Brownstone » Diario de piedra rojiza » Salud Pública » Mentiras, malditas mentiras y causalidad
Mentiras, malditas mentiras y causalidad

Mentiras, malditas mentiras y causalidad

COMPARTIR | IMPRIMIR | EMAIL

No hace mucho pensé que había descubierto lo peor. mala interpretación de un estudio sobre las vacunas Covid, pero acabo de encontrarme con otro aspirante al título. Era un Estudio sobre vacunación y accidentes de tráfico.

Los autores explican que "[ellos] probaron si la vacunación contra la COVID estaba asociada con los riesgos de un accidente de tráfico" y concluyeron que "la vacilación ante la vacuna contra la COVID se asocia con un aumento significativo de los riesgos de un accidente de tráfico".

Querían decir mucho más que "asociados". Querían decir que la vacilación ante las vacunas aumenta el riesgo de sufrir un accidente de tráfico, una afirmación causal, al igual que la afirmación de que las vacunas Covid reducen el riesgo de muerte.

¿Cómo sé que ese fue su reclamo?

Observaron que el estudio no era un ensayo aleatorio y utilizaron métodos estadísticos para respaldar la inferencia sobre la relación causa-efecto a partir de un estudio observacional.

Su inferencia fue falsa. Estas son las verdaderas conclusiones:

1. Su estudio muestra otro ejemplo de El sesgo del vacunado saludable.

2. Su estudio muestra que no se pudo eliminar el sesgo mediante el método estadístico más estricto.

Permítanme comenzar con un curso intensivo sobre asociación versus causalidad.

La asociación es un fenómeno estadístico. La causalidad es la realidad. Durante la era Covid, muchos han escuchado la afirmación “La asociación no es (necesariamente) causalidad”, lo cual es cierto. Pero las dos ideas están conectadas. ¿Cómo?

La conexión se explica mejor mediante el uso de un diagrama causal simple, donde una flecha significa causalidad.

Dos mecanismos pueden crear una asociación entre A (p. ej., vacunación) y B (p. ej., un accidente de tráfico).

1) A afecta a B (causalidad)

2) A y B comparten una causa, C (confusión)

Si A lo hace no afectan a B, pero comparten una causa, A y B seguirán asociados. Ésa es una de las razones por las que una asociación no es necesariamente causalidad. Un ensayo aleatorio elimina cualquier causa de los tratamientos que asignamos (por ejemplo, un fármaco frente a otro) excepto el mecanismo de aleatorización. Por eso necesitamos ensayos aleatorios para hacer afirmaciones causales sólidas. La confusión ha desaparecido.

Un punto más: cualquier flecha puede considerarse un resumen de una cadena causal. Por ejemplo, C → B podría representar → → → → segundo.

Fin de curso. Hay un océano de material complicado, pero eso es todo lo que necesitamos saber.

Los autores del artículo conocen los diagramas causales. Muestran un elaborado “gráfico acíclico dirigido” (diagrama de la izquierda), que es un nombre elegante para un “diagrama causal”.

Sorprendentemente, la variable “estado de vacunación” no aparece en su diagrama, solo “vacilación ante la vacuna”, el nombre que le dieron a la variable real que analizaron: vacunados o no.

La ciencia no juzga, por lo que reemplacé “vacilación ante la vacuna” por “decisión” (vacunarse o no), cualesquiera que sean sus causas (diagrama de la derecha). Luego agregué “estado de vacunación” (A), que es el efecto de “decisión”. Las dos variables están casi perfectamente correlacionadas. Si decido vacunarme, lo más probable es que me vacunen. Lo mismo si decido no vacunarme. Estoy ignorando los casos en los que una persona es cognitivamente incapaz de decidir o no tiene acceso a la vacuna o a una inyección impuesta físicamente...

Como puede ver en mi diagrama, ninguna flecha causal conecta la “decisión” o el “estado de vacunación” con un accidente de tránsito. No A → B. La única conexión causal posible, a la que se alude de forma poco clara en el diagrama de los autores, es a través de Covid: no vacunados → infección → fatiga → chocar. Podemos ignorar esta cadena porque sabemos que la vacunación no reduce el riesgo de infección, posiblemente lo contrario.

Entonces, ¿por qué podrían estar asociados la vacunación y los accidentes?

Ahora ya sabes la respuesta. Comparten muchas causas (C en mi diagrama), algunas de las cuales se midieron en el estudio y muchas no. Según el diagrama, un ensayo aleatorio no habría encontrado ninguna asociación entre la vacunación y un accidente de tráfico, ni evidencia de ningún efecto.

Como se esperaba de su diagrama y del mío, los autores encontraron una asociación entre la vacunación y una crisis. Los no vacunados parecían tener mayor riesgo de sufrir un accidente que los vacunados o viceversa: la vacunación parecía proteger contra un accidente de tráfico. Algunas de las causas compartidas actuaron para crear la apariencia de un riesgo reducido, mientras que otras actuaron en la dirección opuesta. El efecto neto de todas las causas compartidas produjo una pseudoeficacia frente a un accidente de tráfico grave.

Ese es otro ejemplo de El sesgo del vacunado saludable, del que los autores tenían conocimiento. Más “características favorables” de los vacunados los hizo menos probable verse involucrado en un accidente grave, que podría haber resultado en una muerte en el tránsito, uno de muchos no covid causas de muerte. Esas características, que también los hacían mayor riesgo vacunarse redujo el riesgo de sufrir un accidente, no la decisión de vacunarse contra el Covid o de recibirla.

Irónicamente, los autores comprobaron el sesgo de los vacunados sanos utilizando un método llamado "controles negativos". Estudiaron la asociación de la vacunación con otros criterios de valoración sobre los que no se esperaba ningún efecto de la vacunación. Sin embargo, no se dieron cuenta de que el criterio de valoración de su estudio es exactamente ese tipo de criterio de valoración.. A priori, no se espera que la vacunación afecte al riesgo de accidente, según su propio esquema y el sentido común. El "efecto" que encontraron fue un sesgo de confusión.

Aún más irónico es que la hospitalización por lesiones o traumatismos se considerara un criterio de valoración de “control negativo” para estudios de la vacuna contra la gripe por nada menos que un coautor de un publicación clave sobre la eficacia de las vacunas Covid. (No sé por qué no aplicó este método a los estudios de vacunas Covid. Yo no estaba permitido preguntar.)

El riesgo de accidente entre los no vacunados era 1.72 veces mayor que el riesgo entre los vacunados, o viceversa: el pseudoefecto de la vacunación tenía un índice de riesgo de 0.58, o la eficacia de la pseudovacuna era del 42%.

Teniendo en cuenta la causalidad, los autores intentaron ajustar la estimación mediante varios métodos y mostraron diversos resultados. Describieron el intento más riguroso de la siguiente manera:

El propósito del segundo análisis de puntuación de propensión era ser estricto al comparar 1 a 1 a un individuo no vacunado con un individuo vacunado y excluir los casos en los que alguna persona tuviera un diagnóstico médico.

No es necesario saber estadística para reconocer intuitivamente que se trata de un método riguroso.

¿Obtuvieron un índice de riesgo de 1, el verdadero efecto nulo, en su intento más estricto de eliminar el sesgo de vacunados sanos? No, obtuvieron 1.63 (ajustado) en lugar de 1.72 (no ajustado). Eso es todo lo que ha logrado ese riguroso ajuste. (Ambos números son técnicamente razones de probabilidades).

Entonces, cuando lea reseñas de la escasa literatura sobre métodos para eliminar el sesgo de vacunarse saludablemente, recuerde este artículo sobre vacunación y accidentes de tránsito. Depender de variables medidas no puede eliminar el sesgo, y eso es todo lo que necesita saber.

Se explica lo mejor que podemos hacer en este momento. en otra parte. No es nada sofisticado, aunque hay más para explorar. El verdadero problema al que nos enfrentamos no es científico: los datos que necesitamos sobre las muertes no relacionadas con el Covid suelen estar ocultos.

PD: Fui editor asociado de La Revista Estadounidense de Epidemiología, y mi historial contiene alrededor de 200 publicaciones, algunas de ellas en las llamadas revistas médicas más importantes. ¿Debo reformatear esta publicación o otros sobre el tema y enviarlos a una revista para obtener el sello de "revisado por pares".

Me di por vencido Hace mucho tiempo.

Reeditado del autor Mediana



Publicado bajo un Licencia de Creative Commons Atribución Internacional
Para reimpresiones, vuelva a establecer el enlace canónico en el original Instituto Brownstone Artículo y Autor.

Autor

  • Eyal Shahar

    El Dr. Eyal Shahar es profesor emérito de salud pública en epidemiología y bioestadística. Su investigación se centra en la epidemiología y la metodología. En los últimos años, el Dr. Shahar también ha realizado importantes contribuciones a la metodología de la investigación, especialmente en el dominio de los diagramas causales y los sesgos.

    Ver todos los artículos

Dona ahora

Su respaldo financiero al Instituto Brownstone se destina a apoyar a escritores, abogados, científicos, economistas y otras personas valientes que han sido expulsadas y desplazadas profesionalmente durante la agitación de nuestros tiempos. Usted puede ayudar a sacar a la luz la verdad a través de su trabajo continuo.

Descarga gratuita: Cómo recortar 2 billones de dólares

Suscríbete al boletín del Brownstone Journal y obtén el nuevo libro de David Stockman.


Comprar piedra rojiza

Descarga gratuita: Cómo recortar 2 billones de dólares

Suscríbete al boletín del Brownstone Journal y obtén el nuevo libro de David Stockman.