Obtenez une nouvelle injection de Covid ? Les preuves suggèrent le contraire

L’automne approche et la machine de propagande Covid, alimentée par les fabricants de vaccins Covid, est déjà là. Sans un seul essai sur l'efficacité contre la mort, Des nanoparticules lipidiques contenant de l’ARNm et peut-être plus (ADN restant ?) seront probablement ajoutées à la vaccination régulière contre la grippe chaque hiver. Peut-être que dès cet hiver, on ne les appellera plus des doses de rappel.

C’est donc le moment opportun de revenir sur les allégations de haute efficacité du premier rappel, qui a été ajouté au protocole à deux injections il y a deux hivers. En utilisant des données empiriques provenant de trois sources, j’examinerai ici ce qui reste après avoir pris en compte le biais des vaccinés en bonne santé (à expliquer) et je montrerai les caractéristiques particulières des données qui indiquent des problèmes d’estimation encore plus profonds. Ensuite, j’aborderai un autre biais, appelé erreur de classification différentielle, qui ne peut pas être facilement éliminé.

Compte tenu de ces deux biais (il peut y en avoir d’autres), la véritable efficacité du premier rappel se situait entre médiocre et zéro, et il est impossible de réduire cette fourchette. Par conséquent, toutes ces études observationnelles sur l’efficacité du rappel étaient inutiles.

Prendre une nouvelle injection de Covid chaque hiver, qu’elle soit appelée rappel ou non, n’a aucune base empirique. La charge de prouver l’efficacité contre la mort repose clairement sur les responsables de la santé publique, et tout ce qui ne relève pas d’un essai randomisé est inacceptable.

Le biais du vacciné sain

J'ai consacré plusieurs articles à ce sujet, qui peut se résumer ainsi :

Une comparaison naïve de la mortalité Covid chez les personnes vaccinées et non vaccinées, même ajustée en fonction de l'âge, est grossièrement trompeuse car les premières ont un risque de décès plus faible. pour commencer. Au moins une partie de leur faible mortalité Covid, sinon la totalité, n’a rien à voir avec le vaccin. Ce sont tout simplement des personnes en meilleure santé que leurs homologues non vaccinés. C’est ce qu’on appelle le biais des vaccinés sains.

Ou vice versa : les personnes non vaccinées sont, en moyenne, plus malade que leurs homologues vaccinés, et ont donc augmentation mortalité en général, y compris la mortalité due au Covid.

Les biais ont été largement étudiés par les épidémiologistes, les biostatisticiens et autres. Mais si vous effectuez une recherche sur « biais de vaccination en bonne santé » sur PubMed, un site Web bien connu pour ses articles biomédicaux, vous ne trouverez pas beaucoup de publications. Il n'y en a que 24 (31 août), y compris les récents correspondance dans le New England Journal of Medicine sur l’efficacité du booster.

Le biais des vaccinés en bonne santé, que beaucoup appellent à tort biais de sélection, est un type de biais confondant. De plus, elle ne se limite pas à une comparaison entre vaccinés et non vaccinés, mais est reportée à des doses supplémentaires. Ceux qui ont pris la troisième dose étaient en meilleure santé, en moyenne, que ceux qui n’ont pris que deux doses. Nous verrons les preuves sous peu. Le déplacement des personnes en meilleure santé tout au long de la séquence de doses a un autre effet particulier. Par exemple, la cohorte « restante » des receveurs de deux doses devient plus malade (plus comparable) à la cohorte des non vaccinés.

Le biais des vaccinés en bonne santé peut être supprimé, au moins en partie, mais peu d’écrits ont été écrits sur la méthode. Pour autant que je sache, deux groupes de recherche ont développé indépendamment une méthode de correction des ratios de risque biaisés : un groupe de Hongrie; une  des États-Unis. Ignorant ce travail jusqu'à récemment, j'ai également proposé une méthode. Fait intéressant, il s’avère qu’il s’agit des mêmes mathématiques triviales, exprimées sous deux ou trois formes.

Quels que soient les calculs, le principe sous-jacent commun est simple. Nous savons que les personnes vaccinées sont en moyenne en meilleure santé. Utilisons les données sur la mortalité non-Covid pour estimer leur mortalité Covid, s'ils avaient été en aussi mauvaise santé que leurs homologues non vaccinés. En d’autres termes, nous estimons le risque dans un contrefactuel état, qui n’est pas observable. En effet, l’une des nombreuses façons de définir la confusion et la déconfusion repose sur un raisonnement contrefactuel. (Il y a d'autres moyens.)

Pour corriger le biais, nous avons besoin de données sur la mortalité non-Covid par statut vaccinal. Ce type de données a été systématiquement caché. Jusqu’à présent, je connais trois sources de données sur les décès non liés au Covid des receveurs de la troisième dose : l’Angleterre, le Wisconsin et Israël.

Données de l'Office of National Statistics (ONS), Angleterre

L'ONS est la plus grande des trois sources. Cette agence publie périodiquement un vaste ensemble de données avec de nombreux niveaux de stratification, à partir desquels j'ai extrait des données mensuelles pour ceux qui ont reçu la troisième dose par rapport à ceux qui n'ont reçu que deux doses. Dans les deux cas, j’ai choisi uniquement les personnes qui ont reçu la dernière dose il y a au moins 21 jours, évitant ainsi les données rares pour certaines autres catégories et garantissant la comparabilité. La période que j’ai examinée s’étendait de novembre 2021 à avril 2022, peu de temps après le lancement de la campagne de rappel jusqu’à la campagne suivante (quatrième dose).

Les données de l'ONS incluent des taux de mortalité standardisés selon l'âge pour tous les âges, ainsi que des taux pour des groupes d'âge de 10 ans avec une normalisation supplémentaire selon l'âge au sein de ces groupes d'âge. J'ai choisi ces derniers tarifs. Les résultats étaient presque identiques en utilisant des taux non standardisés, ce qui n’est pas surprenant compte tenu des tranches d’âge étroites.

L'exemple ci-dessous montre que le taux de non Covid la mortalité chez les receveurs les plus âgés de seulement deux doses était 2.19 fois supérieure à celle de leurs homologues du même âge qui ont reçu trois doses. Ceux qui ont continué à prendre le rappel étaient en moyenne en meilleure santé. C’est le biais des vaccinés en bonne santé, qui était présent dans chaque groupe d’âge chaque mois. Le rapport 2.19 est appelé facteur de biais. Sa valeur variait de 2 à 5 dans la plupart des données ONS que j'ai extraites. La valeur la plus basse était de 1.7 et la plus élevée de 8.1.

Une analyse naïve produit un rapport de risque de 0.27 (efficacité du vaccin de 73 %) attribué à la prise d’une troisième dose par rapport à la prise de deux doses seulement. Les deux sont des estimations biaisées. Pour calculer un risque relatif corrigé, nous devons multiplier le risque relatif biaisé (0.27) par le facteur de biais (2.19), comme expliqué ailleurs.

En arrondissant à la fin du calcul, nous obtenons un rapport de risque corrigé de 0.60 (efficacité vaccinale corrigée de seulement 40 %).

Quelques points méthodologiques :

Premièrement, comme je l’ai indiqué plus tôt, l’utilisation de taux réels plutôt que de taux standardisés n’a fait aucune différence importante. Les tranches d’âge étaient assez restreintes. Dans l’exemple ci-dessus, nous obtenons exactement le même résultat quel que soit le type de taux utilisé car les taux standardisés étaient quasiment identiques aux taux réels.

Deuxièmement, lorsque l’on utilise les taux réels, les dénominateurs de population s’annulent. Des calculs simples montrent que nous pouvons obtenir le rapport de risque corrigé en en utilisant seulement compte de décès. Je vais ignorer la dérivation technique et montrer simplement le calcul pour l'exemple ci-dessus :

Chances de décès dû à Covid (vs décès non dû à Covid) chez les receveurs de la troisième dose : 606/6,912 0.088 = XNUMX

Chances de décès dû à Covid (vs décès non dû à Covid) chez les receveurs de deux doses : 88/598 = 0.147

Risque relatif corrigé : 0.088/0.147 = 0.60

Troisièmement, questions sérieuses ont été relevés sur les dénominateurs de l'ONS. Cependant, cette méthode de correction du biais des vaccinés en bonne santé repose uniquement sur le nombre de décès (qui do compte beaucoup.) Nous reviendrons sur ce sujet à la fin lorsque j’aborderai un autre biais important : la classification différentielle erronée de la cause du décès.

Quatrièmement, la rareté des données (peu de décès) constitue un problème courant dans l’estimation de l’efficacité des vaccins, en particulier lorsque l’échantillon est stratifié. Dans l’intervalle que j’ai analysé pour l’effet booster (novembre 2021 – avril 2022), ce n’était pas un problème. L'ensemble de données ONS est suffisamment grand pour produire des résultats stables à ces niveaux de stratification.

Cinquièmement, j’ai limité le calcul à l’âge de 60 ans et plus pour deux raisons : 1) le lecteur sans lavage de cerveau sait que Covid n’a jamais été un problème de santé publique pour les populations plus jeunes. 2) Le nombre de décès dus au Covid dans les tranches d’âge plus jeunes était faible.

Le graphique ci-dessous montre une analyse naïve des données de l’ONS. Les estimations d’une efficacité élevée sont inutiles pour au moins une raison : le biais des vaccinés en bonne santé. L’ONS reconnaît ce point, sans utiliser le mot « parti pris ».

Ils écrivent:

« Les ASMR [age-standardized mortalité rate] ne sont pas équivalents aux mesures de l’efficacité des vaccins ; ils tiennent compte des différences dans la structure par âge et la taille de la population, mais il peut y avoir d’autres différences entre les groupes (en particulier l’état de santé sous-jacent) qui affectent les taux de mortalité.

Les estimations corrigées de l’efficacité sont présentées dans le graphique ci-dessous. En comparant le deuxième graphique au premier, il est évident que l’ampleur du biais chez les vaccinés en bonne santé était importante et qu’en avril 2022, les estimations biaisées de 54 pour cent à 70 pour cent ont été essentiellement annulées. Nous observons également une diminution rapide et complète de l’efficacité, ce qui n’a pas été constaté dans les résultats biaisés.

Néanmoins, de nouvelles questions se posent après la correction :

• Pourquoi l’efficacité semble-t-elle augmenter avec le vieillissement dans de nombreuses comparaisons par paires ? Par exemple, pourquoi est-il deux fois plus élevé chez les plus âgés que chez les plus jeunes en novembre 2021 ? Nous nous attendons à observer le contraire, compte tenu des connaissance de l'immunologie.
• Pourquoi l’efficacité augmente-t-elle chez les plus jeunes entre novembre 2021 et janvier 2022, puis diminue-t-elle rapidement ? Y a-t-il une explication biologique ?
• Pourquoi la tendance linéaire à la baisse est-elle la plus constante et la plus marquée uniquement dans le groupe d’âge le plus âgé ?
• Pourquoi les estimations pour les quatre groupes d’âge sont-elles largement égalisées d’ici janvier 2022, puis divergent-elles à nouveau ?

Certaines caractéristiques des données n’ont tout simplement aucun sens. Pourquoi?

Je propose la réponse suivante à toutes ces questions : soit nous n’avons pas éliminé complètement et uniformément le biais lié aux vaccinés sains, soit d’autres processus liés aux biais se sont produits. Même si nous devons rejeter en toute confiance les estimations initiales biaisées, nous ne pouvons pas approuver les nouvelles estimations comme des substituts définitifs et valables. Ils ne constituent même pas des limites supérieures d’efficacité. La véritable efficacité, si elle est significative, devrait être bien inférieure.

Données du Wisconsin

Les données provenant Le comté de Milwaukee, Wisconsin, est présenté dans une étude de Yuan et al. (pré-impression) ou Atanasov et al. (version révisée par les pairs). Leur article fait partie des meilleurs manuscrits que j’ai lus au cours de ma carrière professionnelle, ce qui ne signifie pas que je suis d’accord avec une affirmation telle que « les vaccins contre la COVID-19 ont sauvé des millions de vies ». Ils n'ont pas. Je ne suis pas non plus d’accord avec leurs affirmations sur les avantages du rappel, comme vous le verrez bientôt.

Cet article est exceptionnel à plusieurs égards : 1) découverte indépendante de la méthode permettant de supprimer le biais des vaccinés sains ; 2) des analyses approfondies à un niveau que j'ai rarement vu (si vous prenez la peine de lire une longue annexe) ; 3) des discussions réfléchies sur presque chaque problème auquel je pouvais penser ; 4) exposition complète des données. À ma grande surprise, cependant, l’expression « biais de vaccination en bonne santé » n’est jamais mentionnée, et il n’y a aucune citation de travaux antérieurs sur le sujet.

Les auteurs ont étudié l’efficacité du vaccin à différentes doses contre la mort de Covid chez les résidents du comté de Milwaukee, Wisconsin. À partir de leur énorme quantité de données, j'ai pu extraire et calculer les chiffres du tableau ci-dessous, qui sont essentiellement le même type de données que les données de l'ONS et le même type d'analyse - dans deux groupes d'âge au lieu de quatre, sur trois. mois (combinés). Même après regroupement, les données sont rares (un petit nombre de décès dus au Covid.)

Comme vous pouvez le constater, les résultats sont particuliers. Il n’y avait qu’un biais modéré chez les vaccinés en bonne santé entre 60 et 79 ans et aucun biais chez les 80 ans et plus. Quel type de biais de vacciné en bonne santé a été pris en compte ? Pourquoi observe-t-on un facteur de biais de 1 ? Après correction, l’efficacité du rappel chez les 80 ans et plus était quelque peu augmentation, pas plus bas, que chez les 60-79 ans. Est-ce que ce sont les résultats attendus ?

Les auteurs écrivent que « … les effets de sélection, à moins qu’ils ne soient contrôlés (par le biais de notre mesure du CEMP ou d’une autre manière), peuvent produire d’importants biais dans les estimations de l’EV. » C'est exact, et nous venons de le voir dans l'analyse de l'ONS. Mais pour une raison quelconque, ces effets ne semblent pas s’opérer dans leurs données sur les personnes âgées ayant reçu un rappel par rapport à celles ayant reçu deux doses.

Je félicite les auteurs pour leurs explications créatives des résultats anormaux (Annexe, pages 13-14). Apparemment, aucune explication n’était nécessaire pour les données de l’ONS. Le biais des vaccinés en bonne santé n’a jamais disparu dans aucun groupe d’âge.

Une excellente analyse ne peut remédier aux problèmes inhérents à l’échantillon. Il peut s’agir uniquement d’un problème de données éparses ou bien plus encore. Quoi qu’il en soit, nous ne devrions pas nous fier aux nouvelles estimations.

Données d'Israël

Une lettre au rédacteur en chef du New England Journal of Medicine a récemment suscité un intérêt considérable pour le biais des vaccinés en bonne santé. Høeg et ses collègues a utilisé astucieusement les données sur la mortalité non-Covid provenant d’une étude sur les receveurs de rappel en Israël. Dans ces données, l’efficacité biaisée du vaccin de 95 pour cent est devenue nulle après correction du biais des vaccinés en bonne santé. Les données sont résumées ci-dessous.

Lorsqu’une nouvelle méthode est introduite, de nouvelles questions se posent souvent, qui sont très techniques. Plutôt que de corriger le biais à l’aide de chiffres, de taux ou de taux ajustés selon l’âge, il est également possible de corriger le biais au moyen d’une procédure en deux étapes. Premièrement, nous ajustons un modèle de régression multivariable pour éliminer autant de confusion que possible, à la fois pour les décès dus à la Covid et pour les décès non liés à la Covid. Ensuite, nous appliquons la correction contrefactuelle pour le biais « restant ». Les résultats peuvent différer. Par exemple, dans l’étude israélienne, la deuxième méthode a généré une efficacité vaccinale de 57 pour cent au lieu de 0 pour cent.

• Les deux méthodes sont-elles valides, au sens statistique de « résultats impartiaux » ?
• Si oui, lequel est préféré d’un point de vue statistique (disons, une variance plus petite) ?

La discussion est beaucoup trop compliquée pour être incluse ici. Je dirai simplement – ​​pour ceux qui ont des connaissances statistiques avancées – que la méthode en deux étapes est un hybride de deux approches de déconfusion : le conditionnement classique et le raisonnement contrefactuel. La question de savoir si cet hybride est justifié, même s'il est valable, est discutable. D’un autre côté, je ne suis pas encore au courant d’un quelconque écueil manifeste de l’approche contrefactuelle unique, à savoir l’approche de Høeg et al.et mine.

Biais de classification différentielle

Imaginez deux personnes décédées dans un hôpital. Le patient A n’a reçu que deux doses d’un vaccin Covid ; le patient B a reçu trois doses (« à jour »). Supposons que Covid soit la cause du décès des deux patients. Néanmoins, dans notre monde imparfait, il y a des erreurs de classification, et l’un des deux décès, ou les deux, pourrait être enregistré comme un décès non lié au Covid. À quel type d’erreur de classification peut-on s’attendre ?

Cela dépend du statut vaccinal.

On peut supposer que les médecins sont plus réticents à attribuer le décès au Covid chez un patient vacciné que chez un patient non vacciné « parce que les vaccins sont très efficaces ». Pourtant, ils enregistrent le Covid comme cause de décès chez les patients vaccinés, mais ils pourraient le faire différemment pour le patient A (deux doses) par rapport au patient B (trois doses). Le décès Covid d’un patient B, qui est « à jour » de son statut vaccinal, est plus susceptible d’être enregistré par erreur comme non-Covid que le décès Covid d’un patient A qui ne l’est pas. Par analogie, considérons le patient A comme « non vacciné » et le patient B comme vacciné. Quel décès de Covid est le plus susceptible de passer inaperçu ? Le dernier.

Ce phénomène est appelé biais différentiel d’erreur de classification, et je suis convaincu qu’il opérait universellement pour diverses raisons : l’état d’esprit des médecins, les protocoles de tests PCR, etc. Il est néanmoins difficile de quantifier et d’éliminer ce biais. Lorsque des erreurs de classification différentielles s’ajoutent au phénomène des vaccinés en bonne santé, le biais s’aggrave. Pour illustrer ce point, j’ai hypothétiquement utilisé les rares données du comté de Milwaukee, dans le Wisconsin.

Supposons que 5 % des 491 décès non liés au Covid survenus entre 60 et 79 ans soient en réalité des décès dus au Covid, qui ont été mal classés (parce que les médecins étaient convaincus que les vaccins étaient très efficaces et pour d’autres raisons.) Néanmoins, il y a eu une erreur de classification différentielle comme expliqué ci-dessus : 6 pour cent des 239 décès non-Covid chez les receveurs de trois doses (« à jour » vaccinés) étaient des décès de Covid, alors que seulement 4 pour cent des 252 décès non-Covid chez les receveurs de deux doses (« non vaccinés ») étaient des décès de Covid.

Le calcul est présenté dans le tableau ci-dessous. Après correction des biais différentiels de classification erronée et du biais des vaccinés en bonne santé, nous obtenons seulement 28 % d’efficacité de la troisième dose.

Les auteurs de cette étude ont reconnu que les effets estimés seraient biaisés si « le degré de sous-estimation différait systématiquement entre les personnes vaccinées et non vaccinées », mais ils « n’ont aucune raison de s’attendre à ce que la condition (ii) soit vérifiée ».

Comme je l’ai écrit ci-dessus, je ne partage pas leur conviction. Il existe de nombreuses raisons de s’attendre à des erreurs de classification différentielles, et ceux d’entre nous qui ont suivi les pratiques de tests PCR en Israël, par exemple, ont suffisamment de preuves.

Je crois qu'un jour, les données d'observation sur l'efficacité des vaccins Covid seront enseignées dans les cours d'épidémiologie comme d'excellents exemples du biais des vaccinés en bonne santé, du biais de classification erronée, autres préjugéset autres distorsions.

Pour résumer:

La véritable efficacité du premier rappel a été de courte durée, voire inefficace. La protection maximale se situait entre médiocre et zéro, et il est impossible de réduire cette fourchette. Par conséquent, toutes ces études observationnelles sur l’efficacité du rappel étaient inutiles.

Prendre une nouvelle injection de Covid chaque hiver n’a aucune base empirique. La charge de prouver l’efficacité contre la mort repose clairement sur les responsables de la santé publique et tout autre essai randomisé en double aveugle, contrôlé par placebo, est inacceptable. Et cela s’applique également au vaccin contre la grippe.

Réédité de l'auteur Compte moyen