırdığını, tıpkı Covid aşılarının ölüm riskini azalttığı iddiası gibi nedensel bir iddiayı kastediyorlardı.
Bunun onların iddiası olduğunu nereden biliyorum?
Çalışmanın randomize bir çalışma olmadığını, gözlemsel bir çalışmadan elde edilen neden-sonuç ilişkisini çıkarsamak için istatistiksel yöntemler kullandıklarını belirtmişlerdir.
Çıkarımları yanlıştı. İşte gerçek sonuçlar:
1. Çalışmaları başka bir örnek gösteriyor sağlıklı aşı önyargısı.
2. Çalışmaları, en katı istatistiksel yöntemlerle bile önyargının ortadan kaldırılamadığını gösteriyor.
İlişkilendirme ile nedensellik arasındaki ilişkiyi kısa bir eğitimle anlatayım.
İlişkilendirme istatistiksel bir olgudur. Nedensellik gerçekliktir. Covid döneminde, birçok kişi "Birleştirme (mutlaka) nedensellik değildir" ifadesini duymuştur, bu doğrudur. Ancak iki fikir birbirine bağlıdır. Nasıl?
Bağlantıyı en iyi şekilde açıklamak için basit bir nedensellik diyagramı kullanılabilir; burada ok nedenselliği ifade eder.
A (örneğin aşılama) ve B (örneğin trafik kazası) arasında iki mekanizma ilişki yaratabilir.
1) A, B'yi etkiler (nedensellik)
2) A ve B'nin ortak bir nedeni var, C (karıştırıcı)
Eğer A yaparsa değil B'yi etkiler, ancak bir nedeni paylaşırlar, A ve B yine de ilişkili olacaktır. Bu, bir ilişkinin nedensellik olması gerekmediğinin bir nedenidir. Rastgele bir deneme, atadığımız tedavilerin herhangi bir nedenini (örneğin, bir ilaca karşı diğeri) rastgeleleştirme mekanizması hariç ortadan kaldırır. Bu nedenle güçlü nedensel iddialarda bulunmak için rastgele denemelere ihtiyacımız var. Karıştırma ortadan kalktı.
Bir nokta daha: Herhangi bir ok, bir nedensel zincirin özeti olarak düşünülebilir. Örneğin, C → B temsil edebilir Ç → X → Y → Z → B.
Elbette ki son. Bir okyanus var karmaşık malzeme, ama bilmemiz gereken tek şey bu.
Makalenin yazarları nedensel diyagramlar hakkında bilgi sahibidir. "Nedensel diyagram" için süslü bir isim olan ayrıntılı bir "yönlendirilmiş döngüsüz grafik" (sol diyagram) gösterirler.
Şaşırtıcı bir şekilde, "aşılama durumu" değişkeni diyagramlarında görünmüyor, yalnızca analiz ettikleri gerçek değişkene verdikleri isim olan "aşı tereddüdü" görünüyor: aşılanmış olmak veya olmamak.
Bilim yargılayıcı değildir, bu yüzden "aşı tereddüdü"nü "karar" (aşı olmak veya olmamak) ile değiştirdim, bunun nedenleri ne olursa olsun (sağdaki diyagram). Sonra, "karar"ın etkisi olan "aşı durumu"nu (A) ekledim. İki değişken neredeyse mükemmel bir şekilde ilişkilidir. Aşı olmaya karar verirsem, büyük olasılıkla aşı olurum. Aynı şekilde, aşı olmamaya karar verirsem. Bir kişinin bilişsel olarak karar veremediği veya aşıya veya fiziksel olarak uygulanan bir enjeksiyona erişimi olmadığı durumları göz ardı ediyorum...
Diyagramımda görebileceğiniz gibi, hiçbir nedensel ok, "karar" veya "aşılama durumu"nu bir trafik kazasıyla ilişkilendirmiyor. → B. Yazarların diyagramında belirsiz bir şekilde değinilen tek olası nedensel bağlantı Covid'dir: aşılanmamış → enfeksiyon → yorgunluk → Çöküş. Aşılamanın enfeksiyon riskini azaltmadığını bildiğimizden bu zinciri göz ardı edebiliriz, muhtemelen tam tersi.
Peki aşılama ile kazalar neden ilişkilendirilebilir?
Artık cevabı biliyorsunuz. Birçok ortak nedenleri var — diyagramımda C — bunlardan bazıları çalışmada ölçüldü ve birçoğu ölçülmedi. Diyagrama göre, randomize bir deneme aşılama ile trafik kazası arasında hiçbir ilişki bulamazdı, herhangi bir etkiye dair kanıt bulamazdı.
Yazarlar, diyagramlarından ve benim diyagramımdan beklendiği gibi, aşılama ile kaza arasında bir ilişki buldular. Aşılanmamış olanlar, aşılanmış olanlardan daha yüksek bir kaza riski altında gibi görünüyordu veya tam tersi: aşılama, bir trafik kazasına karşı koruma sağlıyor gibi görünüyordu. Paylaşılan nedenlerden bazıları, azaltılmış bir risk görünümü yaratmak için çalışırken, diğerleri tam tersi yönde çalışıyordu. Tüm paylaşılan nedenlerin net etkisi, ciddi bir trafik kazasına karşı sözde etkililik üretti.
Bu da başka bir örnek sağlıklı aşı önyargısıYazarların farkında olduğu . Aşılananların daha "olumlu özellikleri" onları daha az Trafik kazasına yol açabilecek ciddi bir kazaya karışmak, birçok kazadan biri Kovid dışı ölüm nedenleri. Onları aynı zamanda ölüme götüren bu özellikler büyük olasılıkla Aşı olmak, kaza riskini azaltan bir etkendir; Covid aşısı yaptırmak veya yaptırmamak kararı değil.
İronik olarak, yazarlar "negatif kontroller" adı verilen bir yöntem kullanarak sağlıklı aşılananların önyargısını kontrol ettiler. Aşılamanın, aşılamanın hiçbir etkisinin beklenmediği diğer son noktalarla ilişkisini incelediler. Ancak çalışmalarındaki son noktanın tam da bu tür bir son nokta olduğunu fark edemediler. Kendi diyagramlarına ve sağduyularına göre, aşılamanın bir kaza riskini etkilemesi beklenmiyor. Buldukları "etki" kafa karıştırıcı önyargıydı.
Daha da ironik olanı, yaralanma veya travma nedeniyle hastaneye yatırılmanın bir "negatif kontrol" uç noktası grip aşısı üzerine yapılan çalışmalar, bir başkasının ortak yazarından başkası tarafından yapılmamıştır anahtar yayın Covid aşılarının etkinliği hakkında. (Neden bu yöntemi Covid aşıları çalışmalarına uygulamadığını bilmiyorum. izin verilmedi (sormak.)
Aşılanmamış kişilerde kaza riski aşılanmış kişilere göre 1.72 kat, ya da tam tersi: Aşılamanın sözde etkisi 0.58 risk oranı, sözde aşı etkinliği ise %42 olarak bulundu.
Yazarlar, nedenselliği akıllarında tutarak, tahmini birkaç yöntemle ayarlamayı denediler ve çeşitli sonuçlar gösterdiler. En titiz girişimi şu şekilde tanımladılar:
İkinci eğilim puanı analizinin amacı, aşılanmamış bir bireyi aşılanmış bir bireyle 1'e 1 eşleştirirken katı olmak ve herhangi bir kişinin tıbbi tanısının olduğu durumları hariç tutmaktır.
Bunun gerçekten titiz bir yöntem olduğunu sezgisel olarak anlamak için istatistik bilmenize gerek yok.
Sağlıklı aşı önyargısını ortadan kaldırmak için yaptıkları en katı girişimden 1 risk oranı, yani gerçek sıfır etkisi mi elde ettiler? Hayır, 1.63 (ayarlanmamış) yerine 1.72 (ayarlanmış) elde ettiler. Bu titiz ayarlamanın başardığı tek şey bu. (Her iki sayı da teknik olarak olasılık oranlarıdır.)
Bu nedenle, sağlıklı aşı önyargısını ortadan kaldırma yöntemlerine ilişkin seyrek literatürün incelemelerini okuduğunuzda, aşılama ve trafik kazaları hakkındaki bu makaleyi hatırlayın. Ölçülen değişkenlere güvenmek önyargıyı ortadan kaldırmada başarısız olabilirve biz sadece bu kadar bilmek gerekir.
Şu anda yapabileceğimiz en iyi şey açıklandı başka yerde. Daha fazlası olmasına rağmen hiç de sofistike değil keşfetmekKarşı karşıya olduğumuz asıl sorun bilimsel değil: Covid dışı ölümlere ilişkin ihtiyaç duyduğumuz veriler genellikle gizli kalıyor.
PS Ben bir yardımcı editördüm Amerikan Epidemiyoloji Dergisi, ve kayıtlarım yaklaşık 200 yayın içeriyor, bunlardan bazıları sözde en iyi tıp dergilerinde. Bu yazıyı yeniden biçimlendirmeli miyim yoksa diğerleri Konuyla ilgili bir makale yazıp "hakemli" damgasını almak için bir dergiye gönderebilir misiniz?
pes ettim uzun zaman önce.
Yazarın yeniden yayınladığı Orta
Sohbete katıl:
Bir altında yayınlandı Creative Commons Atıf 4.0 Uluslararası Lisansı
Yeniden basımlar için lütfen kanonik bağlantıyı orijinaline geri ayarlayın Brownstone Enstitüsü Makale ve Yazar.
