Mensonges, foutus mensonges et causalité

Il n'y a pas longtemps, je pensais avoir découvert le pire interprétation erronée d'une étude sur les vaccins Covid, mais je viens de rencontrer un autre prétendant au titre. C'était un étude sur la vaccination et les accidents de la route.

Les auteurs expliquent que « [Ils] ont testé si la vaccination contre la COVID était associée aux risques d’accident de la route », et ils ont conclu que « l’hésitation à la vaccination contre la COVID est associée à une augmentation significative des risques d’accident de la route ».

Ils signifiaient bien plus que « associé ». Ils voulaient dire que l’hésitation à la vaccination augmente le risque d’accident de la route, une affirmation causale, tout comme l’affirmation selon laquelle les vaccins Covid réduisent le risque de décès.

Comment puis-je savoir si c'était leur affirmation ?

Ils ont fait remarquer que l’étude n’était pas un essai randomisé et qu’ils ont utilisé des méthodes statistiques pour étayer l’inférence sur la relation de cause à effet à partir d’une étude observationnelle.

Leur déduction était fausse. Voici les véritables conclusions :

1. Leur étude montre un autre exemple de le biais du vacciné sain.

2. Leur étude montre l’incapacité à éliminer les biais par la méthode statistique la plus stricte.

Permettez-moi de commencer par un cours intensif sur l'association par rapport à la causalité.

L'association est un phénomène statistique. La causalité est la réalité. À l’ère du Covid, nombreux sont ceux qui ont entendu l’affirmation « L’association n’est pas (nécessairement) la causalité », ce qui est vrai. Mais les deux idées sont liées. Comment?

La connexion est mieux expliquée en utilisant un simple diagramme de causalité, où une flèche signifie causalité.

Deux mécanismes peuvent créer une association entre A (par exemple, une vaccination) et B (par exemple, un accident de la route).

1) A affecte B (causalité)

2) A et B partagent une cause, C (confondant)

Si A le fait ne sauraient  affectent B, mais ils partagent une cause, A et B seront toujours associés. C'est l'une des raisons pour lesquelles une association n'est pas nécessairement un lien de causalité. Un essai randomisé élimine toute cause des traitements que nous assignons (par exemple, un médicament contre un autre), à ​​l'exception du mécanisme de randomisation. C'est pourquoi nous avons besoin d'essais randomisés pour établir des allégations causales solides. La confusion a disparu.

Encore un point : toute flèche peut être considérée comme le résumé d’une chaîne causale. Par exemple, C → B pourrait représenter C → X → Y → Z → b.

Fin de parcours. Il y a un océan de matériel compliqué, mais c'est tout ce que nous devons savoir.

Les auteurs de l'article connaissent les diagrammes de causalité. Ils montrent un « graphe acyclique orienté » élaboré (diagramme de gauche), qui est un nom sophistiqué pour un « diagramme causal ».

Étonnamment, la variable « statut vaccinal » n’apparaît pas dans leur diagramme, seulement « hésitation à la vaccination », le nom qu’ils ont donné à la variable réelle qu’ils ont analysée : vacciné ou non.

La science ne porte pas de jugement, j’ai donc remplacé « hésitation face à la vaccination » par « décision » (de se faire vacciner ou non), quelles qu’en soient les causes (schéma de droite). Ensuite, j’ai ajouté le « statut vaccinal » (A), qui est l’effet de la « décision ». Les deux variables sont presque parfaitement corrélées. Si je décide de me faire vacciner, je le serai très probablement. De même, si je décide de ne pas me faire vacciner. J’ignore les cas où une personne est incapable de décider sur le plan cognitif ou n’a pas accès au vaccin ou à une injection physiquement forcée…

Comme vous pouvez le voir sur mon diagramme, aucune flèche causale ne relie la « décision » ou le « statut vaccinal » à un accident de la route. Non A → B. Le seul lien de causalité possible, auquel il n'est pas clairement fait allusion dans le diagramme des auteurs, passe par le Covid : non vacciné → infection → sensation de fatigue → accident. Nous pouvons ignorer cette chaîne puisque nous savons que la vaccination ne réduit pas le risque d'infection, éventuellement à l'opposé.

Alors, pourquoi vaccination et accidents pourraient-ils être associés ?

À présent, vous connaissez la réponse. Ils partagent de nombreuses causes – C dans mon diagramme – dont certaines ont été mesurées dans l’étude, et beaucoup ne l’ont pas été. D’après le diagramme, un essai randomisé n’aurait trouvé aucune association entre la vaccination et un accident de la route, aucune preuve d’un quelconque effet.

Comme prévu d’après leur schéma et le mien, les auteurs ont effectivement trouvé une association entre vaccination et accident. Les non vaccinés semblaient courir un risque plus élevé d’accident que les vaccinés ou vice versa : la vaccination semblait protéger contre un accident de la route. Certaines des causes communes ont eu pour effet de créer l’apparence d’un risque réduit, tandis que d’autres ont eu un effet inverse. L’effet net de toutes les causes communes a produit une pseudo-efficacité contre un grave accident de la route.

C'est un autre exemple de le biais du vacciné sain, dont les auteurs étaient au courant. Des « caractéristiques plus favorables » des vaccinés les ont rendus moins être impliqué dans un accident grave, qui aurait pu entraîner la mort sur la route, l'un des nombreux non Covid causes de décès. Ces caractéristiques, qui les rendaient également plus susceptibles se faire vacciner, a réduit leur risque d’accident – ​​pas une décision de prendre un vaccin Covid ou de le prendre.

Ironiquement, les auteurs ont vérifié le biais des vaccinés sains en utilisant une méthode appelée « contrôles négatifs ». Ils ont étudié l’association de la vaccination avec d’autres critères sur lesquels aucun effet de la vaccination n’était attendu. Pourtant, ils n’ont pas réalisé que le point final de leur étude est exactement ce genre de point final.. A priori, la vaccination ne devrait pas affecter le risque d'accident, selon leur propre schéma et leur bon sens. L’« effet » qu’ils ont découvert était un biais confondant.

Plus ironique encore, l'hospitalisation pour blessure ou traumatisme était considérée comme une critère de jugement « contrôle négatif » pour des études sur le vaccin contre la grippe par nul autre qu'un co-auteur d'un publication clé sur l’efficacité des vaccins Covid. (Je ne sais pas pourquoi il n'a pas appliqué cette méthode aux études sur les vaccins Covid. Je n'était pas autorisé demander.)

Le risque d'accident chez les non vaccinés était 1.72 fois supérieur au risque chez les vaccinés, ou vice versa : le pseudo-effet de la vaccination était un risque relatif de 0.58, soit une efficacité du pseudo-vaccin de 42 %.

Ayant à l’esprit la causalité, les auteurs ont essayé d’ajuster l’estimation par plusieurs méthodes et ont montré des résultats variés. Ils ont décrit la tentative la plus rigoureuse comme suit :

L’objectif de la deuxième analyse du score de propension était d’être rigoureux lors de la mise en correspondance 1 pour 1 d’une personne non vaccinée avec une personne vaccinée et d’exclure les cas où une personne avait un diagnostic médical.

Il n’est pas nécessaire de connaître les statistiques pour reconnaître intuitivement qu’il s’agit bien d’une méthode rigoureuse.

Ont-ils obtenu un risque relatif de 1, le véritable effet nul, grâce à leur tentative la plus stricte d’éliminer le biais des vaccinés en bonne santé ? Non, ils ont obtenu 1.63 (ajusté) au lieu de 1.72 (non ajusté). C'est tout ce que cet ajustement rigoureux a permis de réaliser. (Les deux chiffres sont techniquement des rapports de cotes.)

Ainsi, lorsque vous lisez des critiques de la littérature éparse sur les méthodes permettant d’éliminer le biais des vaccinés sains, souvenez-vous de cet article sur la vaccination et les accidents de la route. S'appuyer sur des variables mesurées peut échouer à supprimer le biais, et c'est tout ce que nous besoin de savoir.

Le mieux que nous puissions faire en ce moment est expliqué ailleurs. Ce n'est pas sophistiqué du tout, même s'il y a plus à explorer. Le véritable problème auquel nous sommes confrontés n’est pas scientifique : les données dont nous avons besoin sur les décès non liés au Covid sont généralement cachées.

PS : j'étais rédacteur en chef adjoint de Le Journal américain d'épidémiologie, et mon dossier contient environ 200 publications, dont certaines dans les soi-disant meilleures revues médicales. Dois-je reformater ce message ou autres sur le sujet et les soumettre à une revue pour obtenir le label « évalué par les pairs ?

J'ai abandonné il y a longtemps.

Réédité de l'auteur Moyenne