PARTAGER | IMPRIMER | E-MAIL
Bonjour,
Il y a vingt ans, le monde était confronté à une pandémie virale appelée Covid (alors Covid-19), qui touchait principalement les personnes âgées et qui a été exagérée. Le virus a été créé en laboratoire dans le cadre de recherches absurdes et dangereuses sur le gain de fonction.
Beaucoup d'entre vous étaient trop jeunes pour se souvenir des détails, mais un événement marquant a été le développement d'un vaccin à ARNm, aujourd'hui appelé thérapie génique. Non seulement il a été développé rapidement, mais il a également été testé rapidement et s'est avéré très efficace contre les décès dus à la Covid, sur la base de ce qu'on appelait alors des « études en conditions réelles ». Il n'existait aucun essai randomisé avec un critère de mortalité.
Comme nous le savons maintenant, la nouvelle thérapie génique était loin d'être très efficace. Les « études en situation réelle » étaient des cohortes observationnelles biaisées, et leur efficacité était, au mieux, temporaire et médiocre. Si de nombreuses vies ont été sauvées grâce à ces injections, elles l'ont été dans des modèles hypothétiques. pas dans les statistiques de mortalité.
Vingt ans plus tard, nous étudions toujours les conséquences à long terme sur la morbidité et la mortalité des nanoparticules lipidiques disséminées (les transporteurs d'ARNm), des protéines de pointe toxiques auto-fabriquées et des protéines aberrantes dans divers tissus, des niveaux élevés d'anticorps IgG4 après des injections répétées et de l'intégration de fragments d'ADN étrangers dans le génome.
Aujourd'hui, nous examinerons la première étude qui ont rapporté une efficacité contre la mort due au Covid de 84 %, ou 72 %, ou 62 %, ou 44 % — après la première injection — et en tirent quelques leçons.
S'appuyant sur les données de la plus grande organisation de soins de santé d'Israël, l'article a été soumis et publié en ligne en février 2021, seulement deux mois après le début de la campagne de vaccination.
Première leçon: Il faut toujours ignorer le nom de la revue, le nom des auteurs et l'expression « évalué par les pairs ». Ni l'un ni l'autre ne garantit la validité des résultats. Les biais dans les études observationnelles sont difficiles à détecter et à éliminer, et à l'époque, peu de chercheurs en comprenaient l'importance. le phénomène des vaccinés en bonne santé (un type de biais de confusion) et une classification différentielle erronée de la cause du décès (un type de biais d'information). Ces deux faits sont aujourd’hui bien connus des épidémiologistes, grâce aux données publiées lentement sur les décès non liés au Covid en fonction du statut vaccinal, et aux examens des certificats de décès de l’époque par rapport aux dossiers hospitaliers liés.
Deuxième leçon: Ne vous fiez jamais à une étude dont l'efficacité contre la mortalité est estimée entre 44 % (intervalle de confiance inférieur à 95 % : -36 %) et 84 % (intervalle de confiance supérieur à 95 % : 100 %), sur une période de suivi maximale d'environ un mois. Cette inférence est trop sensible aux décisions analytiques, et la raison principale en est la rareté des données.
Source : Dagan et coll. N Anglais J Med 2021 ; 384 : 1412-1423
Seuls 41 décès liés à la Covid ont été signalés dans la grande cohorte (environ 600,000 59 paires appariées), ou XNUMX dans une autre analyse, et nombre d'entre eux n'étaient pas dus à la Covid, comme nous le verrons plus loin. La fréquence des autres critères d'évaluation importe peu. Aucun critère d'évaluation ne peut remplacer le décès.
Vous êtes probablement surpris que les auteurs aient estimé l'efficacité sur la base d'un nombre de décès aussi faible, affectant ainsi les politiques de santé publique pour des milliards de personnes. C'était du jamais vu avant la pandémie de Covid-19 et c'est encore le cas aujourd'hui. Mais il est important de comprendre l'état d'esprit des auteurs dans le contexte de l'époque. D'excellents chercheurs et les médias grand public étaient fortement influencés par tout ce qui exagérait l'importance de la pandémie et l'effet d'un nouveau vaccin. Il était acceptable de publier des résultats favorables à partir de données éparses.
Troisième leçon:Lorsque vous êtes submergé par les chiffres, les modèles, les tableaux, les graphiques, les informations complémentaires et les décisions analytiques complexes, vérifiez ce que vous obtenez grâce à un calcul simple. Je ne dis pas qu'une analyse « brutale » ne peut pas être trompeuse, mais elle peut parfois être suffisamment instructive. Nous allons maintenant analyser simplement les données de mortalité.
Permettez-moi de vous rappeler, tout d'abord, que toute inférence causale repose sur des hypothèses, dont certaines sont triviales (par exemple, l'intégrité des fichiers de données) ; d'autres sont plus complexes. La question qui se pose est la suivante : sous des hypothèses raisonnables, les données sont-elles compatibles avec une efficacité quasi nulle contre la mortalité, plutôt qu'avec une valeur de 44 % à 84 % ?
La réponse est oui."
Je ferai deux hypothèses :
1. Aucun décès dû au Covid n’aurait pu être évité dans les deux premières semaines suivant une injection, donc tout bénéfice observé de la première dose avant le jour 14 s’explique entièrement par un biais.
2. Les biais qui ont fonctionné au cours des deux premières semaines ont continué à fonctionner à des intervalles de suivi ultérieurs.
Les auteurs ont accepté la première hypothèse. Leurs estimations d'efficacité dans les analyses principales excluaient les 13 premiers jours de suivi. Ils ont écrit :
« La période immédiatement après la première dose, lorsque l’immunité se développe progressivement, a été exclue des analyses principales car le rapport de risque devrait être proche de 1 pendant cette période. »
Deux graphiques de mortalité cumulée due à la Covid ont été présentés : l’un dans l’article principal (à gauche) ; l’autre dans une annexe complémentaire (à droite). Sous chaque graphique, j’ai calculé le risque relatif de décès sur trois intervalles consécutifs de deux semaines.
En omettant le premier intervalle, l'efficacité du vaccin (un moins le rapport de risque) varie de 44 % à 76 %, ce qui est similaire à la fourchette d'estimations rapportée par les auteurs (44 % à 84 %). Dans ce cas, une simple analyse des données éparses concorde largement avec les analyses sophistiquées. C'était suffisant.
Contrairement aux auteurs, je n'ai cependant pas écarté les données des deux premières semaines, les qualifiant d'« augmentation temporaire des événements chez les non-vaccinés », ce qui n'était qu'un vœu pieux. J'ai plutôt supposé que les biais qui opéraient à ce moment-là n'avaient pas miraculeusement disparu.
Quel que soit leur ampleur, leur ampleur collective peut être estimée par le facteur de biais, c'est-à-dire le multiplicateur qui rétablit l'effet nul attendu (rapport de risque = 1) au cours des deux premières semaines. Il était de 3 (tableau de gauche) ou de 2.3 (tableau de droite).
Comme vous pouvez le constater ci-dessus, l'application de la correction du facteur de biais aux estimations du risque relatif dans les deux semaines suivantes a éliminé le pseudo-bénéfice lié à l'instauration du protocole de vaccination à deux doses. Nous observons une dispersion aléatoire typique autour d'un paramètre quasi nul : 0.72 ; 1 ; 1.2 ; 1.3. Si nous corrigeons les estimations des auteurs pour un facteur de biais de 3, nous obtenons la dispersion suivante : 0.48 ; 0.84 ; 1.1 ; 1.7.
Quels biais étaient en cause et de quelles preuves disposons-nous pour déduire leur existence persistante ?
Il y en a eu au moins deux : une mauvaise classification de la cause du décès et le phénomène des vaccinés en bonne santé.
En termes généraux, une mauvaise classification signifie que certains décès liés à la Covid ont été classés à tort comme des décès non liés à la Covid, et que d'autres décès non liés à la Covid ont été classés à tort comme des décès liés à la Covid. Nous nous concentrerons sur ce dernier cas, beaucoup plus fréquent.
À cette époque, il était naturel et financièrement avantageux d'attribuer des décès à la Covid, à tort ou à raison. En Israël, par exemple, la moitié des décès liés à la Covid signalés ont eu lieu pendant la campagne de vaccination. n'a pas contribué à la surmortalité, ce qui signifie que ces personnes seraient décédées même si leur test PCR était positif. Elles ne sont pas mortes du Covid, et un vaccin contre le Covid n'aurait pas pu les sauver.
Il s'ensuit qu'environ 20 décès sur 41 dans l'étude (soit 30 sur 59) n'étaient pas dus à la Covid. Si tel est le cas, l'étude a estimé l'ampleur des biais (le pseudo-effet sur les décès non liés à la Covid), tout comme elle a estimé l'efficacité (contre les décès liés à la Covid)…
Le fait que de nombreux décès liés à la Covid signalés n'aient pas été causés par le virus ressort également de la distribution du délai avant décès dans l'étude. La médiane n'était que de 11 jours après un test PCR positif (figure du haut), soit un délai plus court que la distribution typique après l'apparition des symptômes (figure du bas) – une médiane de 19 jours – même si le test a été réalisé 1 à 3 jours après l'apparition des symptômes. Autrement dit, la distribution a été décalée vers la gauche, par rapport à ce que l'on s'attend à observer pour les véritables décès liés à la Covid.
Pourquoi ce décalage ? Parce que de nombreux décès avaient d'autres causes. Il s'agissait de décès de patients hospitalisés pour diverses raisons et dont le test PCR était fortuitement positif à l'admission. Il faut garder à l'esprit qu'au moins 50 % des infections étaient asymptomatiques et que la campagne de vaccination coïncidait avec une vague hivernale de Covid.
Nous disposons donc de preuves évidentes d'une erreur de classification de la cause du décès, mais elle était pire. L'erreur de classification était différentielle, c'est-à-dire « dépendante du statut vaccinal ».
L'erreur de classification était différentielle car les tests PCR n'étaient pas appliqués uniformément. Les personnes vaccinées étaient moins susceptibles d'être testées que leurs homologues non vaccinées, pour deux raisons plausibles : premièrement, certains médecins et certaines personnes vaccinées auraient pu attribuer les symptômes de la Covid à la « réactogénicité » – des symptômes similaires à ceux de la Covid après la vaccination – de sorte que le test PCR n'a pas été réalisé. Deuxièmement, et plus important encore, on supposait que la thérapie génique était très efficace ; alors pourquoi se donner la peine de réaliser un test PCR chez les personnes vaccinées ? De plus, ce type de test était ouvertement déconseillé.
L'erreur de classification différentielle du statut infectieux a été reportée sur d'autres critères d'évaluation, dont les décès. Même si les décès dus à la Covid étaient globalement surestimés à cette époque, ceux des personnes vaccinées étaient moins susceptibles d'être enregistrés que ceux des personnes non vaccinées. Je sais, c'est un peu compliqué. Quoi qu'il en soit, le résultat du biais de test est évident : un taux de décès dus à la Covid plus faible chez les personnes vaccinées – une pseudo-efficacité.
Posez-vous des questions sur les décès toutes causes confondues dans l’étude ?
Les données étaient disponibles pour les auteurs, mais n'ont pas été publiées. En réalité, les décès non liés à la Covid ont été systématiquement occultés dans la plupart des articles de cette époque. La recherche sur le vaccin contre la Covid était fortement biaisée, consciemment ou inconsciemment. Je sais, c'est difficile à croire.
La classification différentielle erronée de la cause du décès a été combinée à un autre biais important, largement apprécié de nos jours : le phénomène des vaccinés en bonne santéLes personnes vaccinées étaient en meilleure santé que leurs homologues non vaccinées, et les méthodes d’ajustement standard n’ont pas réussi à éliminer complètement ce biais.
À l’époque, de nombreux chercheurs ont rejeté ce biais comme une distorsion temporaire : les personnes malades retardaient la vaccination jusqu’à leur guérison, et celles ayant une courte espérance de vie n’étaient pas vaccinées.
C'était vrai, bien sûr, mais le phénomène des vaccinés en bonne santé est vaste et durable. Pour diverses raisons psychosociales, les personnes vaccinées, contre la grippe ou la Covid, étaient initialement en meilleure santé. Par conséquent, elles étaient moins susceptibles de mourir de la Covid. et de causes non liées à la Covid, qui ont toutes deux contribué aux 41 ou 59 décès de l'étude. Le phénomène des vaccinés en bonne santé, associé à une classification différentielle erronée, explique facilement l'« effet » sur la mortalité. Aucun de ces biais n'a disparu après 13 jours de suivi.
À l'époque, on parlait rarement d'erreurs de classification, mais tout le monde, du moins en apparence, évoquait la possibilité d'une confusion due à des caractéristiques de santé non mesurées. Et il y avait d'autres sources d'inférences trompeuses, dont nous ne parlerons pas aujourd'hui. Une véritable tempête de biais était à l'œuvre dans cette étude et dans d'innombrables études en situation réelle ultérieures. En réalité, le phénomène des vaccinés en bonne santé suffisait à lui seul à créer l'illusion d'une efficacité vaccins et doses de rappel chez les personnes âgées fragiles.
Vous vous demandez si tout cela a été révélé ou suspecté en « temps réel » ?
Oui, c'était. Mais pas dans les revues biomédicales ni dans les médias grand public. Ceux qui tentaient de critiquer la nouvelle thérapie génique, pour laquelle un prix Nobel avait été décerné à la hâte, étaient qualifiés d'anti-vaccins. Douter de la sécurité des injections était qualifié avec condescendance d'« hésitation vaccinale ». La majeure partie du monde était lavage de cerveau.
Des forces puissantes ont perturbé le cours normal de la science biomédicale, et il a fallu de nombreuses années pour nous ramener là où nous en sommes aujourd'hui. C'est peut-être la leçon la plus importante pour vous aujourd'hui. « La science est établie » est toujours une fausse nouvelle. Ne laissez personne le croire. censeur encore un échange scientifique.
Permettez-moi de terminer la conférence d’aujourd’hui avec une citation perspicace de Karl Popper, un philosophe des sciences du XXe siècle, avec mes ajouts entre parenthèses.
« Il existe toutes sortes de sources de notre connaissance ; mais personne n'a d'autorité…L’erreur fondamentale commise par la théorie philosophique des sources ultimes de notre connaissance est qu’elle ne distingue pas assez clairement les questions d’origine [par exemple, les analystes de données de Harvard l’ont écrit dans Le New England Journal of Medicine] et des questions de validité [Leur étude a-t-elle effectivement montré une protection contre la mort ??]. »
Réédité partir Moyenne
-
Le Dr Eyal Shahar est professeur émérite de santé publique en épidémiologie et en biostatistique. Ses recherches portent sur l'épidémiologie et la méthodologie. Au cours des dernières années, le Dr Shahar a également apporté d'importantes contributions à la méthodologie de recherche, en particulier dans le domaine des diagrammes de causalité et des biais.
Voir tous les messages
