模型错误和对挽救生命的严重夸大估计

在最近的 根据一项研究， 发表于 柳叶刀传染病，沃森等人。 应用数学模型估计在 COVID-19 疫苗接种的第一年，大规模 COVID-14 疫苗接种在全球挽救了 20-19 百万人的生命 程序. 以前的褐砂石文章 霍斯特 和 拉曼 已经指出了研究中关于感染与疫苗衍生免疫持续时间的几个错误假设，以及它没有考虑疫苗不良事件和全因死亡风险的事实。 

在这里，我总结了作者如何得出他们对大规模疫苗接种避免的死亡人数的估计的机制。 然后，我详细说明了模型中的错误假设如何导致对避免死亡的估计严重夸大，这可能解释了该研究缺乏表面有效性和内部一致性的原因。

该研究使用了 COVID-19 传播、感染和死亡率动态的生成模型，其中包括基于选定文献的 20-25 个假设参数（即疫苗对传播、感染和死亡的有效性、每个国家的年龄组合、年龄分层感染死亡率等）适用于报告的超额死亡，以推断（但不验证）病毒在 185 个国家/地区的跨时间传播性。 

该研究将 2021 年的实际超额死亡与模拟（反事实）进行了比较，模拟（反事实）应该预测如果没有引入疫苗（即通过在消除疫苗的影响后对上述拟合模型进行多次模拟）来预测每个国家超额死亡的轨迹。 这些反事实曲线与实际超额死亡人数之间的差异导致了因疫苗接种而避免的估计死亡人数。

作者的模型似乎没有解释病毒传染性或致死性的演变，只是明确模拟了由于 Delta 变体导致的感染住院率增加（见补充文件中的 1.2.3 关注变体部分）。 反事实模拟中的主要假设是，过多的死亡可以通过病毒的“自然”进化来解释，这反映在其随时间变化的传播性上，这只能推断（拟合）而不是验证。 

如果模型假设的参数高估或错误估计了疫苗对传播、感染和死亡的有效性以及疫苗保护的持续时间，而忽略了与大流行相关的过度死亡的其他来源，这将导致对时间的高估或错误估计——不同的病毒传播能力，以便很好地适应每个国家的超额死亡曲线。 当疫苗接种的影响随后从反事实模拟中移除时，这反过来会人为地夸大估计的超额死亡人数。 我们将在下面详细说明这些要点。  

Watson 等人的模型。 依赖关于疫苗衍生免疫的不切实际的假设

目前尚不清楚作者是否考虑在他们的模型中减弱疫苗的有效性，而且似乎他们的所有模型都假设在整个 1 年研究期间持续提供疫苗保护，尽管 研究表明它在 3 到 6 个月之间. 他们引用的模型，Hogan 等人。 2021 年默认假设“长期”（即 >1 年）疫苗保护（见表 1。 霍根等人。 2021).

此外，几乎所有关于疫苗效力或有效性的研究都在“未接种疫苗”的比较组中排除或合并第一次接种后 21 天内或第二次接种后 1 天内出现症状的病例。 鉴于有证据表明 COVID 传染性可能 提高 注射后第一周几乎翻了 3 倍（见 我们对研究的评论中的图 1)。 这表明基于注射后 6 周以上观察到的较低病例率的报告疫苗有效性估计可能（至少部分）由以下因素解释 感染-，而不是疫苗，由于接种疫苗后 COVID-19 传染性的短期增加而引起的免疫。 

而 Watson 等人的模型。 包括疫苗接种之间的潜伏期和保护开始时，它们不能解释在此期间疫苗诱导的传染性和传播性的潜在增加。 在模型中不考虑这种影响会高估自然进化和随时间变化的病毒传播能力，从而在排除疫苗接种影响的反事实模拟中夸大过多的死亡人数。

最后，作者通过进行敏感性分析来评估免疫逃逸对感染衍生免疫的影响，以估计不同免疫逃逸百分比范围为 0% 至 80% 的疫苗所避免的死亡（参见原始文章中的补充图 4）。 在这些模型中，作者明确表示他们假设疫苗保护是恒定的（非减弱的），这是一个不切实际的假设（见上段）。 然而，作者似乎没有对疫苗衍生免疫的免疫逃避进行类似的敏感性分析，鉴于上述段落中提出的观点，这一点很重要。 

模型忽略了由于 COVID-19 以外的因素导致的过多死亡

拟合模型及其反事实假设解释了每个国家的超额死亡人数 独自 通过自然进化的 COVID-19 病毒及其（拟合模型推断的）时变传播性。 这些模型并未试图考虑由其他与大流行相关的因素（例如疫苗本身以及其他非药物强制干预措施）造成的过多死亡。 这 疾病预防控制中心报告总体疫苗引起的死亡风险为 0.0026% 每剂 基于疫苗不良事件报告系统或 VAERS。 VAERS 是一个被动的报告系统，只能捕获 约 1% 的疫苗相关副作用. 

最近的独立证据线使用 VAERS 和关于少报因素的可信假设并且 公开可用的疫苗接种和全因死亡率数据的生态回归 表明 VAERS 可能仅捕获约 5% 的疫苗引起的死亡。 此外，这些模型没有考虑其他因素导致的过多死亡，例如封锁导致的 “绝望之死。” 

通过在其模型中忽略与大流行相关的超额死亡的其他潜在来源，拟合模型将高估和/或错误估计自然的、随时间变化的病毒传播性的影响，以实现与报告的超额死亡的良好模型拟合，这在turn 会导致在他们的反事实模拟中夸大过多的死亡人数。

缺乏表面效度

根据作者的国家级估计，假设疫苗覆盖率为 1.9%，美国避免了 61 万人死亡（参见原始研究中的补充表 3）。 在没有疫苗可用的大流行的第一年（2020年），有 美国有 351,039 人死于新冠病毒. 因此，作者的模型表明，如果没有引入疫苗，到 1.9 年（与 350 年相比）美国的 COVID 死亡人数将增加 5.5 万 / 2021 万 = 约 2020 倍（见 我们对研究的评论中的图 2）。 这是非常不可信的，因为几乎没有理由相信病毒会自然进化为更具传染性和传染性 和 致命。 

作者提到，由于放松和/或取消公共卫生措施和限制（封锁、旅行限制、口罩规定等），2021 年的传染性会更高。 然而，这可能导致 5 年 COVID 死亡人数增加 2021 倍以上的假设与此相矛盾 >400 项研究 得出的结论是，这些措施在减少 COVID 结果方面几乎没有甚至没有公共卫生益处。   

此外，在 2021 年（引入疫苗接种后），有 美国有 474,890 人死于新冠病毒. 这比 35 年高出约 2021%，表明大规模疫苗接种的粗略证据 恶化 总体而言，COVID 结果与在疫苗保护开始之前对传染性增加的观察结果一致（见上文第 1 点）和 对 COVID-19 疾病严重程度增加的担忧 疫苗引起的 基于临床前研究。

结论

虽然生成模型通常是模拟尚未发生的场景的有用工具，但对模型参数的不准确假设很容易导致模型错误指定。 在 Watson 等人的情况下。 到 2022 年，它们可能会导致反事实模拟，从而严重夸大因大规模接种疫苗而避免的死亡人数的估计。 

因为这种复杂的建模可能对输入参数过于敏感，容易过度拟合，并且给出的输出即使不是不可能验证也很困难，因此不应将其用于告知公共卫生政策和指南。 定量风险收益比分析，使用 临床试验 or 真实世界的数据 比较特定结果的风险，例如 全因死亡率 or 心肌心包炎 在接种疫苗和冠状病毒感染之后，在这方面会提供更多的信息和有用的信息。

注意：我已经发布了这篇文章的一个版本，其中包括数字和参考书目 研究之门及 将评论发布给该研究的原始作者 希望得到回应和反驳。 我还以 250 字的信函形式向 The 柳叶刀传染病 我正在等待他们的答复。 作者感谢 Hervé Seligmann 对文章的有益评论和反馈。