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

在公共卫生领域，研究人员经常通过观察大规模人群中的模式，来了解某种医疗手段是导致了伤害还是提供了益处。这项工作的一个核心挑战在于，如何将治疗的效果与人们随着年龄增长而发生的自然变化区分开来。例如，如果一项研究对青少年进行了长达数年的追踪，那么随着他们从童年过渡到青春期，他们所经历的健康问题类型也会自然发生转变。为了获得关于疫苗安全性的准确图景，科学家必须仔细调整他们的计算方法，以解释这些与年龄相关的变化，从而确保一个在青少年时期出现的症状不会被错误地归咎于多年前接种的一针疫苗，亦或是真实的副作用不被正常的生长发育过程所掩盖。当这些调整做得正确时，数据就能揭示疫苗与健康结果之间的真实关系。然而，当调整出错时，数字可能会讲述一个完全不同且具有潜在误导性的故事。

名古屋市立大学名誉教授铃木贞夫（Sadao Suzuki）最近的一项评估，审视了用于分析名古屋市一项关于人类乳头瘤病毒（HPV）疫苗重大调查数据的特定统计方法。这项最初的调查于2015年开展，追踪了年轻人身上的24种不同症状，以观察疫苗是否增加了这些症状的发病风险。虽然最初的分析发现没有证据表明疫苗会导致这些症状，但后来由研究人员谷内（Yaju）和坪木（Tsubaki）进行的另一项研究对这些发现提出了质疑。他们提出了一种观察数据的新方法，其中涉及对“研究周期”的特定调整，即从一个人接受第一剂疫苗到进行调查之间的时间跨度。铃木的论文指出，这种新方法包含一个根本性的数学缺陷，它扭曲了结果，制造了并不存在的危险幻象。

问题的核心在于研究人员处理症状发生时机的方式。在最初的调查中，一些年轻人报告的症状在他们接种疫苗之前就已经开始了。后来的研究决定将这些早期病例从接用疫苗组中剔除，理由是开始于接种前的症状不可能由疫苗引起。铃木指出，虽然这在表面上看起来合乎逻辑，但将其与“研究周期”调整相结合却制造了一个隐形的陷阱。该方法对接种疫苗组和未接种疫苗组采取了不同的处理方式：对于接种疫苗组，观察窗口仅在第一针注射后才开始；而对于未接种疫苗组，无论调查何时进行，其窗口都从12岁开始计算。这造成了一个不平等的竞争环境，使得未接种组在他们的青少年早期被观察的时间比接种组更长。

这种结构性的失衡变得至关重要，因为存在一种被称为“低龄期事件稀疏性”（young-age event sparsity）的自然现象。调查追踪的许多症状在幼儿时期非常罕见，但随着青少年年龄的增长会变得更加普遍。由于未接种组的观察是从12岁开始的，由于观察窗口较长，其数据包含了更高比例的这些早期罕见事件。接种疫苗组的“时钟”启动较晚，因此错过了许多这类早期发生的情况。当统计模型试图比较这两组时，它将这种时间上的差异解读为风险的差异。结果是一个数学上的人工制品（artifact），它人为地夸大了那些在幼年时期较为罕见的症状的风险，使得看起来像是疫苗正在导致这些症状，而实际上，计算过程只是对这些事件的计数方式不同而已。

铃木的分析将后来的研究分解为三个模型，以展示误差是如何累积的。第一个模型仅仅是剔除了早期症状，虽然已经显示出偏差，但数字仍与原始发现保持了一定的相似性。第二个模型引入了“研究周期”调整，这导致其与原始可靠数据的相关性大幅下降。在这个阶段，该方法开始系统性地高估那些在生命早期罕见的风险，同时低估了常见疾病的风险。最后一个模型增加了一个复杂的交互项，该项假设风险随时间稳步变化。这一步骤迫使数学结果在研究周期的起始点达到峰值，而此时的数据极其稀薄且不可靠。在最终版本中，对于一种特定的症状，原始研究发现其在接种疫苗的人群中较低，但在该模型下，其风险被计算为高出了六倍以上。

论文结论认为，这些剧烈的变化并非发现了新风险，而是失效的数学工具带来的必然结果。后来的研究作者将讨论集中在少数几种其新方法显示出高风险的症状上，却忽略了同样的方法会对其他症状产生荒谬的结果（例如，暗示疫苗可能预防某种常见疾病）。通过只选择支持其假设的结果并忽略矛盾之处，后来的研究呈现了一个偏颇的观点。该评估证实，原始调查的发现仍然有效，而另一种替代分析则依赖于一种扭曲真相的结构性偏差。其教训在于，在流行病学中，你测量时间的方式以及定义群体的方式与数据本身同样重要；如果测量工具是有缺陷的，那么无论数学看起来多么精妙，它所描绘出的图景也将是虚假的。