Distortion in Risk Estimation Driven by Study Period Adjustment and Young-Age Event Sparsity: A Critical Evaluation of Secondary Analyses on the Nagoya City HPV Vaccination Survey

In de wereld van de volksgezondheid zoeken onderzoekers vaak naar patronen in grote groepen mensen om te begrijpen of een medische behandeling schade berokkent of voordeel biedt. Een centrale uitdaging in dit werk is het scheiden van de effecten van een behandeling van de natuurlijke veranderingen die optreden naarmate mensen ouder worden. Als een studie bijvoorbeeld tieners gedurende meerdere jaren volgt, zullen de soorten gezondheidsproblemen die zij ervaren, van nature verschuiven naarmate ze van kindertijd naar adolescentie overgaan. Om een accuraat beeld te krijgen van de veiligheid van een vaccin, moeten wetenschappers hun berekeningen zorgvuldig aanpassen om rekening te houden met deze leeftijdsgebonden veranderingen, zodat ervoor wordt gezorgd dat een symptoom dat bij een tiener verschijnt niet ten onrechte wordt toegeschreven aan een injectie die jaren eerder is gegeven, noch dat een echt bijeffect wordt verborgen door de ruis van normale groeipijnen. Wanneer deze aanpassingen correct worden uitgevoerd, onthult de data de ware relatie tussen een vaccin en een gezondheidsuitkomst. Wanneer ze echter onjuist worden uitgevoerd, kunnen de cijfers een heel ander, en potentieel misleidend, verhaal vertellen.

Een recente evaluatie door Sadao Suzuki, hoogleraar emeritus aan de Nagoya City University, onderzoekt een specifieke statistische methode die wordt gebruikt voor de analyse van gegevens uit een belangrijke enquête over het mens papillomavirus (HPV)-vaccin in Nagoya City. De oorspronkelijke enquête, uitgevoerd in 2015, volgde 24 verschillende symptomen bij jongeren om te zien of het vaccin het risico op het ontwikkelen van deze symptomen verhoogde. Hoewel de oorspronkelijke analyse geen bewijs vond dat het vaccin deze symptomen veroorzaakte, daagde een latere studie door de onderzoekers Yaju en Tsubaki die bevindingen uit. Zij stelden een nieuwe manier voor om naar de data te kijken, die een specifieke aanpassing voor de "onderzoeksperiode" inhield, oftewel de lengte van de tijd tussen het moment waarop iemand de eerste vaccinatie dosis ontving en wanneer de enquête werd uitgevoerd. Suzuki's paper betoogt dat deze nieuwe methode een fundamentele wiskundige fout bevat die de resultaten vervormt, waardoor er een illusie van gevaar ontstaat waar die er niet is.

De kern van het probleem ligt in de manier waarop de onderzoekers de timing van de symptomen hebben behandeld. In de oorspronkelijke enquête rapporteerden sommige jongeren symptomen die begonnen voordat ze ooit het vaccin hadden ontvangen. De latere studie besloot deze vroege gevallen uit de gevaccineerde groep te verwijderen, met de redenering dat een symptoom dat begint vóór de injectie niet door deze veroorzaakt kan zijn. Suzuki wijst erop dat hoewel dit aan de oppervlakte logisch lijkt, de manier waarop dit werd gecombineerd met de aanpassing voor de "onderzoeksperiode" een verborgen valstrik creëerde. De methode behandelde de gevaccineerde en ongevaccineerde groepen verschillend. Voor de gevaccineerde groep begon het observatievenster pas na de eerste prik. Voor de ongevaccineerde groep begon het venster op twaalfjarige leeftijd, ongeacht wanneer de enquête plaatsvond. Dit creëerde een ongelijk speelveld waarbij de ongevaccineerde groep gedurende een langer deel van hun vroege jeugd werd geobserveerd dan de gevaccineerde groep.

Deze structurele onbalans werd cruciaal vanwege een natuurlijk fenomeen dat bekend staat als "young-age event sparsity" (schaarsheid van gebeurtenissen op jonge leeftijd). Veel van de symptomen die in de enquête werden gevolgd, zijn zeldzaam bij zeer jonge kinderen, maar worden gebruikelijker naarmate tieners ouder worden. Omdat de ongevaccineerde groep werd geobserveerd vanaf twaalfjarige leeftijd, bevatte hun data een hoger aandeel van deze zeldzame, vroege gebeurtenissen, simpelweg door het langere observatievenster. De gevaccineerde groep, wier klok later begon, miste veel van deze vroege incidenten. Wanneer het statistische model de twee groepen probeerde te vergelijken, interpreteerde het dit verschil in timing als een verschil in risico. Het resultaat was een wiskundig artefact dat de risico's voor symptomen die zeldzaam zijn bij jonge kinderen kunstmatig opblas, waardoor het leek alsof het vaccin deze veroorzaakte, terwijl de berekening in werkelijkheid gewoon dezelfde gebeurtenissen anders telde.

Suzuki's analyse breekt de latere studie af in drie verschillende modellen om te laten zien hoe de fout zich opstapelt. Het eerste model, dat simpelweg de vroege symptomen verwijderde, vertoonde al een bias, maar de cijfers vertoonden nog steeds enige gelijkenis met de oorspronkelijke bevindingen. Het tweede model introduceerde de "onderzoeksperiode"-aanpassing, wat ervoor zorgde dat de correlatie met de oorspronkelijke, betrouwbare data scherp daalde. In deze fase begon de methode systematisch de risico's voor de zeldzame, vroege symptomen te overschatten en de risico's voor veelvoorkomende symptomen te onderschatten. Het laatste model voegde een complexe interactieterm toe die ervan uitging dat het risico gestaag over de tijd veranderde. Deze stap dwong de wiskundige resultaten om te pieken aan het begin van de onderzoeksperiode, een punt waar de data extreem dun en onbetrouwbaar waren. In deze laatste versie werd het risico voor één specifiek symptoom, waarvan de oorspronkelijke studie vond dat het lager was bij gevaccineerden, berekend als meer dan zes keer zo hoog.

Het artikel concludeert dat deze dramatische verschuivingen geen nieuwe ontdekkingen van risico's zijn, maar het onvermijdelijke gevolg van een defect wiskundig instrument. De auteur van de latere studie richtte de discussie op de weinige symptomen waar hun nieuwe methode een hoog risico liet zien, waarbij de auteur negeerde dat dezelfde methode ook onmogelijke resultaten produceerde voor andere symptomen, zoals het suggereren dat het vaccin bescherming biedt tegen een veelvoorkomende kwaal. Door alleen de resultaten te selecteren die hun hypothese ondersteunden en de tegenstrijdigheden te negeren, presenteerde de latere studie een vertekend beeld van de data. De evaluatie bevestigt dat de bevindingen van de oorspronkelijke enquête geldig blijven en dat de alternatieve analyse steunt op een structurele bias die de waarheid vervormt. De les is dat in de epidemiologie de manier waarop u de tijd meet en uw groepen definieert even belangrijk is als de data zelf; als het meetinstrument gebrekkig is, zal het beeld dat het schetst onwaar zijn, ongeacht hoe geavanceerd de wiskunde ook lijkt.