22.02.2022

Probleemid Ühendkuningriigi riiklikus suremusstatistikas

Kommentaar: Teadusuudis.ee kollektiiv

Ühendkuningriigi suremuse riiklikke andmete analüüs leidis, et vaktsineerimine ei vähendada üldsuremust. Pigem on üldsuremuses märgatav tõus vahetult pärast vaktsineerimist. Analüüs seab ametlike andmete usaldusväärsuse kahtluse alla.

Detsembris 2021 avaldati ResearchGate'is Queen Mary Ülikool matemaatikute juhitud uuringu retsenseerimata versioon^[1], mis analüüsib Ühendkuningriigi (ÜK) üldsuremuse riiklikke andmeid. Uuring on “peer review” faasis ja seda ei tohiks enne retsenseerimist lõpliku tõendina kasutada. Sellegipoolest viitavad uuringu leiud olulistele probleemidele, mis peaksid ajendama teadlasi teemat edasi uurima.
Uuringu viisid läbi Queen Mary Ülikooli (London) riskihalduse osakonna professor Norman Fenton (PhD matemaatikas), kes on ühtlasi kriitiliste süsteemide riskihaldusanalüüsile spetsialiseerunud ettevõtte Agenda tegevjuht, ning Martin Neal (PhD). Teiste autorite hulka kuuluvad Joel Smalley, Clare Craig, Joshua Guetzkow, Scott Mclachlan, Jonathan Engler ja Jessica Rose.

Teadlaste arvukad artiklid käsitlustega Covid-19 statistilisest analüüsist on probleemideta ilmunud erinevates väljaannetes nagu Journal of Biomedical Informatics, Journal of Behavioral Economics for Policy, Journal of Risk Research jt.^[2-22] Ent koroonavaktsiinide efektiivsuse osas kriitilisi küsimusi tõstatavaid artikleid ei ole autoritel olnud võimalik tavapärastes teaduskanalites avaldada.^[23]^[24]^[25]

Autorid analüüsisid ÜK riikliku statistikaameti "ONS” (Office for National Statistics) suremuse andmeid. Autorite hinnangul on Covid-19 vaktsiinide riski/kasu suhet võimalik kõige täpsemini hinnata siis, kui võrrelda vaktsineeritute üldsuremust vaktsineerimata populatsiooni üldsuremusega igas vanusegrupis. Vanus on oluline, sest vanemad inimesed on ebaproportsionaalselt rohkem vaktsineeritud, võrdluses nooremate inimestega, ning suurem on ka nende tõenäosus surra. Varasemates ONS raportites ei olnud andmeid vanusegrupiti eristatud. Uuring analüüsis esimest ONS raportit, milles suremuse andmed olid eraldi välja toodud kolme vanusegrupi kohta: 80+, 70-79 ja 60-69. Kahjuks on 10-59-aastased kõik ühes grupis, ja täpsemat eristust nende vahel pole tehtud.

Et mõõta usaldusväärselt vaktsiini efektiivsust ja ohutust, on vaja täpset infot järgnevates punktides:

Inimeste täpne klassifitseerimine haigeteks ja terveteks
Vaktsineerimise staatus (alates vaktsineerimise esimesest päevast)
Surmajuhtumitest õigeaegne teatamine
Vaktsineeritud ja vaktsineerimata populatsiooni õige osakaal

Need tegurid on absoluutne alus nii vaktsineeritud kui vaktsineerimata populatsiooni analüüsimiseks. Kui need andmed on valed või sisaldavad mingeid ebatäpsusi, siis on kõik väited ohutusest või tõhususest autorite arvates ebausaldusväärsed.

Analüüs paljastab olulisi probleeme ametlikes andmetes
Esmapilgul tundub, et vähemalt vanemaealiste seas on üldsuremus vaktsineeritute puhul ootuspäraselt madalam kui nende seas, kes ei ole vaktsineeritud. Andmete lähem uurimine tõstatab aga olulisi küsimusi ja probleeme. Autorid seavad ametlikud andmed kahtluse alla rea põhimõtteliste ebakõlade ja kõrvalekallete tõttu. Kõrvalekallete põhjusteks võib esmapilgul pidada sotsiaal-demograafilisi tegurid (nt vanus, sissetulek, sotsiaalne staatus, haridustase jne.), kuid autorite arvates puuduvad tõendid nende argumentide toetuseks. Analüüs tuvastas järgmisi anomaaliaid:

COVID-iga mitteseotud suremuse määr kolmes erinevas vaktsineeritud inimeste vanusegrupis (60-69; 70-79; 80+) kõigub drastiliselt ja järjekindlalt viisil, mis erineb märkimisväärselt ajaloolistest suremuse mustritest vastavates vanusegruppides.
Eelnevatel aastatel on vanusegruppides 60-69, 70-79 ja 80+ olnud suremuse haripunktid läbi aastate ühel ajal, kaasa arvatud ka 2020. aastal, mille aprillikuus kannatasid kõik COVID-19 esimese laine all.
Vaktsineerimata inimeste COVID-19 suremuse haripunktid aastal 2021 ei ole tegeliku COVID-19 lainega kooskõlas.
Vaktsineerimata inimeste puhul peaks nende muudel põhjustel suremus (ehk COVID-iga mitteseotud suremus) jääma kooskõlla ajalooliste näitajatega ja olema veidi madalam kui vaktsineeritutel (eeldusel, et COVID-vaktsiinidel on kõrvaltoimed, sarnaselt varasematele vaktsiinidele). Vaktsineerimata populatsiooni muudel põhjustel suremus on aga kõrgem võrreldes vaktsineeritutega, ning ka oluliselt kõrgem võrreldes ajaloolise suremusega vaadeldavas vanusegrupis.
Andmetest jääb mulje justkui muutuksid inimesed pärast teise doosi saamist surematuks, sest nende muudel põhjustel suremus on oluliselt madalam kui ajalooline suremus vaadeldavas vanusegrupis. Samas on vaktsineerimata inimesi surnud muudel põhjustel peale COVID-i märgatavalt rohkem (Tabel 1). On ebatõenäoline, et vaktsineerimine vähendaks päriselt muudel põhjustel suremust. Parim, mida vaktsiinidelt võib oodata, on COVID-surmade vähendamine ja see, et muudel põhjustel aset leidev suremus ei kasva.
Aastal 2021 asuvad igas vanuserühmas vaktsineerimata inimeste a) üldsuremuse ja b) muudel põhjustel suremuse haripunktid aegadel, mil vaktsineerimisprogrammid saavutasid vaadeldavas vanusegrupis oma haripunkti (Joonised 1-3). Vaktsineerimisprogrammidega alustati aasta 2021 alguses kõige vanemast vanusegrupist, 80+.

Tabel 1. COVID-iga mitteseotud suremus (100 000 inimese kohta). Keskmine väärtus (min, maks)

Vanusegrupp	Vaktsineerimata	Vaktsineeritud	Eeldatav keskmine
60-69	28 (15, 56)	12 (8, 15)	18
70-79	83 (42, 187)	34 (17, 43)	46
80+	344 (173, 768)	145 (47, 180)	214

Joonis 1. Vaktsineerimata vs vaktsineeritud populatsiooni üldsuremus vanusegrupis 80+ (nädal 1-38, 2021). ^[1]

Vaktsineerimata vs vaktsineeritud populatsiooni üldsuremus vanusegrupis 70-79 (nädal 1-38, 2021)

Joonis 2. Vaktsineerimata vs vaktsineeritud populatsiooni üldsuremus vanusegrupis 70-79 (nädal 1-38, 2021). ^[1]

Joonis 3. Vaktsineerimata vs vaktsineeritud populatsiooni üldsuremus vanusegrupis 60-69 (nädal 1-38, 2021). ^[1]

Vaktsineeritute õige klassifikatsioon
Vaktsiini tõhususe hindamisel loetakse vaktsineerituks vaid lõpetatud vaktsiinikuuriga inimesed, kuna immuunkaitse tekkimiseks läheb mitu nädalat. Vaktsineerituks märkimisega viivitamine vaktsiini kaitse tõhusust hindavas statistikas on seega põhjendatud. Ent kõrvaltoimete, ohutuse ja suremuse statistika jaoks on inimesed vaja märkida vaktsineerituks viivitamatult pärast esimest doosi. Kui siin tuleb sisse ka ainult nädalane viivitus, pole suremuse statistika enam tõene. Oluline on teadvustada, et märkimisväärne osa vahetuid kõrvaltoimeid ilmneb 1-2 nädalat pärast vaktsineerimist.

Jagades üldsuremuse põhjused kaheks: üld = covid + muud, peaks muudel põhjustel suremus olema sarnane nii vaktsineeritud kui vaktsineerimata grupis. Muudel põhjustel suremus erineb aga põhjendamatult vaktsineeritud ja vaktsineerimata grupi vahel, ja erinevus on eriti tugev ajaliselt lähestikku vaktsineerimisega. Vaktsineerimisest ajaliselt sõltuv suremuse erinevus oleks põhjendatav, kui muutuks ainult vaktsineeritute COVID-suremus, mitte vaktsineerimata isikute muudest põhjustest tulenev suremus. Kui tegu poleks moonutusega, järelduks ametlikust andmestikust vaktsiinide võime langetada kõiki suremuse põhjuseid, mis on ebatõenäoline.

Kas enne vaktsiinikuuri lõpetamist aset leidnud surmajuhtumid loeti statistikas vaktsineerimata inimeste arvele? Kas see seletab vaktsineerimata inimeste müstilist liigsuremust sama vanusegrupi vaktsineerimise haripunktis? Autorid otsisid nendele küsimustele vastuseid erinevate analüüsidega.

Autorite hüpotees
Viidates "Occami habemenoa" printsiibile (kui miski näeb välja nagu part, liigub nagu part ja teeb häält nagu part, siis see ongi tõenäoliselt part), märgivad autorid, et tegelik tõde ametliku suremuse statistika taga peitub vaktsineeritud ja vaktsineerimata inimeste vales kategoriseerimises ehk süstemaatilises surmajuhtumite vales liigitamises vaktsineerimata ja vaktsineeritud rühmade vahel.

Tuginedes ONS-i andmete matemaatilistele kohandustele, väidavad autorid, et vaktsineerimine ei vähendada üldsuremust, vaid pigem põhjustab tõelisi piike üldsuremuses vahetult pärast vaktsineerimist. Autorid seavad kahtluse alla eelduse, nagu väljendaksid ONS-i andmed vaktsiini tõhusust üldsuremuse vähendamises. Autorid märgivad, et ÜK ametlikud andmed on ebausaldusväärsed ja eksitavad.

Lõpetuseks mainivad autorid, et kellel iganes on andmete kõrvalekalletele muid seletusi, tuleks neil ühtlasi ära seletada, kuidas ja miks on olemasolevad andmed sellised nagu nad on.

Viited:

[1] Neil M, Fenton et al. „Latest statistics on England mortality data suggest systematic mis-categorisation of vaccine status and uncertain effectiveness of Covid-19 vaccination“. December 2021, ResearchGate. https://www.researchgate.net/publication/356756711_Latest_statistics_on_England_mortality_data_suggest_systematic_mis-categorisation_of_vaccine_status_and_uncertain_effectiveness_of_Covid-19_vaccination
[2] Collins, R., & Fenton, N. (2020). Bayesian network modelling for early diagnosis and prediction of Endometriosis. MedRxiv, 2020.11.04.20225946. https://doi.org/10.1101/2020.11.04.20225946
[3] McLachlan S, Kyrimi E, Dube K, Hitman G, Simmonds J and Fenton N E, “Towards Standardisation of Evidence-Based Clinical Care Process Specifications” (2020) 26 Health Informatics J. 25 (4), 2512-2538, https://doi.org/10.1177/1460458220906069
[4] Fenton, N. E., McLachlan, S., Lucas, P., Dube, K., Hitman, G., Osman, M., Kyrimi, E. Neil, M. (2021). "A Bayesian network model for personalised COVID19 risk assessment and contact tracing" https://doi.org/10.1101/2020.07.15.20154286
[5] Butcher, R., & Fenton, N. E. (2020). Extending the range of symptoms in a Bayesian Network for the Predictive Diagnosis of COVID-19, medRxiv https://doi.org/10.1101/2020.10.22.20217554
[6] Prodhan, G., & Fenton, N. E. (2020). Extending the range of COVID-19 risk factors in a Bayesian network model for personalised risk assessment. medRxiv https://doi.org/10.1101/2020.10.20.20215814
[7] Fenton, N E. (2020). A Note on UK Covid19 death rates by religion: which groups are most at risk? http://arxiv.org/abs/2007.07083
[8] Fenton, N. E., McLachlan, S., Lucas, P., Dube, K., Hitman, G., Osman, M., Kyrimi, E., Neil, M. (2020). "A privacy-preserving Bayesian network model for personalised COVID19 risk assessment and contact tracing". MedRxiv, 2020.07.15.20154286. https://doi.org/10.1101/2020.07.15.20154286
[9] Kyrimi, E., Neves, M., Neil, M., Marsh, W., McLachlan, S., & Fenton, N. E. (2020). "Medical idioms for clinical Bayesian network development". Journal of Biomedical Informatics, Vol 108, 103495, https://doi.org/10.1016/j.jbi.2020.103495.
[10] Neil, M., Fenton, N E., Osman, M., & McLachlan, S. (2020). "Coronavirus: our study suggests more people have had it than previously estimated", The Conversation, 26 June 2020 https://theconversation.com/coronavirus-our-study-suggests-more-people-have-had-it-than-previously-estimated-140996
[11] Neil, M., Fenton, N.E, Osman, M., & McLachlan, S. (2020). "Bayesian Network Analysis of Covid-19 data reveals higher Infection Prevalence Rates and lower Fatality Rates than widely reported". Journal of Risk Research, 23 (7-8), 866-879 https://doi.org/10.1080/13669877.2020.1778771
[12] Osman, M., Fenton, N. E. , McLachlan, S., Lucas, P., Dube, K., Hitman, G. A., Kyrimi, E, Neil, M, (2020)."The thorny problems of Covid-19 Contact Tracing Apps: The need for a holistic approach", Journal of Behavioral Economics for Policy, Vol. 4, 57-61. https://eecs.qmul.ac.uk/~norman/papers/JBEP-4-S-7.pdf
[13] McLachlan, S., Dube, K., Hitman, G. A., Fenton, N. E., & Kyrimi, E. (2020). Bayesian networks in healthcare: Distribution by medical condition. Artificial Intelligence in Medicine, 107, 101912. https://doi.org/10.1016/J.ARTMED.2020.101912
[14] Dube, K., Mclachlan, S., Zanamwe, N., Kyrimi, E., Thomson, J. S., & Fenton, N. E (2020.). "Managing Knowledge in Computational Models for Global Food, Nutrition and Health Technologies." 2020 IEEE Global Humanitarian Technology Conference (GHTC) (GHTC 2020) https://doi.org/10.1109/GHTC46280.2020.9342880
[15] Fenton, N E (2020), "Why most studies into COVID19 risk factors may be producing flawed conclusions-and how to fix the problem", http://arxiv.org/abs/2005.08608
[16] McLachlan, S., Lucas, P., Dube, K., McLachlan, G. S., Hitman, G. A., Osman, M., Kyrimi, E, Neil, M, Fenton, N. E. (2020). "The fundamental limitations of COVID-19 contact tracing methods and how to resolve them with a Bayesian network approach". https://doi.org/10.13140/RG.2.2.27042.66243
[17] McLachlan, S., Lucas, P., Dube, K., Hitman, G. A., Osman, M., Kyrimi, E., … Fenton, N. E. (2020). Bluetooth Smartphone Apps: Are they the most private and effective solution for COVID-19 contact tracing? http://arxiv.org/abs/2005.06621
[18] Fenton, N. E., Neil, M., Osman, M., & McLachlan, S. (2020). "COVID-19 infection and death rates: the need to incorporate causal explanations for the data and avoid bias in testing". Journal of Risk Research, 1–4. https://doi.org/10.1080/13669877.2020.1756381
[19] Fenton, N.E., Hitman, G. A., Neil, M., Osman, M., & McLachlan, S. (2020). Causal explanations, error rates, and human judgment biases missing from the COVID-19 narrative and statistics. PsyArXiv Preprints. https://doi.org/10.31234/OSF.IO/P39A4
[20] Kyrimi, E., McLachlan, S., Dube, K., & Fenton, N.E (2020). Bayesian Networks in Healthcare: the chasm between research enthusiasm and clinical adoption. MedRxiv, 2020.06.04.20122911. https://doi.org/10.1101/2020.06.04.20122911
[21] McLachlan S., Kyrimi E., Dube K., Fenton N. (2020) Standardising Clinical Caremaps: Model, Method and Graphical Notation for Caremap Specification. In: Roque A. et al. (eds) Biomedical Engineering Systems and Technologies. BIOSTEC 2019. Communications in Computer and Information Science, vol 1211. Springer, Cham https://doi.org/10.1007/978-3-030-46970-2_21
[22] Daley, B. J., Kyrimi, E., Dube, K., Fenton, N. E., Hitman, G. A., & McLachlan, S. (2020). Data Visualisation in Midwifery: The Challenge of Seeing what Datasets Hide. Studies in Health Technology and Informatics, 270, 1239–1240. https://doi.org/10.3233/SHTI200381
[23] Fenton N., Neil M., McLachlan, S. Paradoxes in the reporting of Covid19 vaccine effectiveness: Why current studies (for or against vaccination) cannot be trusted and what we can do about it. September 2021. DOI: 10.13140/RG.2.2.32655.30886. https://www.researchgate.net/publication/354601308_Paradoxes_in_the_reporting_of_Covid19_vaccine_effectiveness_Why_current_studies_for_or_against_vaccination_cannot_be_trusted_and_what_we_can_do_about_it
[24] 4 Neil M., Fenton N., McLachlan, S. Discrepancies, and inconsistencies in UK Government datasets compromise accuracy of mortality rate comparisons between vaccinated and unvaccinated. October 2021. DOI: 10.13140/RG.2.2.32817.10086. http://www.eecs.qmul.ac.uk/~norman/papers/inconsistencies_vaccine.pdf
[25] 5 Fenton, N. E. (2020) How to explain an increasing proportion of people testing positive for COVID if there is neither an increase in proportion of genuine cases nor increase in the false positive rate. https://doi.org/10.13140/RG.2.2.27902.20806