Quando i numeri raccontano una storia inaspettata

Nell’era della sanità pubblica basata sui dati, specialmente durante la pandemia di COVID-19, la fiducia nei numeri non è mai stata così cruciale. Ogni decisione politica, ogni raccomandazione medica e ogni nostra comprensione di un fenomeno complesso si basa sulla premessa che i dati che raccogliamo siano accurati e interpretati correttamente, perché da essi dipende la fiducia dei cittadini.

Tuttavia, l’efficacia di un intervento come un vaccino non è un dato di fatto, ma il risultato di un’analisi che dipende interamente da come classifichiamo e contiamo i casi. Cosa succede se il metodo stesso di conteggio introduce un errore sistematico? E se questo errore fosse abbastanza grande da alterare le nostre conclusioni sulla sicurezza e l’efficacia?

Un recente studio pubblicato sulla rivista Autoimmunity, basato sui dati della regione Emilia-Romagna, ha messo in luce un’anomalia statistica tanto semplice quanto potenzialmente profonda.

(Trovate la traduzione e le Slide di presentazione per professionisti del settore, in fondo all’articolo)

GUARDA LA NOSTRA BIO E EFFETTUA UNA DONAZIONE

I ricercatori hanno identificato un “bias”, un vizio di forma nel modo in cui venivano classificati i decessi, che potrebbe aver distorto le statistiche sulla mortalità.

Questo articolo analizzera’ le scoperte più sorprendenti di quello studio, approfondendo come per un dettaglio metodologico possa cambiare la storia che i dati ci raccontano.

LE SLIDE COMPLETE SONO DISPONIBILI PER IL DOWNLOAD A FONDO PAGINA

——————————————————————————–

Il paradosso dei “14 giorni”: come una persona vaccinata viene contata come “non vaccinata”

La scoperta centrale dello studio ruota attorno a un fenomeno noto come “case counting window bias” (bias della finestra di conteggio dei casi). In termini semplici, si tratta della pratica di classificare gli individui che hanno appena ricevuto una dose di vaccino come “non vaccinati” per un periodo di tempo specifico.

Questa non è una questione ipotetica. Secondo lo studio, si trattava di una pratica comune in Italia, seguendo un’istruzione dell’Istituto Superiore di Sanità (ISS) che prevedeva di considerare “non vaccinati” i soggetti per i primi 14 giorni (ovvero, per meno di 15 giorni) dopo ogni somministrazione. La conseguenza di questa scelta metodologica è cruciale per comprendere l’impatto sulla credibilità dei dati.

Questo metodo attribuisce qualsiasi evento — che si tratti di un’infezione, di un ricovero o di un decesso — che si verifica nei primi 14 giorni post-vaccinazione al gruppo dei non vaccinati. Di conseguenza, si riduce artificialmente il numero di eventi avversi nel gruppo dei vaccinati e, allo stesso tempo, lo si aumenta in quello dei non vaccinati.

2. Un’inquietante coincidenza: picchi di vaccinazioni e picchi di decessi tra i “non vaccinati”

Per verificare l’impatto di questo bias, i ricercatori hanno analizzato i dati dell’Emilia-Romagna, concentrandosi su specifiche finestre temporali, scelte per coincidere con l’inizio dell’impennata nelle somministrazioni per ciascuna fascia d’età e la successiva fase di plateau. L’analisi ha riguardato le fasce 50-59, 60-69 e 70-79 anni.

La scoperta chiave è stata una diretta corrispondenza temporale: durante l’impennata delle somministrazioni di prime dosi, lo studio ha riscontrato un significativo aumento della mortalità per tutte le cause proprio all’interno della popolazione classificata come “non vaccinata”.

Questa correlazione è risultata statisticamente significativa. Per la fascia d’età 70-79 anni, il modello di regressione esponenziale ha mostrato una forte corrispondenza con un coefficiente di determinazione (R²) di .659. Valori significativi, sebbene inferiori, sono stati riscontrati anche per le fasce 60-69 anni (R² = .317) e 50-59 anni (R² = .290). Secondo i ricercatori, la correlazione molto più forte nella fascia 70-79 anni è probabilmente dovuta alla maggiore prevalenza di comorbidità, che rende questa popolazione più vulnerabile e l’effetto statistico del bias più pronunciato.

Inoltre, come evidenziato nella Figura 1 dello studio, l’incidenza mediana della mortalità nelle finestre temporali analizzate era significativamente più alta per il gruppo dei non vaccinati rispetto a quello dei vaccinati in tutte e tre le fasce d’età, con valori di p sempre inferiori a .0001.

3. Un divario troppo grande per essere solo COVID-19

Una domanda sorge spontanea: questa drammatica differenza di mortalità tra i due gruppi non potrebbe essere semplicemente la prova che i vaccini stavano prevenendo i decessi da COVID-19?

Gli autori dello studio hanno affrontato questa obiezione con un duplice argomento. Primo, secondo dati ISTAT, i decessi attribuiti al COVID-19 in Italia nel 2021 rappresentavano solo il 9% del totale dei decessi. Anche attribuendo tutte queste morti esclusivamente al gruppo dei non vaccinati, il divario nella mortalità per tutte le cause rimarrebbe statisticamente inspiegabile.

Secondo, e più sottile, i ricercatori sottolineano di non essere “a conoscenza di ragioni biologicamente plausibili che possano dimostrare un’efficacia reale e sostanziale del vaccino anche per patologie mortali non correlate”. In assenza di un tale effetto, i tassi di mortalità non-COVID tra i due gruppi dovrebbero essere quasi identici. Il fatto che non lo siano punta direttamente a un bias di classificazione come fattore determinante.

4. Un problema non solo italiano: una pratica diffusa?

Sebbene lo studio si sia concentrato sull’Emilia-Romagna, la pratica di utilizzare una “finestra di conteggio” non è affatto un’esclusiva italiana, sollevando dubbi sulla comparabilità dei dati a livello globale.

Gli autori citano prove specifiche da altri paesi. L’Office for National Statistics (ONS) del Regno Unito, ad esempio, ha utilizzato una finestra simile di 14 giorni in alcuni studi, estendendola addirittura a 21 giorni in altri. L’aspetto più rilevante è che uno di questi studi dell’ONS, che utilizzava una finestra di 21 giorni, applicava questa classificazione non solo ai decessi per COVID-19, ma anche a quelli non correlati al COVID-19, e quindi alla mortalità per tutte le cause—esattamente il fulcro dell’analisi italiana.

Questa osservazione allarga la prospettiva. Se questo metodo di classificazione è diffuso a livello internazionale, il bias identificato nei dati italiani potrebbe essere presente in molti altri studi osservazionali sull’efficacia dei vaccini condotti in tutto il mondo.

——————————————————————————–

L’importanza di contare nel modo giusto

Lo studio sui dati dell’Emilia-Romagna fornisce una prova concreta, basata su dati reali, dell’esistenza del “case counting window bias”. Dimostra come un difetto metodologico possa distorcere in modo significativo le statistiche sulla mortalità, spostando i decessi che si verificano immediatamente dopo la vaccinazione dalla categoria dei vaccinati a quella dei non vaccinati.

Questo meccanismo può portare a una duplice distorsione: un’inflazione artificiale della mortalità tra i non vaccinati e, al contempo, una diminuzione artificiale della mortalità tra i vaccinati. Lo studio non afferma che i vaccini non siano efficaci, ma solleva una questione fondamentale sulla validità dei dati così come sono stati raccolti e analizzati, minando potenzialmente la fiducia nelle conclusioni che ne derivano.

Questo ci lascia con una domanda cruciale, le cui implicazioni vanno ben oltre questo singolo studio: se il modo in cui definiamo e contiamo “vaccinato” e “non vaccinato” nei nostri dati è potenzialmente viziato, quali altre conclusioni sulla salute pubblica potremmo aver bisogno di riesaminare?

GUARDA LA NOSTRA BIO E EFFETTUA UNA DONAZIONE

Relazione Tecnica: Analisi del “Case Counting Window Bias” e il suo Impatto sulla Mortalità per Tutte le Cause nella Regione Emilia-Romagna

——————————————————————————–

1.0 Contesto e Obiettivi dello Studio

L’analisi dell’efficacia e della sicurezza degli interventi sanitari su larga scala, come le campagne vaccinali, si basa in gran parte su studi osservazionali condotti su dati del mondo reale (“real-world data”). La validità di questi studi, e di conseguenza delle decisioni di sanità pubblica che ne derivano, dipende in modo cruciale dalla corretta identificazione e correzione dei bias metodologici. Durante la pandemia di SARS-CoV-2, l’urgenza di produrre evidenze ha talvolta messo in secondo piano il rigore metodologico, portando a potenziali distorsioni che possono alterare significativamente le stime di associazione tra un’esposizione (es. la vaccinazione) e un esito (es. la mortalità).

1.1 Il Problema del Bias di Classificazione

Al centro di questa analisi vi è il cosiddetto “case counting window bias” (bias della finestra di conteggio dei casi), un tipo specifico di bias di misclassificazione differenziale che agisce in modo asimmetrico sui gruppi messi a confronto. Questo bias si manifesta quando i soggetti vaccinati vengono considerati e classificati come “non vaccinati” per un determinato periodo di tempo immediatamente successivo alla somministrazione, tipicamente una finestra di 14 giorni. Tale pratica, seguita anche in Italia secondo le istruzioni dell’Istituto Superiore di Sanità (ISS), si basa sulla presunzione che sia necessario un intervallo temporale per lo sviluppo di una risposta immunitaria completa.

La conseguenza diretta di questa riclassificazione è profonda: qualsiasi evento — come infezioni, ospedalizzazioni o decessi — che si verifichi all’interno di questa finestra temporale viene erroneamente attribuito al gruppo dei non vaccinati. Questo meccanismo porta a una duplice distorsione statistica:

• Sottostima dei rischi nel gruppo dei vaccinati, poiché gli eventi precoci vengono rimossi dal conteggio.
• Sovrastima dei rischi nel gruppo di controllo dei non vaccinati, che viene artificialmente gravato da eventi che non gli appartengono.

1.2 Obiettivi dell’Analisi

Lo studio condotto sulla popolazione della regione Emilia-Romagna si è posto l’obiettivo di investigare e quantificare gli effetti di questa potenziale distorsione. Gli scopi specifici dell’analisi sono stati i seguenti:

• Documentare l’impatto del “case counting window bias” utilizzando dati reali di mortalità per tutte le cause.
• Esaminare la relazione temporale tra l’andamento della somministrazione delle prime dosi di vaccino contro il COVID-19 e l’andamento dei decessi per tutte le cause registrati nella popolazione classificata come “non vaccinata”.
• Verificare l’ipotesi che tale bias sia la causa di una misattribuzione sistematica dei decessi per tutte le cause al gruppo dei non vaccinati, specialmente nei periodi di più intensa attività della campagna vaccinale.

Per raggiungere tali obiettivi, è stata implementata una metodologia rigorosa basata sull’integrazione e l’analisi di dati provenienti da diverse fonti istituzionali.

2.0 Metodologia di Raccolta e Analisi dei Dati

L’approccio metodologico si è basato sull’integrazione di dati provenienti da fonti istituzionali ufficiali per costruire un quadro completo e giornaliero della dinamica vaccinale e della mortalità nella regione Emilia-Romagna. Questo ha permesso di calcolare l’incidenza di mortalità giornaliera per i gruppi di vaccinati e non vaccinati e di analizzare le loro correlazioni.

2.1 Fonti dei Dati e Popolazione in Studio

I dati utilizzati in questo studio sono stati aggregati dalle seguenti fonti:

Fonte	Dati Forniti
ISTAT (Istituto Nazionale di Statistica)	Dati giornalieri sui decessi per tutte le cause e dimensione della popolazione regionale per classe di età.
ANV (Anagrafe Nazionale Vaccini)	Dati giornalieri sulle somministrazioni di vaccino anti-COVID-19 (prime dosi) per classe di età.
Regione Emilia-Romagna	Database anonimizzato contenente data di nascita, data di decesso per tutte le cause e date di ogni inoculazione per i soli soggetti che hanno ricevuto almeno la prima dose.

Lo studio ha considerato l’intera popolazione della regione Emilia-Romagna nel periodo compreso tra il 27 dicembre 2020 e il 31 dicembre 2021. La dimensione giornaliera della popolazione totale è stata stimata tramite interpolazione lineare dei dati ISTAT al 1° gennaio 2021 e 1° gennaio 2022. La popolazione vaccinata è stata calcolata cumulando le prime dosi giornaliere dall’ANV, mentre la popolazione non vaccinata è stata ottenuta per sottrazione dalla popolazione totale.

2.2 Definizione delle Finestre Temporali e dei Gruppi di Analisi

Sono state selezionate le fasce d’età 50-59, 60-69 e 70-79 anni per l’analisi approfondita. La scelta è stata motivata dall’osservazione preliminare di una chiara corrispondenza temporale tra l’intensificazione della campagna vaccinale per ciascun gruppo e un simultaneo aumento dell’incidenza di mortalità nella coorte dei non vaccinati. Per ciascuna fascia d’età, è stata definita una specifica finestra temporale per l’analisi statistica, coincidente con il periodo di massima somministrazione delle prime dosi.

1. Fascia d’età 70-79 anni: dal 15 marzo 2021 al 24 maggio 2021.
2. Fascia d’età 60-69 anni: dal 19 aprile 2021 al 23 giugno 2021.
3. Fascia d’età 50-59 anni: dal 7 maggio 2021 al 12 luglio 2021.

2.3 Approccio Statistico

L’analisi statistica è stata condotta seguendo una procedura sequenziale per validare le ipotesi dello studio.

• Inizialmente, è stato utilizzato il test U Mann-Whitney per confrontare le mediane dell’incidenza di mortalità per tutte le cause tra il gruppo dei vaccinati e quello dei non vaccinati all’interno delle finestre temporali definite, al fine di verificare la presenza di una differenza statisticamente significativa.
• Successivamente, è stato impiegato un modello di regressione esponenziale per quantificare la correlazione tra il numero di somministrazioni giornaliere (variabile indipendente) e l’incidenza di decessi nel gruppo dei non vaccinati (variabile dipendente).
• Infine, è stata utilizzata la stima di densità Kernel per identificare e visualizzare i picchi temporali nella distribuzione delle somministrazioni e dei decessi, permettendo di analizzare il loro allineamento temporale.

Per tutte le analisi, il livello di significatività statistica (α) è stato fissato a 0.05.

L’applicazione di questa metodologia ha permesso di ottenere risultati quantitativi chiari, che vengono presentati nella sezione successiva.

3.0 Risultati dell’Analisi sulla Mortalità

L’analisi dei dati ha rivelato una differenza statisticamente significativa nell’incidenza di mortalità per tutte le cause tra il gruppo classificato come “non vaccinato” e quello vaccinato, con un andamento coerente con l’ipotesi del “case counting window bias”. I risultati suggeriscono una forte associazione temporale tra i picchi di somministrazione vaccinale e i picchi di mortalità erroneamente attribuiti alla popolazione non vaccinata.

3.1 Confronto Generale dell’Incidenza di Mortalità

Il test U Mann-Whitney ha confermato l’esistenza di differenze altamente significative nell’incidenza di mortalità tra i due gruppi per tutte e tre le fasce d’età analizzate (p < .0001 in tutti i casi). Come descritto nella Figura 1 dello studio originale, si osserva una notevole distanza tra le mediane dell’incidenza di mortalità, con valori sistematicamente più elevati per il gruppo dei non vaccinati. Un’osservazione rilevante è che questa discrepanza tende a diminuire con l’aumentare dell’età, suggerendo dinamiche differenziali tra le popolazioni più anziane e quelle più giovani.

3.2 Analisi per la Fascia d’Età 70-79 Anni (15 marzo – 24 maggio 2021)

Per questo gruppo, il modello di regressione esponenziale ha prodotto un coefficiente di determinazione R² = 0.659 (p < .0001), indicando una forte correlazione in cui quasi il 66% della variabilità nella mortalità dei non vaccinati in questa finestra temporale è spiegato dall’andamento delle vaccinazioni. L’analisi di densità Kernel ha identificato due distinti picchi di somministrazioni, mentre per l’incidenza di mortalità nei non vaccinati è emerso un unico picco, localizzato temporalmente tra metà marzo e metà aprile 2021, in stretta corrispondenza con la prima ondata di vaccinazioni per questa coorte.

3.3 Analisi per la Fascia d’Età 60-69 Anni (19 aprile – 23 giugno 2021)

Anche per la fascia 60-69 anni, la correlazione è risultata moderata ma statisticamente molto significativa, con un coefficiente di determinazione del modello di regressione pari a R² = 0.317 (p < .0001). La stima di densità Kernel ha nuovamente mostrato due picchi per le somministrazioni (uno dopo metà aprile e uno a fine giugno) e un unico picco per l’incidenza di mortalità nei non vaccinati, concentrato tra metà aprile e metà maggio 2021.

3.4 Analisi per la Fascia d’Età 50-59 Anni (7 maggio – 12 luglio 2021)

Per l’ultima fascia d’età analizzata, il modello di regressione ha prodotto un coefficiente R² = 0.290 (p < .0001), confermando una correlazione moderata ma statisticamente molto significativa. L’analisi temporale ha rivelato due picchi di somministrazione (prima metà di maggio e luglio) e un picco di mortalità tra i non vaccinati concentrato tra metà maggio e inizio giugno. È stato inoltre osservato che la “coda” temporale dell’eccesso di mortalità era più breve per questo gruppo rispetto alle fasce d’età più anziane.

Questi risultati quantitativi forniscono una base solida per discutere e interpretare il fenomeno della misclassificazione e le sue implicazioni epidemiologiche.

4.0 Discussione e Interpretazione dei Risultati

Questa sezione si propone di interpretare i risultati numerici alla luce delle ipotesi iniziali, valutando come il “case counting window bias” possa spiegare le discrepanze osservate nella mortalità per tutte le cause e quali siano le implicazioni più ampie di tali scoperte.

4.1 L’Effetto della Misclassificazione sulla Differenza di Mortalità

La differenza statisticamente significativa nella mortalità per tutte le cause tra i gruppi non può essere plausibilmente attribuita unicamente ai decessi per COVID-19. Nel 2021, in Italia, i decessi attribuiti al COVID-19 hanno rappresentato circa il 9% del totale. Anche ipotizzando, in uno scenario irrealistico, di attribuire tutti questi decessi al solo gruppo dei non vaccinati e di sottrarli dal conteggio, la differenza di mortalità osservata tra i due gruppi rimarrebbe comunque significativa. In assenza di bias, ci si aspetterebbe una differenza vicina allo zero per la mortalità non-COVID, specialmente in un intervallo di tempo così breve. La persistenza di una tale discrepanza rafforza l’ipotesi che la sua causa sia di natura metodologica, ovvero una sistematica riclassificazione dei decessi.

4.2 Interpretazione della Variazione del Modello e dell’”Effetto Harvesting”

Il fatto che il modello di regressione si adatti meglio ai dati della fascia d’età 70-79 anni (R² = 0.659) è coerente con l’ipotesi del bias. La maggiore prevalenza di comorbilità in questa popolazione rende i soggetti più anziani e fragili intrinsecamente più suscettibili a eventi avversi fatali a seguito di uno stress immunologico o infiammatorio. Di conseguenza, il valore R² più elevato suggerisce che il segnale di mortalità misattribuito è più forte e meno rumoroso proprio nella popolazione più vulnerabile agli stress fisiologici a breve termine, rafforzando così la plausibilità del meccanismo di bias.

Inoltre, l’osservazione di un unico picco di mortalità a fronte di due picchi di somministrazioni può essere interpretata attraverso l’“effetto harvesting” (o “effetto mietitura”). Questo fenomeno descrive una situazione in cui un’esposizione accelera la mortalità in una coorte di individui già estremamente fragili. In questo contesto, è plausibile che la prima ondata di vaccinazioni abbia “raccolto” la maggior parte dei soggetti suscettibili con comorbilità preesistenti, esaurendo in gran parte questo pool e rendendo l’impatto del secondo picco di somministrazioni sulla mortalità molto meno visibile.

4.3 Ipotesi sui Meccanismi Biologici e sulla Dispersione Temporale

L’analisi ha evidenziato una “coda” temporale nell’incidenza dei decessi che si protrae per settimane dopo i picchi di vaccinazione, un fenomeno che può essere collegato a meccanismi biologici a medio e lungo termine. Studi scientifici hanno documentato la persistenza dei componenti vaccinali nell’organismo. Röltgen et al. hanno rilevato la presenza di mRNA e proteina Spike nei linfonodi ascellari fino a 60 giorni dopo la vaccinazione. L’estrema stabilità dell’mRNA sintetico è attribuita all’uso di N1-metilpseudouridina. Successivamente, Brogna et al. hanno dimostrato la persistenza della proteina Spike nel sangue per un periodo ancora più lungo, variabile tra 69 e 187 giorni. Questa persistenza può innescare reazioni infiammatorie croniche e processi autoimmuni, portando a eventi avversi fatali non immediati. Altri meccanismi patogeni discussi in letteratura includono il potenziale sviluppo di tolleranza immunitaria tramite l’aumento delle IgG4 e il ruolo pro-infiammatorio delle nanoparticelle lipidiche (LNP) stesse.

4.4 Rilevanza Internazionale della Pratica

La pratica di utilizzare una finestra di esclusione post-vaccinale non è limitata all’Italia. Il testo riporta esempi dal Regno Unito, dove l’Office for National Statistics (ONS) ha adottato finestre temporali simili, di 14 o addirittura 21 giorni, per classificare lo stato vaccinale negli studi osservazionali. Questo suggerisce che il “case counting window bias” non è un problema locale, ma una potenziale fonte di distorsione metodologica comune a livello internazionale, che potrebbe aver influenzato la validità di numerosi studi sull’efficacia e la sicurezza dei vaccini.

La consapevolezza di questi meccanismi di bias impone una riflessione critica sui limiti intrinseci dello studio e sulla necessità di affinare le metodologie di analisi.

5.0 Limiti dello Studio e Considerazioni Metodologiche

La trasparenza nell’analisi scientifica impone il riconoscimento delle limitazioni metodologiche che potrebbero aver influenzato i risultati. Questa sezione espone le potenziali fonti di errore identificate dagli autori dello studio, che, pur non invalidando le conclusioni principali, richiedono un’interpretazione cauta dei dati.

• Stima della Popolazione: La dimensione giornaliera della popolazione non vaccinata e vaccinata è stata stimata utilizzando un’interpolazione lineare tra i dati demografici annuali forniti da ISTAT. Questo approccio, sebbene standard, introduce un’approssimazione rispetto alla reale fluttuazione giornaliera della popolazione.
• Discrepanze tra Fonti Dati: L’integrazione di dati da ANV, ISTAT e Regione Emilia-Romagna può generare discrepanze. In particolare, i criteri di gestione dei residenti e dei non residenti differiscono tra le fonti. Ad esempio, l’ANV registra le somministrazioni per regione di esecuzione, non di residenza, creando un potenziale disallineamento con i dati di mortalità, che sono invece basati sulla residenza.
• Sovrastima della Popolazione Vaccinata: Il database ANV include anche gli stranieri non residenti vaccinati in Italia (stimati nello 0,38% del totale). Poiché questi individui non sono inclusi nei dati demografici ISTAT, la loro presenza potrebbe portare a una leggera sovrastima della popolazione vaccinata e, di conseguenza, a una sottostima del suo tasso di mortalità.
• Calcolo Indiretto dei Decessi: Il numero giornaliero di decessi tra i non vaccinati non era un dato direttamente disponibile ed è stato calcolato per sottrazione (decessi totali ISTAT meno decessi dei vaccinati forniti dalla Regione). Questo metodo propaga eventuali errori presenti nei dataset di origine.

Nonostante queste limitazioni, è importante sottolineare che tali potenziali errori sono probabilmente costanti durante tutto il periodo di studio e difficilmente potrebbero spiegare le marcate e significative differenze dinamiche osservate tra i gruppi. La coerenza dei risultati tra le diverse fasce d’età suggerisce fortemente la presenza di un segnale robusto, riconducibile al bias di classificazione analizzato.

6.0 Conclusioni e Implicazioni

In conclusione, questa analisi fornisce prove concrete, basate su dati del mondo reale, dell’esistenza e dell’impatto del “case counting window bias” nella valutazione della mortalità per tutte le cause durante la campagna vaccinale anti-COVID-19 nella regione Emilia-Romagna. Nonostante i limiti metodologici intrinseci legati all’uso di dati amministrativi aggregati, i risultati mostrano in modo consistente una correlazione temporale tra l’intensificazione delle somministrazioni e un aumento anomalo della mortalità attribuita al gruppo dei non vaccinati.

GUARDA LA NOSTRA BIO E EFFETTUA UNA DONAZIONE

L’implicazione principale di questa scoperta è che la pratica di riclassificare sistematicamente i decessi che avvengono nei 14 giorni successivi alla vaccinazione, attribuendoli allo status vaccinale precedente, introduce una distorsione profonda nei risultati epidemiologici. Questo bias maschera i rischi a breve termine nel gruppo dei vaccinati e gonfia artificialmente quelli nel gruppo di controllo, portando a una stima errata del profilo di rischio e beneficio dell’intervento.

Questo studio serve come un monito critico: l’adozione di metodologie che non tengono conto di tali bias sistematici rischia di compromettere l’integrità delle evidenze scientifiche e, di conseguenza, di guidare le politiche sanitarie sulla base di conclusioni fallaci.

LO STUDIO TRADOTTO IN ITALIANO

LE SLIDE DI PRESENTAZIONE PER PROFESSIONISTI DEL SETTORE

GUARDA LA NOSTRA BIO E EFFETTUA UNA DONAZIONE