Die volle Bullshitstudie, die ihr gerade in den Medien lest:

SARS-CoV-2 mRNA vaccines sensitize tumours to immune checkpoint blockade


PSM mit caliper = 0.1 und 2:1-ratio, weil Power: klassischer Trick, um die Effektgröße zu „optimieren“:

"Given the small sample size in the stage III NSCLC dataset treatment group, multiple imputation was performed to estimate missing ECOG values using chained equations and the R package MICE, where predictive mean matching (PMM) (with set.seed(2025)) was used to create five imputed datasets. Variables used for imputation were chosen based on large absolute ridge regression coefficients (|β| > 0.3) and clinical relevance to ensure that prediction of ECOG missingness occurred with accuracy. After selection using regression coefficients, age and previous cycles of systemic therapy were included due to clinical importance. To facilitate PSM while maintaining power in patients with stage III NSCLC, the mode of the five imputed ECOG values was used as a single value for each patient (n = 5). This approach was necessary to minimize variance inflation and avoid diluting treatment effects in a very small sample. As PMM is random, small deviations in variable definition, factor levels and row ordering may result in slightly different imputed values. However, sensitivity analyses with slightly different mode selection in the case of ties, different seeds and an increased number of datasets (n = 20 or n = 10 rather than n = 5) revealed similar outcomes (P < 0.05) after subsequent matching. The plausibility of imputed values was assessed using density plots, which demonstrated appropriate range and overlap between observed and imputed ECOG values."


Und mein Favorit: „Patients who progressed before the receipt of mRNA vaccination were included in the vaccination group for this analysis.“

Und es wird noch geiler: Imputation mit „mode of five imputed ECOG values“ – also sie nehmen den Modus aus 5 zufällig generierten Werteketten? Das ist so statistisch fragwürdig, dass es fast schon Kunst ist. Haja. Weil uns halt die Werte fehlten, haben wir mal gedacht, dass...

Ha! Hab endlich die ganze Studie gefunden. Immerhin schafften sie es auf n=180

https://www.nature.com/articles/s41586-025-09655-y#Ack1

Der echte Kracher ist die Imputation:

Damit löscht man die Unsicherheitsinformation der Mehrfachimputation. Und weil ECOG nur wenige Kategorien (0–5) hat, ist der Modus praktisch ein Würfelergebnis. Die anschließenden Sensitivitätsanalysen (auch mit n=10 und n=20 gleiche p<0.05) sagen nichts aus: wenn du Moppelkotze imputierst, bleibt die Moppelkotze deterministisch reproduzierbar.

Kurz noch erklärt:

PMM (predictive mean matching) ist zufallsbasiert: man erzeugt mehrere plausible Werte, die die Unsicherheit abbilden sollen.

Das korrekte Vorgehen:
Man analysiert alle imputierten Datensätze getrennt und kombiniert danach die Resultate (Rubin’s Rules).

Vorgehen dieser verkappten Lappen:

Sie nehmen einfach den Modus dieser fünf Zufallswerte, also den „häufigsten geratenen Wert“, und tun so, als sei das „das Wahre“.

Kurzer Statusupdate, da die Richtung jetzt klar ist, das Manuskript steht und wir in Editrunde 4 sind:

Unser hypothesengetriebenes Review nimmt Gestalt an: Inklusive Abstrakt und Schlussfolgerung. Ich denke noch 2 - 3 Editrunden und wir sind soweit: Unleash the beast.

p.s.: Am liebsten würde ich schon verraten, wer unser Projektleiter und Seniorresearcher ist, mit dem wir publizieren werden. Gnihihihi. Ich muss mir so auf die Finger haun.

Das Hauptproblem: Fehlende Daten wurden „erraten“

Ein wichtiger Parameter bei Krebspatienten ist der sogenannte ECOG-Status (ein Maß dafür, wie krank oder belastbar jemand ist). Viele dieser Werte fehlten – und statt das offen als Unsicherheit zu behandeln, haben die Autoren sie einfach erfunden.

Dazu nutzten sie eine Methode namens PMM (Predictive Mean Matching), die mehrere plausible Werte generiert, um Unsicherheit abzubilden.

➡️ Der korrekte Weg: Man analysiert alle so erzeugten Datensätze getrennt und kombiniert die Ergebnisse statistisch (nach den sogenannten Rubin’s Rules).

➡️ Was sie stattdessen gemacht haben:
Sie haben fünfmal zufällig Werte generiert und dann einfach den häufigsten geratenen Wert (den „Modus“) genommen – als wäre das der „wahre“ Wert. Das ist, als würde man fünfmal würfeln und dann sagen: „Weil die 4 am häufigsten kam, ist das sicher das richtige Ergebnis.“

Damit löschen sie die gesamte Unsicherheitsinformation, die die Methode eigentlich erhalten soll. Das ist statistisch unsinnig und führt zu Scheinpräzision.

Der zweite Trick: Propensity Score Matching (PSM)

Um Gruppen (geimpft vs. ungeimpft) vergleichbar zu machen, wurde ein sogenanntes Propensity Score Matching verwendet.
Dabei werden Patienten mit ähnlichen Merkmalen gepaart, um faire Vergleiche zu ermöglichen.

Die Autoren wählten dabei ein extrem enges Matching-Kriterium (Caliper = 0.1) und ein 2:1-Verhältnis der Gruppen.

Beides kann genutzt werden, um eine gewünschte Effektgröße zu „optimieren“, sprich: man kann so die Gruppen so zusammenstellen, dass der Effekt größer aussieht, als er wirklich ist. Das ist ein klassischer Trick, um kleine Stichproben „schöner“ aussehen zu lassen.

Logischer Bruch: Falsche Gruppenzuordnung

Der absurdeste Punkt:

„Patients who progressed before the receipt of mRNA vaccination were included in the vaccination group for this analysis.“

Das heißt:

Patienten, die sich verschlechtert hatten, BEVOR sie überhaupt geimpft wurden, zählen in der Analyse als „geimpft“. Das ist ein klarer methodischer Bruch, der die gesamte Vergleichbarkeit zerstört. Man weiß nicht mehr, was überhaupt „nach der Impfung“ passiert ist.

6. Schein-Sensitivitätsanalysen

Die Autoren behaupten, sie hätten getestet, ob das Ergebnis stabil bleibt („Sensitivity Analyses“). Aber wenn die zugrunde liegenden Daten zufällig erzeugt und fehlerhaft verarbeitet wurden (was durch die Vermengung der Geimpften geschah), bleibt das Ergebnis natürlich „stabil“ – es ist ja deterministisch reproduzierbar. Mit anderen Worten: Man kann denselben Unsinn beliebig oft wiederholen, das Ergebnis bleibt Unsinn.

Fazit

Diese Studie gehört sofort retractiert (zurückgezogen), weil:

fehlende Daten nicht korrekt imputiert, sondern verfälscht wurden,

Gruppen falsch definiert wurden, Matching-Verfahren zur Effektverstärkung missbraucht wurden, und die angeblichen Robustheitsanalysen keine Aussagekraft haben.

Kurz gesagt:

Die statistischen Methoden wurden nicht zur Fehlerkontrolle, sondern zur Ergebnisgestaltung benutzt. Das macht die Resultate wissenschaftlich wertlos – egal, wie spektakulär sie klingen.

Und noch weitere Kritikpunkte:

- Die Vielzahl der Adjustierungen und das Mischfenster („–100 bis +100 Tage“) machen kausale Interpretationen extrem fragwürdig.
- Die mechanistischen Erklärungsansätze sind übermäßig optimistisch übertragen von Maus- auf Humandaten.
- Die Replikation und externe Validierung fehlen nahezu vollständig.

https://www.nature.com/articles/s41586-025-09655-y#Ack1

Mammalian innate antiviral defenses: beyond interferon

https://journals.asm.org/doi/10.1128/jvi.01707-24

Sneakpreviw: Unsere Hypothese und Methodik (Folie erscheint nicht in der geplanten Arbeit)

Aber Schweden... Klar. Wenn ich nur selektiv erfasse und mir den Krams modelliere, wie er gerade passt...

https://www.oecd.org/content/dam/oecd/en/publications/reports/2025/02/eu-country-cancer-profile-sweden-2025_f01eb08d/39c18d93-en.pdf

Zur Erinnerung:

Batch-dependent safety of the BNT162b2 mRNA COVID-19 vaccine

https://onlinelibrary.wiley.com/doi/10.1111/eci.13998

Reports of Batch-Dependent Suspected Adverse Events of the BNT162b2 mRNA COVID-19 Vaccine: Comparison of Results from Denmark and Sweden

https://www.mdpi.com/1648-9144/60/8/1343

Batch-dependent safety of the BNT162b2 mRNA COVID-19 vaccine in the United States

https://publichealthpolicyjournal.com/batch-dependent-safety-of-the-bnt162b2-mrna-covid-19-vaccine-in-the-united-states/

Vaccine dangers with animations

Inside mRNA vaccines

https://www.insidemrnavaccines.com/

Filmmaker: Erik Tangsoo

Join👉🏻 @DrJohnCampbell

Halted because much like other mRNA jabs, it failed! https://t.co/WPW11VyLox

https://t.me/mspezial/20100

Weil das mit der Rubin's Regel vermutlich einige (mich eingeschlossen) ziemlich verwirrt hat:

Grok hat endlich ne schöne und einfach zu verstehende Metapher geliefert:

Stell dir vor, du musst 5 leere Gläser füllen. Jede Schätzung ist ein Versuch, die Gläser zu füllen. Rubin’s Rule schaut sich alle Füllungen an und sagt: ‚So groß ist meine Unsicherheit insgesamt‘. Die Studie hat einfach das Glas ausgesucht, das am schönsten aussieht und tut so, als sei alles perfekt.

Man führt für jeden Patienten (nicht die gesamte Kohorte) mind. 5 (wobei hier eher 20 - 50 empfehlenswert wären) Simulationen durch, weil man ja nur schätzt und matched diese zuerst. Danach macht man das Selbe für den nächsten Patienten, usw... Und daraus bildet man den Mittelwert für die höchste und geringste Fehlerquote.

Das ist das Prinzip von einer korrekten Imputation.

Und diese Vollpfosten haben nur eine lineare Schätzung durchgeführt und dabei die Unsicherheit der Imputation nicht adäquat berücksichtigt. Die Auswahl des Modalwerts aus den fünf Imputationen ignoriert die Varianz zwischen den Imputationen, was zu einer Unterschätzung der Unsicherheit führt. Dies kann insbesondere bei kleinen Kohorten problematisch sein, da die Unsicherheit der Schätzungen nicht korrekt reflektiert wird.

Aufruf zur Rehabilitation verfolgter Ärzte und Heilberufler

Ärzte werden in Deutschland strafrechtlich verfolgt, weil sie den Corona-Irrsinn nicht mitgemacht und ihre Patienten vor den schädlichen Folgen sinnloser Masken bewahrt wollten haben oder sich der Impfkampagne verweigerten.

Die Ärztin Dr. Monika Jiang, selbst Opfer dieser Justiz, hat mit kritischen Kollegen eine Initiative gestartet. Sie fordern die Verantwortlichen in Ärztekammern, Kassenärztlichen Vereinigungen und Berufsverbänden auf, sich endlich für die Rehabilitierung der verfolgten Kollegen einzusetzen.

Im Interview mit Kay Klapproth (IDA) erklärt Monika Jiang, was hinter dieser Aktion steht – und wie Sie selbst unterstützen können.

Das Schreiben: 👉 https://www.ida-hd.de/aufruf-zur-rehabilitation-verfolgter-aerztinnen-aerzte-und-heilberufler/

Unterstütze IDA

Paypal: www.paypal.com/paypalme/idaheidelberg (http://www.paypal.com/paypalme/idaheidelberg)

IBAN: DE92 6729 0000 0149 7007 73 BIC: GENODE61HD1

www.ida-hd.de
@initiative_demokratie

✒️ In den USA wird derzeit auf höchster politischer Ebene diskutiert, ob der enorme Anstieg chronischer Krankheiten etwas mit dem parallel dazu stark angewachsenen Impfprogramm zu tun hat. Gesundheitsminister Kennedy nannte aluminiumhaltige Wirkverstärker als mögliche Auslöser. Sie sind in zwei Drittel aller Kinderimpfstoffe enthalten. Präsident Trump kündigte Ende September öffentlich an, man werde – nach Quecksilber – nun auch Aluminium aus Impfungen verbannen. Zugleich tobt ein Kampf um die Deutung von Studien zum Thema. Der Wissenschaftsjournalist Bert Ehgartner beleuchtet für Multipolar die Hintergründe.
➠ Artikel lesen

alle bisherigen Beiträge: Artikel, Meldungen, tägliche Hinweise, Literatur. @multipolar_magazin

So sad that so many fell for this so called ‘Science’ …

Join ➣ 👉@COVID19VACCINEVICTIMSANDFAMILIES

1-year risks of cancers associated with COVID-19 vaccination: a large population-based cohort study in South Korea

"Our data showed associations between COVID-19 vaccination and an increased the risk of six cancer types, namely, thyroid (hazard ratio [HR], 1.35; 95% confidence interval [CI], 1.21–1.51), gastric (HR, 1.34; 95% CI, 1.13–1.58), colorectal (HR, 1.28; 95% CI, 1.12–1.47), lung (HR, 1.533; 95% CI, 1.25–1.87), breast (HR, 1.20; 95% CI, 1.07–1.34), and prostate (HR, 1.69; 95% CI, 1.35–2.11) cancers (Fig. 1 and Additional File 2)."

https://biomarkerres.biomedcentral.com/articles/10.1186/s40364-025-00831-w

Auch wen die Hazard Ratios teilweise katastrophal schwankend ausshen, so sind sie bei einer solchen Kohortengröße robust und stat. signifikant. Und wirklich ganz, ganz stark, was die Studie robust macht: 1:2 Gewichtung. Und immer daran denken: Wartet mal noch ein paar Jährchen. 😉

Verwechslung von absoluten Zahlen und Hazard Ratios (HR):

Er sagt: „One look at South Korea’s cancer register would have shown that this cannot be real“.

Das ist völliger Quatsch. HRs messen relative Risiken, nicht absolute Fallzahlen. Nur weil die Gesamtinzidenz steigt oder fällt, sagt das nichts darüber aus, ob Geimpfte im Vergleich zu Ungeimpften ein höheres Risiko haben. Man muss die stratifizierten Daten nach Impfstatus analysieren. Einfach nur die Gesamtzahlen anschauen, ist epidemiologisch wertlos.

Missverständnis zum 27%-Anstieg:

Der 27%-Anstieg bezieht sich auf die geimpfte Gruppe relativ zur ungeimpften innerhalb eines Jahres nach der Impfung. Das ist ein relativer Effekt, kein Effekt auf die gesamte Bevölkerung.

Dass die Gesamtrate in der Bevölkerung 2021 nur um ~11% gestiegen ist, widerlegt den HR von 1,27 nicht automatisch – weil HRs adjustiert werden für Alter, Geschlecht, Screening etc.

Ignoriert Bias-Faktoren korrekt:

Er erwähnt Diagnosebias („Unvaxed are less prone to get diagnosed“), versteht aber nicht, dass dies genau der Punkt ist, der zu einer Überschätzung des Effekts führen kann. Genau das ist ein klassischer Bias in Beobachtungsstudien: Menschen, die sich häufiger impfen lassen, nutzen auch eher Vorsorgeangebote.

Die Studie hätte diesen Faktor prüfen müssen (z. B. Screeningverhalten), und das ist kein Argument gegen die Studie, sondern ein potenzielles Problem, das er nicht sauber einordnet

Falsche Behauptung zur HR von 1,01:

Das ist schlichtweg eine Fehlinformation. Die Studie zeigt deutlich einen HR-Anstieg für bestimmte Krebsarten, wie im Zitat erwähnt.

Fazit: Der Typ zeigt wirklich ein sehr oberflächliches Verständnis. Er wirft Schlagworte wie „one look“ und „overall HR 1,01“ in den Raum, ohne zu verstehen, dass epidemiologische Analysen adjustierte relative Risiken und Stratifizierung verwenden. Das ist fast schon wie Toast, der denkt, er könne die chemische Zusammensetzung eines Kuchens beurteilen, nur indem er ihn ansieht. 😅

Und natürlich kommst du auf nen HR 1.01 overall, wenn du nur bestimmte Krebsarten tatsächlich stratifizierst und nicht alle inkludierst.

Was dieser 🤡 also gemacht hat, ist ein Simpson’s-Paradox in Echtzeit: Er interpretiert einen aggregierten HR als Widerspruch zu stratifizierten Effekten, obwohl das Aggregat gerade wegen der Mischung heterogener Gruppen keine Aussagekraft mehr hat.

https://x.com/Jean__Fisch/status/1972041534188278018