모델 오류 및 엄청나게 부풀려진 생명 구조 추정치

최근에 공부 The에 게시됨 랜싯 전염병, Watson et al.은 수학적 모델링을 적용하여 COVID-19 대량 예방 접종이 COVID-14 예방 접종 첫 해 동안 전 세계적으로 20만~19만 명의 생명을 구했다고 추정했습니다. 프로그램. 이전 Brownstone 기사 호르스트 and Raman 감염 및 백신 유래 면역 지속 기간에 대한 연구에서 몇 가지 잘못된 가정이 있었으며, 백신 부작용과 전인구 사망 위험을 고려하지 않았다는 사실도 이미 지적했습니다. 

여기서 저는 저자들이 대량 예방 접종으로 인한 사망자 수의 추정치를 도출한 메커니즘을 요약합니다. 그런 다음 모델의 잘못된 가정이 어떻게 사망자 수의 추정치를 엄청나게 부풀릴 수 있는지 자세히 설명하는데, 이는 연구의 표면 타당성과 내적 일관성이 부족한 이유를 설명할 수 있습니다.

이 연구에서는 선택된 문헌(예: 전염, 감염 및 사망에 대한 백신 효과, 각국의 연령 구성, 연령별 감염 사망률 등)을 기반으로 한 19~20개의 가정 매개변수를 포함하는 COVID-25 전염, 감염 및 사망률 역학의 생성 모델을 사용하여 보고된 초과 사망자에 맞춰 185개국에서 시간이 지남에 따른 바이러스 전염성을 추론(그러나 검증하지는 않음)합니다. 

이 연구는 실제 2021년 초과 사망자 수를 백신이 도입되지 않았을 경우 각 국가의 초과 사망자 수 경로를 예측하는 시뮬레이션(반실제)과 비교합니다(즉, 백신의 효과를 제거한 후 위의 적합 모델에 대한 여러 시뮬레이션을 실행). 이러한 반실제 곡선과 실제 초과 사망자 수의 차이는 백신 접종으로 인해 회피된 추정 사망자 수를 산출합니다.

저자의 모델은 델타 변종으로 인한 감염 입원율 증가를 명시적으로 모델링하는 것 외에는 바이러스의 감염성이나 치명률의 진화를 설명하지 않는 것으로 보입니다(보충 자료의 1.2.3 우려 변종 섹션 참조). 반사실적 시뮬레이션의 주요 가정은 과도한 사망이 시간에 따라 변하는 전염성에 반영된 바이러스의 "자연스러운" 진화로 설명된다는 것입니다. 이는 추론(적합)만 가능하고 검증할 수 없습니다. 

모델이 전염, 감염 및 사망에 대한 백신의 효과와 백신 보호 기간을 과대 또는 잘못 추정하는 매개변수를 가정하고, 전염병과 관련된 과잉 사망의 다른 원인을 무시한다면, 각국의 과잉 사망 곡선에 적합하게 하기 위해 시간에 따라 변하는 바이러스 전염성을 과대 또는 잘못 추정하게 될 것입니다. 이는 백신 접종의 효과가 반사실적 시뮬레이션에서 제거될 때 추정된 초과 사망자 수를 인위적으로 부풀릴 것입니다. 아래에서 이러한 요점에 대해 자세히 설명합니다.  

Watson 등의 모델은 백신 유래 면역에 대한 비현실적인 가정에 의존합니다.

저자들이 모델에서 백신 효과 감소를 고려했는지는 명확하지 않으며, 모든 모델이 1년 연구 기간 전체에 걸쳐 백신 보호가 일정하다고 가정한 것으로 보입니다. 연구에 따르면 3~6개월 사이인 것으로 나타났습니다.. 그들이 인용한 모델인 Hogan et al. 2021은 기본적으로 "장기"(즉, >1년) 백신 보호를 가정합니다(표 1 참조). 호건 등 2021).

또한 백신 효능 또는 효과에 대한 거의 모든 연구에서 21차 투여 후 1일 이내 또는 14차 투여 후 XNUMX일 이내의 증상이 있는 사례를 "백신 미접종" 비교 그룹과 제외하거나 묶습니다. 이는 COVID 감염성이 증가하다 주사 후 첫 주 동안 거의 3배 증가(참조 연구에 대한 우리의 논평에서 그림 1). 이는 주사 후 6주 이상 관찰된 낮은 사례율을 기반으로 보고된 백신 효과 추정치가 (적어도 부분적으로) 설명될 수 있음을 시사합니다. 전염병-백신 접종 직후 COVID-19 감염성이 단기적으로 증가하여 백신으로 유발된 면역이 아닙니다. 

Watson 등의 모델에는 백신 접종과 보호가 시작되는 시점 사이에 잠복기가 포함되어 있지만, 이 기간 동안 백신으로 인한 감염성과 전염성이 증가할 가능성은 고려하지 않았습니다. 모델에서 이 효과를 고려하지 않으면 자연스럽게 진화하고 시간에 따라 변하는 바이러스 전염성이 과대평가되어 백신 효과를 배제하는 반사실적 시뮬레이션에서 과도한 사망이 부풀려질 것입니다.

마지막으로, 저자는 감염에서 유래된 면역으로부터의 면역 회피의 영향을 탐구하기 위해 민감도 분석을 수행하여 0%에서 80%까지의 다양한 면역 회피 비율로 백신 접종으로 회피된 사망을 추정했습니다(원문의 보충 그림 4 참조). 이 모델에서 저자는 비현실적인 가정인 일정한(감소하지 않는) 백신 보호를 가정한다는 점을 분명히 합니다(위의 문단 참조). 그러나 저자는 백신에서 유래된 면역으로부터의 면역 회피에 대한 유사한 민감도 분석을 수행하지 않는 것으로 보이는데, 이는 위 문단에서 제기된 요점을 감안할 때 중요합니다. 

모델은 COVID-19 이외의 요인으로 인한 초과 사망자를 무시합니다.

적합 모델과 그에 대한 반실제적 가정은 각국의 과잉 사망이 설명된다고 가정합니다. 혼자서 자연적으로 진화하는 COVID-19 바이러스와 (적합한 모델에서 추론한) 시간에 따라 변하는 전염성에 의해 발생합니다. 이 모델은 백신 자체와 기타 비약물적 강제 개입과 같은 다른 팬데믹 관련 요인으로 인한 과도한 사망을 설명하려고 하지 않습니다. CDC는 백신 접종으로 인한 전체 사망 위험을 0.0026%로 보고합니다. 복용량 당 백신 부작용 보고 시스템(VAERS)을 기반으로 합니다. VAERS는 수동 보고 시스템이며 다음을 캡처할 수 있습니다. 백신 관련 부작용의 약 1%. 

최근의 독립적인 증거 라인을 사용하여 VAERS 및 과소 보고 요인에 대한 신뢰할 수 있는 가정s와 공개적으로 이용 가능한 예방접종 및 전인구 사망률 데이터의 생태적 회귀 VAERS는 백신으로 인한 모든 사망자의 약 5%만 포착할 수 있다고 제안합니다. 또한 이 모델은 봉쇄로 인한 사망자와 같은 다른 요인으로 인한 초과 사망자를 고려하지 않습니다. "절망의 죽음." 

모델에서 전염병 관련 초과 사망자의 다른 잠재적 원인을 무시함으로써 적합 모델은 보고된 초과 사망자 수를 반영하여 좋은 모델 적합도를 얻기 위해 자연적이고 시간에 따라 변하는 바이러스 전염성의 영향을 과대평가하거나 잘못평가하게 되며, 이로 인해 반사실적 시뮬레이션에서 초과 사망자 수가 부풀려지게 됩니다.

얼굴 타당성 부족

저자의 국가 수준 추정치에 따르면 미국에서 백신 접종률이 1.9%라고 가정할 때 61만 명의 사망이 방지되었습니다(원래 연구의 보충 표 3 참조). 백신이 없었던 팬데믹의 첫 해(2020년)에는 미국 코로나 사망자 351,039명따라서 저자의 모델은 백신이 도입되지 않았다면 1.9년에 미국에서 발생한 COVID 사망자가 350M/5.5k = ~2021배 더 많았을 것이라고 제안합니다(2020년 대비). 연구에 대한 우리의 논평에서 그림 2). 바이러스가 자연스럽게 진화하여 훨씬 더 전염성이 강하고 감염력이 강했을 것이라고 믿을 만한 이유가 거의 없기 때문에 이것은 매우 있을 수 없는 일입니다. and 치명적. 

저자들은 2021년에 공중 보건 조치 및 제한(봉쇄, 여행 제한, 마스크 착용 의무 등)이 완화되거나 해제되어 전염성이 높아졌다고 암시합니다. 그러나 이것이 5년에 COVID 사망자가 2021배 이상 증가할 수 있다는 가정은 모순됩니다. >400개 연구 이러한 조치가 코로나19 결과를 줄이는 데 있어 공중보건상 이점이 거의 없거나 전혀 없다는 결론을 내렸습니다.   

또한 2021년(백신 접종이 도입된 이후)에는 미국 코로나 사망자 474,890명. 이는 35년보다 약 2021% 더 높은 수치로 대량 예방 접종이 악화 백신 보호가 시작되기 전에 감염성 증가가 관찰된 것과 일치하는 전반적인 COVID 결과(위의 첫 번째 항목 참조) COVID-19 질병의 심각성 증가에 대한 우려 백신으로 인해 발생 전임상 연구를 기반으로 함.

결론

생성 모델은 종종 발생하지 않은 시나리오를 시뮬레이션하는 데 유용한 도구이지만, 모델 매개변수에 대한 부정확한 가정은 쉽게 모델 오사양으로 이어질 수 있습니다. Watson et al. 2022의 경우 대량 예방 접종으로 인해 회피된 사망에 대한 추정치를 크게 부풀리는 반사실적 시뮬레이션으로 이어질 수 있습니다. 

이러한 복잡한 모델링은 입력 매개변수에 지나치게 민감하고, 과적합되기 쉽고, 검증하기 어렵거나 불가능한 출력을 제공하기 때문에 공중 보건 정책 및 지침을 알리는 데 사용되어서는 안 됩니다. 사용하는 정량적 위험-편익 비율 분석 임상 시험 or 실제 데이터 예를 들어 특정 결과의 위험을 비교하려면 모든 원인으로 인한 사망 or 심근막염 백신 접종과 코로나바이러스 감염에 관한 연구는 이와 관련해 훨씬 더 많은 정보와 유용성을 제공합니다.

참고: 그림과 참고문헌을 포함하는 이 기사의 버전을 게시했습니다. 리서치 게이트및 연구의 원래 저자에게 해설을 트윗했습니다. 답변과 반박을 기대하며. 또한 기사의 축약 버전을 250단어 분량의 편지로 The에 제출했습니다. 랜싯 전염병 그리고 저는 그들의 답변을 기다리고 있습니다. 저자는 Hervé Seligmann에게 기사에 대한 도움이 되는 의견과 피드백에 감사드립니다.