Brownstone » Artigos do Instituto Brownstone » Mentiras, malditas mentiras e causalidade
Mentiras, malditas mentiras e causalidade

Mentiras, malditas mentiras e causalidade

COMPARTILHAR | IMPRIMIR | O EMAIL

Há pouco tempo pensei ter descoberto o pior má interpretação de um estudo sobre vacinas contra a Covid, mas acabo de encontrar outro candidato ao título. Era um estudo sobre vacinação e acidentes de trânsito.

Os autores explicam que “[eles] testaram se a vacinação contra a COVID estava associada aos riscos de um acidente de trânsito” e concluíram que “a hesitação da vacina contra a COVID está associada a riscos aumentados significativos de um acidente de trânsito”.

Eles significavam muito mais do que “associados”. Eles queriam dizer que a hesitação em relação à vacina aumenta o risco de um acidente de trânsito, uma alegação causal, tal como a alegação de que as vacinas contra a Covid reduzem o risco de morte.

Como posso saber se essa foi a afirmação deles?

Eles observaram que o estudo não era um ensaio randomizado e usaram métodos estatísticos para apoiar a inferência sobre a relação de causa e efeito a partir de um estudo observacional.

A inferência deles era falsa. Estas são as verdadeiras conclusões:

1. O estudo deles mostra outro exemplo de o viés do vacinado saudável.

2. O estudo deles mostra falha na remoção do viés pelo método estatístico mais rigoroso.

Deixe-me começar com um curso intensivo sobre associação versus causalidade.

A associação é um fenômeno estatístico. Causalidade é realidade. Durante a era Covid, muitos ouviram a afirmação “Associação não é (necessariamente) causalidade”, o que é verdade. Mas as duas ideias estão conectadas. Como?

A conexão é melhor explicada usando um diagrama causal simples, onde uma seta significa causalidade.

Dois mecanismos podem criar uma associação entre A (por exemplo, vacinação) e B (por exemplo, um acidente de trânsito).

1) A afeta B (causalidade)

2) A e B compartilham uma causa, C (confundível)

Se A fizer não afetam B, mas compartilham uma causa, A e B ainda estarão associados. Essa é uma das razões pelas quais uma associação não é necessariamente causalidade. Um estudo randomizado elimina qualquer causa dos tratamentos que atribuímos (por exemplo, um medicamento versus outro), exceto o mecanismo de randomização. É por isso que precisamos de ensaios randomizados para fazer fortes afirmações causais. A confusão desapareceu.

Mais um ponto: qualquer seta pode ser considerada um resumo de uma cadeia causal. Por exemplo, C → B poderia representar C → → → →B.

Fim do curso. Há um oceano de material complicado, mas isso é tudo que precisamos saber.

Os autores do artigo conhecem diagramas causais. Eles mostram um elaborado “gráfico acíclico direcionado” (diagrama à esquerda), que é um nome sofisticado para um “diagrama causal”.

Surpreendentemente, a variável “estado vacinal” não aparece no diagrama, apenas “hesitação vacinal”, nome que deram à própria variável que analisaram: vacinados ou não.

A ciência não julga, por isso substituí “hesitação em vacinar” por “decisão” (ser vacinado ou não), quaisquer que sejam as suas causas (diagrama à direita). Em seguida, acrescentei “estado de vacinação” (A), que é o efeito da “decisão”. As duas variáveis ​​estão quase perfeitamente correlacionadas. Se eu decidir ser vacinado, muito provavelmente serei vacinado. Da mesma forma, se eu decidir não ser vacinado. Estou ignorando casos em que uma pessoa é cognitivamente incapaz de decidir ou não há acesso à vacina ou a uma injeção fisicamente forçada…

Como você pode ver em meu diagrama, nenhuma seta causal conecta “decisão” ou “status de vacinação” a um acidente de trânsito. Não A → B. A única conexão causal possível, aludida de forma pouco clara no diagrama dos autores, é através da Covid: não vacinados → infection → fadiga → colidir. Podemos ignorar esta cadeia, pois sabemos que a vacinação não reduz o risco de uma infecção, possivelmente o oposto.

Então, por que a vacinação e os acidentes podem estar associados?

Agora você já sabe a resposta. Eles compartilham muitas causas – C no meu diagrama – algumas das quais foram medidas no estudo e muitas não. Com base no diagrama, um ensaio randomizado não teria encontrado nenhuma associação entre a vacinação e um acidente de trânsito, nem nenhuma evidência de qualquer efeito.

Como esperado do diagrama deles e do meu, os autores encontraram de facto uma associação entre vacinação e um acidente. Os não vacinados pareciam correr maior risco de acidente do que os vacinados ou vice-versa: a vacinação parecia proteger contra acidentes de trânsito. Algumas das causas partilhadas funcionaram para criar a aparência de um risco reduzido, enquanto outras funcionaram na direcção oposta. O efeito líquido de todas as causas compartilhadas produziu pseudo-eficácia contra um grave acidente de trânsito.

Esse é outro exemplo de o viés do vacinado saudável, dos quais os autores tinham conhecimento. Mais “características favoráveis” dos vacinados os fizeram menos provável estar envolvido em um acidente grave, que poderia ter resultado em morte no trânsito, um dos muitos não-Covid causas de morte. Essas características, que também os tornaram mais provável para serem vacinados, reduziu o risco de um acidente – não uma decisão de tomar a vacina Covid ou tomá-la.

Ironicamente, os autores verificaram o viés de vacinados saudáveis ​​usando um método chamado “controles negativos”. Estudaram a associação da vacinação com outros parâmetros de avaliação sobre os quais não era esperado nenhum efeito da vacinação. No entanto, eles não conseguiram perceber que o ponto final do seu estudo é exatamente esse tipo de ponto final. A priori, não se espera que a vacinação afete o risco de acidente, de acordo com o seu próprio diagrama e bom senso. O “efeito” que encontraram foi um viés de confusão.

Ainda mais ironicamente, a hospitalização por lesão ou trauma foi considerada uma Ponto final de “controle negativo” para estudos da vacina contra a gripe por ninguém menos que um co-autor de um publicação principal sobre a eficácia das vacinas Covid. (Não sei por que ele não aplicou esse método aos estudos de vacinas contra a Covid. Eu não foi permitido perguntar.)

O risco de acidente nos não vacinados foi 1.72 vezes o risco nos vacinados, ou vice-versa: o pseudoefeito da vacinação foi uma taxa de risco de 0.58, ou eficácia da pseudovacina de 42%.

Tendo em mente a causalidade, os autores tentaram ajustar a estimativa por vários métodos e mostraram vários resultados. Eles descreveram a tentativa mais rigorosa da seguinte forma:

O objetivo da segunda análise do escore de propensão era ser rigoroso ao combinar um indivíduo não vacinado 1 para 1 com um indivíduo vacinado e excluir os casos em que qualquer pessoa tivesse diagnóstico médico.

Você não precisa conhecer estatísticas para reconhecer intuitivamente que este é realmente um método rigoroso.

Eles obtiveram uma taxa de risco de 1, o verdadeiro efeito nulo, em sua tentativa mais rigorosa de remover o preconceito do vacinado saudável? Não, obtiveram 1.63 (ajustado) em vez de 1.72 (não ajustado). Foi tudo o que esse ajustamento rigoroso conseguiu. (Ambos os números são tecnicamente razões de probabilidade.)

Portanto, ao ler resenhas da escassa literatura sobre métodos para eliminar o preconceito do vacinado saudável, lembre-se deste artigo sobre vacinação e acidentes de trânsito. Confiando em variáveis ​​​​medidas pode não conseguir remover o preconceito, e isso é tudo o que nós precisa saber.

O melhor que podemos fazer neste momento é explicado em outro lugar. Não é nada sofisticado, embora haja mais explorar. O verdadeiro problema que enfrentamos não é científico: os dados de que necessitamos sobre mortes não relacionadas com a Covid estão geralmente ocultos.

PS: Eu era editor associado de O Jornal Americano de Epidemiologia, e meu registro contém cerca de 200 publicações, algumas delas nas chamadas principais revistas médicas. Devo reformatar esta postagem ou outras sobre o tema e submetê-los a um periódico para obter o selo “revisado por pares?”

Eu desisto muito tempo atras.

Reeditado do autor Médio



Publicado sob um Licença Internacional Creative Commons Attribution 4.0
Para reimpressões, defina o link canônico de volta ao original Instituto Brownstone Artigo e Autor.

Autor

  • Eyal Shahar

    Dr. Eyal Shahar é professor emérito de saúde pública em epidemiologia e bioestatística. Sua pesquisa se concentra em epidemiologia e metodologia. Nos últimos anos, o Dr. Shahar também fez contribuições significativas para a metodologia de pesquisa, especialmente no domínio de diagramas causais e vieses.

    Ver todos os posts

Doe hoje

Seu apoio financeiro ao Instituto Brownstone vai para apoiar escritores, advogados, cientistas, economistas e outras pessoas de coragem que foram expurgadas e deslocadas profissionalmente durante a turbulência de nossos tempos. Você pode ajudar a divulgar a verdade por meio de seu trabalho contínuo.

Assine Brownstone para mais notícias

Mantenha-se informado com o Instituto Brownstone