POLÍTICA | E-mail | CORREO RECIBIDO | EL LIBRO | ARTíCULOS | AMAZONAS | CLIMA | PESTICIDAS | CLIMA | ENERGÍA | Ondas EM | ENGLISH VERSION | PILOT NOTES | LINKS
Cómo manipular un estudio de investigación

por hartgroup.org

Principia Scientific International
3 de enero de 2022

Hay formas de asegurarse de que cualquier prueba le dé los resultados que desea. Estos son los seis métodos principales utilizados para manipular los resultados de la investigación de Covid.

1. Realice el estudio cuando los casos estén cayendo
Un truco favorito que se ha utilizado repetidamente durante la pandemia.

La vacunación es un proceso que requiere tiempo. Al comienzo del estudio, todos los partici-pantes están inscritos como no vacunados. Las personas pasan a la cohorte vacunada con el tiempo. El resultado es que los no vacunados están expuestos en períodos de mayor preva-lencia y durante más tiempo.

Los vacunados solo están expuestos a partir de un período posterior y más abajo de la curva. Por lo tanto, los vacunados tendrán menos probabilidades de contraer covid y se puede hacer que la vacuna parezca que funcionó.

La ONS implementó recientemente este truco para reclamar una mortalidad 32 veces menor entre los vacunados. Fue una manipulación extrema de los datos en la que incluyeron la mayoría de las muertes en el invierno antes de la vacunación en lugar de comenzar a partir de la primavera, cuando se podría haber hecho una comparación más justa.

La Oficina de Regulación de Estadísticas ha confirmado una queja sobre la manipulación de datos por parte de la ONS en este caso.

2. No incluya medidas de resultado significativas como la muerte

La muerte por covid era demasiado poco común para que los ensayos pudieran mostrar un efecto. Entre los 44.000 participantes en el ensayo de Pfizer, por ejemplo, hubo un total de 29 muertes antes de que el grupo de placebo fuera vacunado. 15 de estos estaban vacunados, incluida una de las tres muertes por covid.

Solo se informaron 20 casos de covid grave en la presentación de Pfizer a la FDA para la autorización de uso de emergencia, incluidos aquellos que no necesitaron atención hospita-laria.

En lugar de utilizar resultados que son difíciles de distorsionar, como la muerte, los resultados utilizados se basaron en los resultados de las pruebas.

3. Solo mida los resultados durante una parte del tiempo después de la vacunación
Las personas vacunadas tienen un mayor riesgo de infección por covid en las dos primeras semanas después de la vacunación. Después de las dos primeras semanas, el susceptible habrá adquirido inmunidad natural. Al ignorar las dos primeras semanas, se puede presentar una imagen distorsionada del impacto general de las vacunas.

Si todo lo que hacen las vacunas es hacer que los susceptibles tengan sus infecciones antes, entonces se debe incluir todo el período desde la fecha de vacunación para evaluar cualquier beneficio.

4. Utilice datos modelados
Los artículos científicos más fiables aseguran que la población estudiada es representativa de la población en su conjunto. A veces, eso es difícil de lograr y es necesario realizar ajustes posteriormente para tener en cuenta las diferencias, p. Ej. la muestra puede ser más joven que la población en su conjunto. Estos ajustes son razonables para corregir pequeños problemas en la muestra.

Sin embargo, si la muestra es tan diferente a la de la población general que es necesario rea-lizar ajustes masivos, entonces el estudio ya no se basa en pruebas del mundo real. En cam-bio, se ha convertido en otra predicción basada en datos modelados.

Por ejemplo, este estudio de los CDC afirmó, contrariamente a todas las demás pruebas, que las personas con una infección previa tenían cinco veces más probabilidades de infectarse que las que habían recibido una doble vacuna. Los resultados reales del estudio mostraron una tasa un 70 por ciento más alta, pero sus ajustes lo convirtieron en un 500 por ciento. Hubo otras fallas graves en el estudio que hacen que incluso la afirmación del 70 por ciento sea muy dudosa.

5. Ignore un subgrupo crucial
Si los hallazgos son equívocos en la mayoría de la población, el modelado podría ser suficiente para obtener el resultado que desea. Sin embargo, si hay un subgrupo que tiene resulta-dos claramente contrarios, entonces se pueden omitir por completo. Al intentar calcu-lar el impacto de la vacunación en la transmisión en invierno, el grupo más obvio a estudiar habría sido el de los residentes de hogares de ancianos fuertemente vacunados.

PHE omitió a este grupo de su artículo sin dar ninguna razón. La consecuencia fue que la tasa general de transmisión de los hogares fue mucho más alta en el mundo real (ver figura 1) que en el estudio.

Utilizando los datos publicados sobre las tasas de transmisión nacionales medias cada semana, las tasas esperadas en el estudio habrían sido del 12,4 por ciento en los no vacunados (que estaban sobrerrepresentados cuando las tasas de transmisión eran más altas) y del 11,7 por ciento en las cohortes vacunadas. Sin embargo, el estudio informó una tasa de sólo el 10,1 por ciento en los no vacunados y sólo el seis por ciento en los vacunados.

6. Use la dosis incorrecta del medicamento
Un fármaco puede ser desacreditado en un ensayo en el que el protocolo está diseñado deliberadamente para administrar un fármaco en un momento o dosis inadecuados.

Por ejemplo, se dijo que el ensayo de recuperación mostró que el tratamiento con hidroxicloro-quina no fue útil en el covid.

El diseño del ensayo utilizó una dosis de hidroxicloroquina que estaba en el rango tóxico y bien puede haber sido responsable de la muerte de los participantes en el brazo de tratamiento del ensayo.

Las dosis de hidroxicloroquina superiores a 1500 mg se asocian con problemas cardiovascu-lares, neurológicos y pueden ser potencialmente mortales. El ensayo utilizó una dosis de 2000 mg en las primeras 18 horas y de 400 mg cada 12 horas a partir de entonces.

Conclusión
Los científicos son humanos y están bajo presión para producir resultados en sus artículos, ya que eso aumenta las posibilidades de publicación que se necesita para la progresión profesio-nal y asegurar la financiación para la investigación.

Existen numerosas formas en las que se pueden modificar los datos para contar una historia y muchas de ellas se han utilizado durante la pandemia.

Los resultados dramáticos se han convertido en noticias que acaparan los titulares, pero a menudo la verdad era mucho más mundana.

Si un resultado parece demasiado bueno para ser verdad, no lo crea.

Vea más aquí: hartgroup.org



comments powered by Disqus


Volver a la página Riesgos de Salud              Volver a la página Artículos

Usted es el visitante No:
desde Diciembre 2006


Click for Pilar Observatorio, Argentina Forecast

Locations of visitors to this page

Pruebe la velocidad de su conexión a Internet!

Speakeasy Speed Test


¿Desde qué países nos visitan?
¿Quiénes son los visitantes?
Ranking entre sitios de la web


Usted es el visitante número

desde Noviembre 28, 2008
Vea aquí nuestras estadísticas


¿Desde qué países nos visitan?
¿Quiénes son los visitantes?