Die „Beweise“ des UKHSA für Covid-Beschränkungen sind ein absolutes Durcheinander

Sie erinnern sich vielleicht daran, dass wir uns verpflichtet haben, die 100 Modelle zu überprüfen, die das Rückgrat der neuesten Veröffentlichung der UKHSA, der Mapping-Überprüfung verfügbarer Beweise, bilden. Denken Sie daran, die UKHSA hat die Beweise nicht extrahiert oder bewertet, da sie nicht über die Ressourcen verfügt. Dies löste bei unseren Lesern Gelächter aus. Wir sind uns einig, dass es ein schlechter Witz ist – ein sehr schlechter – wenn man bedenkt, dass diese „Beweise“ laut UKHSA die Beschränkungen rechtfertigen, die zu Geschichten wie der von Pippa Merrick geführt haben, die leider keine Ausnahme sind. Frühere Versionen der Rechtfertigung waren auch ein schlechter Witz. Was folgt, ist nicht besser. Wie versprochen haben wir die 100 Papiere, die von der UKHSA als „Modelle“ definiert wurden, heruntergeladen (bitte fragen Sie nicht Hugo Keith KC, was dieser Begriff bedeutet). Von jedem stellen wir die folgenden Fragen: Welche nicht-pharmazeutische Intervention (NPI) wird bewertet (z.B. handelt es sich um eine NPI und ist sie definiert und beschrieben?) und in welchem Umfeld? (z.B. Gemeinschaft, Krankenhaus, Zuhause usw.) Woher stammt die Effektschätzung? (Um ihre Auswirkungen zu modellieren, benötigen Sie eine Datenquelle, d.h. was tut sie?) Wie groß ist der Effekt? (z.B. Risikoreduktion einer SARS-CoV-2-Infektion) Wie wird ein Fall definiert? (wie wurde ein Fall von COVID-19 definiert?) Einfach, dachten wir. Alles andere als das, wie wir herausfinden. Erstens sind die Papiere voller Fachjargon, da sie hauptsächlich von Mathematikern verfasst sind, oder zumindest behaupten sie das. Zweitens kommen die meisten von ihnen zu demselben Schluss: Lockdown härter, tu, was ich sage, oder du oder deine Tante (oder ihr beide) werdet sterben. Die beunruhigendsten Antworten, die wir erhalten, sind diejenigen auf die zweite Frage: Woher stammt die Quelle für die Effektschätzung? In einem klassischen Modell beginnen Sie mit der Beschreibung des Problems, in diesem Fall der Anzahl der Fälle und Komplikationen in einer Bevölkerung, der Übertragungsmuster und vielleicht der Altersaufschlüsselung. Wenn Ihr zweiter Teil davon handelt, wie man die Ausbreitung stoppt oder verlangsamt, Krankenhausaufenthalte, Todesfälle usw., um das „Wie“ auf glaubwürdige Weise zu modellieren, benötigen Sie Fakten darüber, was Sie modellieren sollen (z.B. Abstand halten). Was, wenn es in dieser oder jener Umgebung eingeführt wird, das Risiko einer Infektion um Z% verringern würde. Die numerische Schätzung für Z sollte von einem Bereich von Wahrscheinlichkeiten (Konfidenzintervallen) umgeben sein, die die Grenzen der Wahrscheinlichkeiten angeben, innerhalb derer der beobachtete Effekt (Z) bei der Reduzierung der SARS-CoV-2-Infektion zwischen X und Y um Ihren Punkt der Schätzung von Z liegt. Dann nehmen Sie Z und stecken es in Ihr Modell, um zu sehen, welchen Effekt Z haben würde, und dann können Sie X und Y verwenden, um „was wäre, wenn“ zu spielen. Das entscheidende Wort ist „glaubwürdig“, denn diese Modelle (sind es Prognosen, Szenarien, Vorhersagen oder Szenarien, auf denen Vorhersagen basieren können – fragen Sie Hugo Keith KC nach einer einfachen Antwort) wurden verwendet, um das Leben der Menschen zu verändern. Oder vielleicht waren einige von ihnen Nachrüstungen, um etwas zu rechtfertigen, das bereits von der Robert Maxwell School of Ethics getan wurde. Glaubwürdig würde bedeuten, dass eine Schätzung aus einer oder vorzugsweise mehreren gut konzipierten Studien mit einem Protokoll und klaren Falldefinitionen stammt. Da der Fokus auf dem Vereinigten Königreich liegt, sollten die Daten aus dem Vereinigten Königreich oder zumindest einer ähnlichen Umgebung stammen. Nun, hier ist ein Beispiel für die Quellen von „Parametern“, die in einem ziemlich bekannten Modell verwendet wurden: Von den 11 Annahmen, die dem Modell zugrunde liegen, sind acht nicht belegt; eine stammt aus einer systematischen Überprüfung ohne infektiöse Falldefinition, eine aus einem Wirtschaftsmodell und eine aus einer Fall-Kontroll-Studie. Außergewöhnlich, werden Sie sagen: Das scheint die universelle Methode namens BOPSAT (eine Gruppe von Leuten, die um einen Tisch sitzen) zu sein. Ja, das ist es, außer dass das Modell tatsächlich von Massentests der Gemeinschaft auf SARS-CoV-2 mit Lateral-Flow-Geräten (LFDs) handelte, ohne dass eine einzige nicht-pharmazeutische Intervention in Sicht war. LFDs sind Tests, keine Interventionen, die die Verbreitung von irgendetwas verlangsamen oder stoppen können. Und das sind nur einige der kleineren Probleme, mit denen wir konfrontiert sind, also braucht es Zeit. Vielleicht sollten wir Herrn Keith um Hilfe bitten? Dr. Carl Heneghan ist Professor für evidenzbasierte Medizin an der Universität Oxford und Dr. Tom Jefferson ist ein Epidemiologe, der in Rom arbeitet und mit Professor Heneghan an der Cochrane Collaboration zusammenarbeitet. Dieser Artikel wurde zuerst auf ihrem Substack Trust The Evidence veröffentlicht, den Sie hier abonnieren können

Original Artikel Teaser

The UKHSA’s ‘Evidence’ for Covid Restrictions is a Complete Mess

You may recall that we undertook to review the 100 models forming the backbone of the UKHSA’s latest offering: the mapping review of available evidence. Remember, UKHSA did not extract nor appraise the evidence as it does not have the resources. This drew expressions of mirth among our readers. We agree it’s a bad joke – a very bad one – considering this ‘evidence’ is what the UKHSA states justified restrictions that led to stories such as Pippa Merrick’s, which unfortunately are not the exception. Earlier versions of the justification were a bad joke, too. What follows is no better. Diligently, as promised, we downloaded the 100 papers defined as “models” by UKHSA (please do not ask Hugo Keith KC what is meant by that term). Of each

Details zu The UKHSA’s ‘Evidence’ for Covid Restrictions is a Complete Mess