Un enorme estudio de 145 países revela un importante aumento de la mortalidad tras la introducción de las vacunas COVID

Un enorme estudio de 145 países revela un importante aumento de la mortalidad tras la introducción de las vacunas COVID

Análisis bayesiano mundial del impacto causal de la de la administración de la vacuna sobre las muertes y los casos asociados a la COVID-19: Un análisis BigData de 145 países
https://www.researchgate.net/profile/Kyle-Beattie/publication/356248984_Worldwide_Bayesian_Causal_Impact_Analysis_of_Vaccine_Administration_on_Deaths_and_Cases_Associated_with_COVID-19_A_BigData_Analysis_of_145_Countries/links/61931b0507be5f31b78710a8/Worldwide-Bayesian-Causal-Impact-Analysis-of-Vaccine-Administration-on-Deaths-and-Cases-Associated-with-COVID-19-A-BigData-Analysis-of-145-Countries.pdf

A Preprint
Kyle A. Beattie ∗
Department of Political Science
University of Alberta
Alberta, Canada
kbeattie@ualberta.ca
November 15, 2021

Un enorme estudio de 145 países revela un importante aumento de la mortalidad tras la introducción de las vacunas COVID
POR JAMES SAMSON
10 DE ENERO DE 2022
Los responsables políticos y los principales presentadores de noticias han prometido al público que el despliegue mundial de la vacuna contra el COVID-19 reduciría los síntomas y, por tanto, los casos y las muertes asociadas al COVID-19. Aunque el despliegue de esta vacuna todavía está en curso, hay una gran cantidad de datos públicos disponibles para analizar el efecto del despliegue de la vacuna en los casos y muertes relacionados con el COVID-19.
Una forma de responder a esta pregunta puede comenzar aplicando un análisis causal bayesiano que compare los períodos anteriores y posteriores al tratamiento. Este estudio analizó los datos de COVID-19 disponibles públicamente de OWID (Hannah Ritchie y Roser 2020) utilizando el paquete R Causal Impact (Brodersen et al. 2015) para determinar el efecto causal de la administración de la vacuna en dos variables dependientes medidas acumulativamente a lo largo de la pandemia: total de muertes por millón (y1) y total de casos por millón (y2).
Después de eliminar todos los resultados de los países con p > 0,05, había 128 países para el año 1 y 103 países para el año 2 para analizar de esta manera, que comprenden 145 países únicos en total (media de p < 0,004).
Los resultados indican que el tratamiento (administración de la vacuna) tiene una propensión fuerte y estadísticamente significativa a aumentar causalmente los valores en y1 o y2 por encima de lo que se habría esperado sin el tratamiento. y1 mostró una relación de aumento/disminución de (+115/-13), lo que significa que el 8. El 78% de los países estadísticamente significativos mostraron un aumento en el total de muertes por millón asociadas a la COVID-19 debido directamente al impacto causal del inicio del tratamiento. y2 mostró una relación de aumento/disminución de (+105/-16), lo que significa que el 86,78% de los países estadísticamente significativos mostraron un aumento en el total de casos por millón de la COVID-19 debido directamente al impacto causal del inicio del tratamiento.84 El 86,78% de los países estadísticamente significativos mostraron un aumento en el total de muertes por millón asociadas a COVID-19 debido directamente al impacto causal del inicio del tratamiento. y2 mostró una relación de aumento/disminución de (+105/-16), lo que significa que el 86,78% de los países estadísticamente significativos mostraron un aumento en el total de casos por millón de COVID-19 debido directamente al impacto causal del inicio del tratamiento. Los impactos causales del tratamiento en el año 1 oscilaron entre -19% y +19015%, con un impacto causal medio de +463,13%. Los impactos causales del tratamiento en el año 2 oscilan entre el -46% y el +12240%, con un impacto causal medio del +260,88%. La hipótesis nula 1 puede rechazarse para una gran mayoría de países.
Este estudio realizó posteriormente análisis correlacionales sobre los resultados del impacto causal, cuyas variables de efecto pueden representarse como y1.E e y2.E respectivamente, con las variables numéricas independientes de: días desde el inicio de la introducción de la vacuna (n1), total de dosis de vacunación por cien (n2), total de marcas/tipos de vacunas en uso (n3) y el ∗Kyle A. Beattie es estudiante de doctorado en ciencias políticas con especialización en estudios de corrupción.
Una preimpresión – 15 de noviembre de 2021 variables categóricas continente (c1), país (c2), variedad de vacuna (c3). Todas las variables categóricas mostraron valores de rango con signo de Wilcoxon estadísticamente significativos (p media: < 0,001).
(y1.E V :[c1 3,04; c2: 8,35; c3: 7,22] y y2.E V :[c1 3,04; c2: 8,33; c3: 7,19]). Esto demuestra que la distribución de y1.E e y2.E no era uniforme entre las categorías. La correlación de Spearman entre n2 e y2.E fue la única variable numérica que mostró resultados estadísticamente significativos (y2.E ~ n2: ρ: 0,34 CI95%[0,14, 0,51], p: 4,91e-04). Esta baja correlación positiva significa que los países con mayores tasas de vacunación no
tienen valores más bajos de y2.E, sino más bien lo contrario. Aun así, las razones específicas de estas diferencias entre países, continentes y tipos de vacunas no son concluyentes y deberían estudiarse más a fondo a medida que se disponga de más datos. Hipótesis 2 La nula puede rechazarse para c1, c2, c3 y n2 y no puede rechazarse para n1, y n3.
El impacto causal estadísticamente significativo y abrumadoramente positivo tras el despliegue de la vacuna sobre las variables dependientes total de muertes y total de casos por millón debería preocupar mucho a los responsables políticos. Indican un marcado aumento tanto de los casos como de las muertes relacionadas con el COVID-19 debido directamente al despliegue de una vacuna que se vendió originalmente al público como la «clave para recuperar nuestras libertades». El efecto de las vacunas en el número total de casos
por millón y su baja asociación positiva con el total de vacunas por cien significa un impacto limitado de las vacunas en la disminución de los casos asociados al COVID-19. Estos resultados deberían animar a los responsables políticos locales a tomar decisiones políticas basadas en los datos, no en la narrativa, y basadas en las condiciones locales, no en los mandatos globales o nacionales. Estos resultados también deberían animar a los responsables políticos a empezar a buscar otras salidas a la pandemia que no sean las campañas de vacunación masiva.
Algunas variables que podrían incluirse en futuros análisis podrían ser el lote de vacunas por país, el grado de prevalencia de anticuerpos previos contra el SARS-CoV o el SARSCoV-2 en la población antes de iniciar la administración de la vacuna, y el Impacto Causal de la ivermectina en las mismas variables utilizadas en este estudio.
Palabras clave CausalImpact, causalidad, vacunas, BigData, COVID-19, terapia génica.

Deja una respuesta

Tu dirección de correo electrónico no será publicada.