झूठ, लानत झूठ, और कार्य-कारण

अभी कुछ समय पहले मैंने सोचा था कि मैंने सबसे बुरा खोज लिया है अशुद्ध अर्थ कोविड टीकों पर एक अध्ययन का, लेकिन मुझे अभी इस शीर्षक के लिए एक और दावेदार का सामना करना पड़ा है। वह एक था अध्ययन टीकाकरण और यातायात दुर्घटनाओं के बारे में।

लेखक समझाते हैं कि "[उन्होंने] परीक्षण किया कि क्या सीओवीआईडी ​​​​टीकाकरण यातायात दुर्घटना के जोखिमों से जुड़ा था," और उन्होंने निष्कर्ष निकाला कि "कोविड वैक्सीन हिचकिचाहट यातायात दुर्घटना के महत्वपूर्ण बढ़े हुए जोखिमों से जुड़ी है।"

उनका मतलब "संबद्ध" से कहीं अधिक था। उनका मतलब था कि टीके के प्रति झिझक से यातायात दुर्घटना का खतरा बढ़ जाता है, यह एक आकस्मिक दावा है, ठीक उसी तरह जैसे दावा किया गया है कि कोविड के टीके मृत्यु के जोखिम को कम करते हैं।

मुझे कैसे पता चलेगा कि यह उनका दावा था?

उन्होंने टिप्पणी की कि अध्ययन एक यादृच्छिक परीक्षण नहीं था, और उन्होंने एक अवलोकन अध्ययन से कारण-और-प्रभाव संबंध पर अनुमान का समर्थन करने के लिए सांख्यिकीय तरीकों का इस्तेमाल किया।

उनका अनुमान ग़लत था. ये सच्चे निष्कर्ष हैं:

1. उनका अध्ययन इसका एक और उदाहरण दिखाता है स्वस्थ टीका पूर्वाग्रह.

2. उनका अध्ययन सबसे कठोर सांख्यिकीय पद्धति द्वारा पूर्वाग्रह को दूर करने में विफलता को दर्शाता है।

आइए मैं साहचर्य बनाम कार्य-कारण पर एक क्रैश कोर्स से शुरुआत करूं।

एसोसिएशन एक सांख्यिकीय घटना है. कारण-कारण वास्तविकता है. कोविड काल के दौरान, कई लोगों ने यह कथन सुना है कि "एसोसिएशन (आवश्यक रूप से) कार्य-कारण नहीं है," जो सच है। लेकिन दोनों विचार जुड़े हुए हैं। कैसे?

कनेक्शन को एक सरल कारण आरेख का उपयोग करके सबसे अच्छी तरह से समझाया गया है, जहां एक तीर का अर्थ कार्य-कारण है।

दो तंत्र ए (उदाहरण के लिए, टीकाकरण) और बी (उदाहरण के लिए, यातायात दुर्घटना) के बीच संबंध बना सकते हैं।

1) ए बी को प्रभावित करता है (कारण)

2) ए और बी एक कारण साझा करते हैं, सी (भ्रमित करना)

यदि ए करता है नहीं बी को प्रभावित करते हैं, फिर भी वे एक कारण साझा करते हैं, ए और बी अभी भी जुड़े रहेंगे। यही एक कारण है कि जुड़ाव आवश्यक रूप से कार्य-कारण नहीं है। एक यादृच्छिक परीक्षण हमारे द्वारा दिए गए उपचारों के किसी भी कारण को समाप्त कर देता है (उदाहरण के लिए, एक दवा बनाम दूसरी दवा) यादृच्छिकीकरण के तंत्र को छोड़कर। इसीलिए हमें मजबूत कारण संबंधी दावे करने के लिए यादृच्छिक परीक्षणों की आवश्यकता है। उलझन दूर हो गई है.

एक और बात: किसी भी तीर को कारण श्रृंखला का सारांश माना जा सकता है। उदाहरण के लिए, सी → बी प्रतिनिधित्व कर सकता है सी → X → Y → Z → बी.

बेशक अंत. का एक महासागर है जटिल सामग्री, लेकिन हमें बस इतना ही जानना है।

लेख के लेखक कारण आरेखों के बारे में जानते हैं। वे एक विस्तृत "निर्देशित चक्रीय ग्राफ" (बाएं आरेख) दिखाते हैं, जो "कारण आरेख" का एक फैंसी नाम है।

आश्चर्यजनक रूप से, चर "टीकाकरण स्थिति" उनके आरेख में दिखाई नहीं देता है, केवल "वैक्सीन हिचकिचाहट", जो नाम उन्होंने विश्लेषण किए गए वास्तविक चर को दिया है: टीका लगाया गया है या नहीं।

विज्ञान निर्णयात्मक नहीं है, इसलिए मैंने "वैक्सीन हिचकिचाहट" को "निर्णय" (टीका लगाया जाए या नहीं) से बदल दिया, चाहे इसके कारण कुछ भी हों (सही आरेख)। फिर, मैंने "टीकाकरण स्थिति" (ए) जोड़ा, जो "निर्णय" का प्रभाव है। दोनों चर लगभग पूरी तरह से सहसंबद्ध हैं। यदि मैं टीका लगवाने का निर्णय लेता हूं, तो सबसे अधिक संभावना है कि मुझे टीका लगाया जाएगा। इसी तरह, अगर मैं टीका न लगवाने का निर्णय लेता हूं। मैं ऐसे उदाहरणों को नजरअंदाज कर रहा हूं जब कोई व्यक्ति संज्ञानात्मक रूप से निर्णय लेने में असमर्थ है या वैक्सीन या शारीरिक रूप से लागू इंजेक्शन तक उसकी पहुंच नहीं है...

जैसा कि आप मेरे चित्र में देख सकते हैं, कोई भी कारण तीर "निर्णय" या "टीकाकरण स्थिति" को ट्रैफ़िक दुर्घटना से नहीं जोड़ता है। नहीं ए → बी. एकमात्र संभावित कारण संबंध, जिसका लेखकों के चित्र में अस्पष्ट रूप से उल्लेख किया गया है, वह कोविड के माध्यम से है: असंबद्ध → संक्रमण → थकान → टकरा जाना। हम इस श्रृंखला को अनदेखा कर सकते हैं क्योंकि हम जानते हैं कि टीकाकरण संभवतः संक्रमण के जोखिम को कम नहीं करता है सामने.

तो, टीकाकरण और दुर्घटनाएं क्यों जुड़ी हो सकती हैं?

अब तक, आप उत्तर जानते हैं। वे कई कारण साझा करते हैं - मेरे चित्र में सी - जिनमें से कुछ को अध्ययन में मापा गया था, और कई को नहीं मापा गया था। आरेख के आधार पर, एक यादृच्छिक परीक्षण में टीकाकरण और यातायात दुर्घटना के बीच कोई संबंध नहीं पाया गया, किसी भी प्रभाव का कोई सबूत नहीं मिला।

जैसा कि उनके और मेरे आरेख से उम्मीद थी, लेखकों ने वास्तव में टीकाकरण और दुर्घटना के बीच एक संबंध पाया। ऐसा प्रतीत होता है कि टीका न लगवाने वालों को टीका लगवाने वालों की तुलना में दुर्घटना का अधिक खतरा होता है या इसके विपरीत: ऐसा प्रतीत होता है कि टीकाकरण यातायात दुर्घटना से बचाता है। कुछ साझा कारण कम जोखिम की उपस्थिति पैदा करने के लिए काम करते थे, जबकि अन्य विपरीत दिशा में काम करते थे। सभी साझा कारणों के शुद्ध प्रभाव ने एक गंभीर यातायात दुर्घटना के खिलाफ छद्म प्रभावशीलता उत्पन्न की।

यह इसका एक और उदाहरण है स्वस्थ टीका पूर्वाग्रहजिसके बारे में लेखकों को जानकारी थी। टीका लगाने वालों की अधिक "अनुकूल विशेषताएं" उन्हें बनाती हैं कम होने की संभावना एक गंभीर दुर्घटना में शामिल होना, जिसके परिणामस्वरूप यातायात मृत्यु हो सकती थी, कई में से एक गैर-कोविड मृत्यु के कारण. वे विशेषताएँ, जिन्होंने उन्हें भी बनाया अधिक होने की संभावना टीका लगवाने से उनकी दुर्घटना का जोखिम कम हो गया - यह निर्णय कोविड का टीका लेने या इसे लेने का नहीं है।

विडंबना यह है कि लेखकों ने "नकारात्मक नियंत्रण" नामक विधि का उपयोग करके स्वस्थ टीका पूर्वाग्रह की जाँच की। उन्होंने अन्य अंतिम बिंदुओं के साथ टीकाकरण के संबंध का अध्ययन किया, जिन पर टीकाकरण का कोई प्रभाव अपेक्षित नहीं था। फिर भी वे यह महसूस करने में असफल रहे कि उनके अध्ययन का समापन बिंदु बिल्कुल उसी तरह का समापन बिंदु है. उनके स्वयं के आरेख और सामान्य ज्ञान के अनुसार, प्राथमिकता से, टीकाकरण से दुर्घटना के जोखिम को प्रभावित करने की उम्मीद नहीं है। उन्हें जो "प्रभाव" मिला वह भ्रमित करने वाला पूर्वाग्रह था।

इससे भी अधिक विडंबना यह है कि चोट या आघात के लिए अस्पताल में भर्ती होना एक समस्या मानी जाती थी "नकारात्मक नियंत्रण" समापन बिंदु के सह-लेखक के अलावा किसी अन्य द्वारा फ्लू के टीके के अध्ययन के लिए नहीं प्रमुख प्रकाशन कोविड टीकों की प्रभावशीलता पर। (मुझे नहीं पता कि उन्होंने इस पद्धति को कोविड टीकों के अध्ययन में क्यों नहीं लागू किया। I अनुमति नहीं थी पूछने के लिए।)

टीकाकरण न कराने वालों में दुर्घटना का जोखिम टीका लगवाने वालों में जोखिम का 1.72 गुना था, या इसके विपरीत: टीकाकरण का छद्म प्रभाव 0.58 का जोखिम अनुपात था, या छद्म-वैक्सीन प्रभावशीलता 42% थी।

कार्य-कारण को ध्यान में रखते हुए, लेखकों ने कई तरीकों से अनुमान को समायोजित करने का प्रयास किया और विभिन्न परिणाम दिखाए। उन्होंने सबसे कठोर प्रयास का वर्णन इस प्रकार किया:

दूसरे प्रवृत्ति स्कोर विश्लेषण का उद्देश्य एक गैर-टीकाकरण वाले व्यक्ति का 1-से-1 का टीकाकरण वाले व्यक्ति के साथ मिलान करते समय और उन मामलों को छोड़कर कठोर होना था जहां किसी व्यक्ति का चिकित्सीय निदान हुआ था।

सहज रूप से यह पहचानने के लिए कि यह वास्तव में एक कठोर विधि है, आपको आंकड़ों को जानने की आवश्यकता नहीं है।

क्या स्वस्थ टीकाकरण पूर्वाग्रह को दूर करने के उनके सबसे कड़े प्रयास से उन्हें 1 का जोखिम अनुपात, वास्तविक शून्य प्रभाव मिला? नहीं, उन्हें 1.63 (असमायोजित) के बजाय 1.72 (समायोजित) मिला। कठोर समायोजन से बस इतना ही हासिल हुआ है। (दोनों संख्याएँ तकनीकी रूप से विषम अनुपात हैं।)

इसलिए, जब आप स्वस्थ टीकाकरण पूर्वाग्रह को दूर करने के तरीकों पर विरल साहित्य की समीक्षा पढ़ते हैं, तो टीकाकरण और यातायात दुर्घटनाओं पर इस लेख को याद रखें। मापे गए चरों पर भरोसा करना पूर्वाग्रह को दूर करने में विफल हो सकता है, और यही सब हम हैं पता है की जरूरत.

इस समय हम जो सबसे अच्छा कर सकते हैं, उसके बारे में बताया गया है अन्यत्र. यह बिल्कुल भी परिष्कृत नहीं है, हालाँकि और भी बहुत कुछ है पता लगाने के लिए. हम जिस वास्तविक समस्या का सामना कर रहे हैं वह वैज्ञानिक नहीं है: गैर-कोविड मृत्यु पर हमें जो डेटा चाहिए वह आमतौर पर छिपा हुआ होता है।

पीएस मैं एक सहयोगी संपादक था द अमेरिकन जर्नल ऑफ एपिडेमियोलॉजी, और मेरे रिकॉर्ड में लगभग 200 प्रकाशन शामिल हैं, उनमें से कुछ तथाकथित शीर्ष चिकित्सा पत्रिकाओं में हैं। क्या मुझे इस पोस्ट को पुनः स्वरूपित करना चाहिए या दूसरों विषय पर और "सहकर्मी-समीक्षा?" की मोहर पाने के लिए उन्हें एक जर्नल में सबमिट करें।

मैंने हार मान लिया बहुत पहले.

लेखक से पुनर्प्रकाशित मध्यम