Acaba de salir este reporte por el grupo de trabajo del Dr Denis Rancourt. Es un resumen, y al final está el enlace al artículo completo.
Este artículo fue sacado de globalresearch.ca y traducido automáticamente usando herramientas de software de Inteligencia Artificial.
Transcripción
Por el Prof. Denis Rancourt, Dra. Marine Baudin, Dr. Joseph Hickey y Dr. Jérémie Mercier
Investigación Global, 14 de septiembre de 2024
Resumen
Se estudiaron diecisiete países del hemisferio ecuatorial y del hemisferio sur (Argentina, Australia, Bolivia, Brasil, Chile, Colombia, Ecuador, Malasia, Nueva Zelanda, Paraguay, Perú, Filipinas, Singapur, Sudáfrica, Surinam, Tailandia, Uruguay), que comprenden el 9.10 % de la población mundial, el 10.3 % de las inyecciones de COVID-19 a nivel mundial (tasa de vacunación de 1.91 inyecciones por persona, de todas las edades), prácticamente todos los tipos y fabricantes de vacunas COVID-19, y abarcan 4 continentes.
En los 17 países, no hay evidencia en los datos de "mortalidad por todas las causas" (ACM por sus siglas en inglés) a lo largo del tiempo de ningún efecto beneficioso de las vacunas COVID-19. No hay asociación temporal entre la vacunación contra COVID-19 y ninguna reducción proporcional en ACM. Ocurre todo lo contrario.
Todos los 17 países presentan transiciones a regímenes de alta ACM, que ocurren cuando se despliegan y administran las vacunas COVID-19. Nueve de los 17 países no tienen exceso detectable de ACM aproximadamente un año después de que la Organización Mundial de la Salud (OMS) declaró una pandemia el 11 de marzo de 2020, hasta que se implementaron las vacunas (Australia, Malasia, Nueva Zelanda, Paraguay, Filipinas, Singapur, Surinam, Tailandia, Uruguay).
Se producen picos sin precedentes en ACM en el verano (enero-febrero) de 2022 en el hemisferio sur y en países de latitud ecuatorial, que son sincrónicos o inmediatamente precedidos por el rápido despliegue de dosis de refuerzo de la vacuna COVID-19 (3ª o 4ª dosis). Este fenómeno está presente en todos los casos con datos de mortalidad suficientes (15 países). Dos de los países estudiados tienen datos de mortalidad insuficientes en enero-febrero 2022 (Argentina y Surinam).
Los datos detallados de mortalidad y vacunación para Chile y Perú permiten la resolución por edad y por número de dosis. Es poco probable que los picos observados en mortalidad por todas las causas en enero-febrero de 2022 (y adicionalmente en: julio-agosto 2021, Chile; julio-agosto 2022, Perú), en cada uno de ambos países y en cada grupo de edad mayor, puedan deberse a cualquier causa distinta de los rápidos despliegues temporales de dosis de refuerzo de la vacuna COVID-19. Del mismo modo, es poco probable que las transiciones a regímenes de alta ACM, coincidentes con el despliegue y la administración sostenida de vacunas COVID-19, en los 17 países del hemisferio sur y de latitud ecuatorial, puedan deberse a cualquier causa diferente de las vacunas.
La sincronía entre los numerosos picos en ACM (en 17 países, en 4 continentes, en todos los grupos de edad mayor, en diferentes momentos) y los rápidos despliegues de refuerzos asociados permite esta firme conclusión sobre la causalidad, y la cuantificación precisa de la toxicidad de las vacunas COVID-19.
La tasa de letalidad por dosis de vacuna para todas las edades (vDFR), que es la razón de muertes inducidas por la vacuna inferidas respecto a las dosis de vacuna administradas en una población, se cuantifica para el pico de ACM de enero-febrero de 2022 en el rango de 0.02 % (Nueva Zelanda) a 0.20% (Uruguay). En Chile y Perú, el vDFR aumenta exponencialmente con la edad (duplicándose aproximadamente cada 4 años de edad), y es mayor para las últimas dosis de refuerzo, alcanzando aproximadamente el 5% en los grupos de edad de 90+ años (1 muerte por cada 20 inyecciones de la dosis 4). Resultados comparables ocurren en el hemisferio norte, como se encontró en artículos anteriores (India, Israel, EE. UU.).
Cuantificamos el vDFR general para todas las edades en los 17 países como (0.126 ± 0.004) %, lo que implicaría 17.0 ± 0.5 millones de muertes por vacunas COVID-19 en todo el mundo, de 13.50 mil millones de inyecciones hasta el 2 de septiembre de 2023. Esto correspondería a un evento iatrogénico masivo que mató al (0.213 ± 0.006) % de la población mundial (1 muerte por cada 470 personas vivas, en menos de 3 años), y no evitó de manera mensurable ninguna muerte.
El riesgo global de muerte inducido por la inyección con las vacunas COVID-19 en poblaciones reales, inferido del exceso de mortalidad por todas las causas y su sincronía con los despliegues, es globalmente generalizado y mucho mayor que el reportado en ensayos clínicos, monitoreo de efectos adversos, y estadísticas de causas de muerte a partir de certificados de defunción, por 3 órdenes de magnitud (mil veces mayor).
La gran dependencia de la edad y los altos valores del vDFR cuantificados en este estudio de 17 países en 4 continentes, usando todos los tipos y fabricantes principales de vacunas COVID-19, deberían inducir a los gobiernos a poner fin de inmediato a la política de salud pública sin fundamento de priorizar a los residentes ancianos para la inyección con vacunas COVID-19, hasta que se realicen análisis validados de riesgo-beneficio.
Introducción
La mortalidad por todas las causas a lo largo del tiempo es el dato más fiable para detectar y caracterizar epidemiológicamente eventos que causan muerte, y para evaluar el impacto a nivel poblacional de cualquier aumento o disminución en las muertes por cualquier causa.
Dichos datos pueden recopilarse por jurisdicción o región geográfica, por grupo de edad, por sexo, etc.; y no son susceptibles a sesgo de reporte ni a ningún sesgo en la atribución de causas de muerte en la propia mortalidad.
(Aaby et al., 2020; Bilinski y Emanuel, 2020; Bustos Sierra et al., 2020; Félix-Cardoso et al., 2020; Fouillet et al., 2020; Kontis et al., 2020; Mannucci et al., 2020; Mills et al., 2020; Olson et al., 2020; Piccininni et al., 2020; Rancourt, 2020; Rancourt et al., 2020; Sinnathamby et al., 2020; Tadbiri et al., 2020; Vestergaard et al., 2020; Villani et al., 2020; Achilleos et al., 2021; Al Wahaibi et al., 2021; Anand et al., 2021; Böttcher et al., 2021; Chan et al., 2021; Dahal et al., 2021; Das-Munshi et al., 2021; Deshmukh et al., 2021; Faust et al., 2021; Gallo et al., 2021; Islam, Jdanov, et al., 2021; Islam, Shkolnikov, et al., 2021; Jacobson y Jokela, 2021; Jdanov et al., 2021; Joffe, 2021; Karlinsky y Kobak, 2021; Kobak, 2021; Kontopantelis et al., 2021a, 2021b; Kung et al., 2021a, 2021b; Liu et al., 2021; Locatelli y Rousson, 2021; Miller et al., 2021; Moriarty et al., 2021; Nørgaard et al., 2021; Panagiotou et al., 2021; Pilkington et al., 2021; Polyakova et al., 2021; Rancourt et al., 2021a, 2021b; Rossen et al., 2021; Sanmarchi et al., 2021; Sempé et al., 2021; Soneji et al. 2021; Stein et al., 2021; Stokes et al., 2021; Vila-Corcoles et al., 2021; Wilcox et al., 2021; Woolf et al., 2021; Woolf, Masters y Aron, 2021; Yorifuji et al., 2021; Ackley et al., 2022; Acosta et al., 2022; Engler, 2022; Faust et al., 2022; Ghaznavi et al., 2022; Gobiņa et al., 2022; He et al., 2022; Henry et al., 2022; Jha et al., 2022; Johnson y Rancourt, 2022; Juul et al., 2022; Kontis et al., 2022; Kontopantelis et al., 2022; Lee et al., 2022; Leffler et al., 2022; Lewnard et al., 2022; McGrail, 2022; Neil et al., 2022; Neil y Fenton, 2022; Pálinkás y Sándor, 2022; Ramírez-Soto y Ortega-Cáceres, 2022; Rancourt, 2022; Rancourt et al., 2022a, 2022b; Razak et al., 2022; Redert, 2022a, 2022b; Rossen et al., 2022; Safavi-Naini et al., 2022; Schöley et al., 2022; Sy, 2022; Thoma y Declercq, 2022; Wang et al., 2022; Aarstad y Kvitastein, 2023; Bilinski et al., 2023; de Boer et al., 2023; de Gier et al., 2023; Demetriou et al., 2023; Donzelli et al., 2023; Haugen, 2023; Jones y Ponomarenko, 2023; Kuhbandner y Reitzner, 2023; Lytras et al., 2023; Masselot et al., 2023; Matveeva y Shabalina, 2023; Neil y Fenton, 2023; Paglino et al., 2023; Rancourt et al., 2023; Redert, 2023; Schellekens, 2023; Scherb y Hayashi, 2023; Šorli et al., 2023; Woolf et al., 2023).
Hemos reportado previamente varios casos en los que picos anómalos en la mortalidad por todas las causas (ACM) están temporalmente asociados con rápidos despliegues de dosis de vacuna COVID-19 y casos en los que el inicio de la campaña de vacunación contra COVID-19 coincide con el comienzo de un nuevo régimen de mortalidad elevada sostenida; en India, Australia, Israel, EE.UU., y Canadá, incluyendo estados y provincias (Rancourt, 2022; Rancourt et al., 2022a, 2022b, 2023).
Estos estudios nos permitieron hacer las primeras determinaciones cuantitativas de la tasa de letalidad por dosis de vacuna (vDFR), que es la razón de muertes inducidas por la vacuna inferidas respecto a las dosis de vacuna administradas en una población, basada en la evaluación del exceso de ACM en un período de tiempo dado, en comparación con el número de dosis de vacuna administradas en el mismo período de tiempo.
El valor para todas las edades y todas las dosis de vDFR fue típicamente aproximadamente del 0.05 % (1 muerte por cada 2,000 inyecciones), con un valor extremo del 1 % para el caso especial de India (Rancourt, 2022). Nuestro trabajo, utilizando datos extensos para Australia e Israel, también ha mostrado que el vDFR es exponencial con la edad (se duplica cada 5 años de edad), alcanzando aproximadamente el 1 % para mayores de 80 años (Rancourt et al., 2023).
El ejemplo más claro es el de un pico relativamente acusado de ACM que ocurre en enero-febrero de 2022 en Australia, que es sincrónico con el rápido despliegue de la tercera dosis de vacuna COVID-19 de Australia; ocurriendo en 5 de los 8 estados australianos y en todos los grupos de edad más ancianos (Rancourt et al., 2022a, 2023).
En contraste, a menudo uno debe lidiar con el efecto de confusión de la variación estacional intrínseca de ACM; sin embargo, en este caso para Australia, el citado pico de enero-febrero de 2022 ocurre en un momento del ciclo estacional intrínseco cuando debería haber un nivel bajo o un mínimo de verano (hemisferio sur) en ACM. No hay ejemplos previos de tal pico en el verano en el registro histórico de ACM para Australia (Rancourt et al., 2022a).
Pocas jurisdicciones nacionales tienen el tipo de datos extensos de mortalidad estratificados por edad y vacunación disponibles para Australia e Israel. Otras dos jurisdicciones de este tipo son Chile y Perú. Aquí, mostramos que Chile y Perú, al igual que Australia, tienen un pico relativamente agudo de ACM que ocurre en enero-febrero de 2022, que es sincrónico con el rápido despliegue de la cuarta dosis de Chile y la tercera dosis de Perú de la vacuna COVID-19, respectivamente, ocurriendo en todos los grupos de edad más ancianos.
Esta característica compartida entre Chile, Perú y Australia nos llevó a buscar más ejemplos del fenómeno del pico de ACM de enero-febrero de 2022 en el hemisferio sur y en regiones ecuatoriales. Los países ecuatoriales no tienen estaciones de verano e invierno y no presentan variaciones estacionales en sus patrones de ACM. Encontramos el mismo fenómeno en todos los lugares donde había datos disponibles (Australia, Bolivia, Brasil, Chile, Colombia, Ecuador, Malasia, Nueva Zelanda, Paraguay, Perú, Filipinas, Singapur, Sudáfrica, Tailandia, Uruguay), aunque incompleto para Bolivia y no tan distintivo para Nueva Zelanda. Aquí, informamos sobre esos hallazgos.
Datos
Las fuentes de datos de mortalidad y administración de vacunas se indican en el Apéndice A: Fuentes de datos de mortalidad y vacunación.
El Apéndice B: Ejemplos de datos de mortalidad por todas las causas y vacunación contiene ejemplos de los datos: mortalidad nacional ACM para todas las edades por tiempo (semana o mes), desde 2015 hasta 2023, y administración de vacunas para todas las edades y dosis por semana, utilizando escalas Y comenzando desde cero, para los 17 países considerados en el presente estudio: Argentina, Australia, Bolivia, Brasil, Chile, Colombia, Ecuador, Malasia, Nueva Zelanda, Paraguay, Perú, Filipinas, Singapur, Sudáfrica, Surinam, Tailandia, y Uruguay.
La Figura 1 muestra los 17 países considerados, en relación con el ecuador en un mapa mundial.
Figura 1: Mapa mundial que muestra los 17 países considerados en el presente estudio, en relación con el ecuador y los trópicos ― Argentina, Australia, Bolivia, Brasil, Chile, Colombia, Ecuador, Malasia, Nueva Zelanda, Paraguay, Perú, Filipinas, Singapur, Sudáfrica, Surinam, Tailandia, y Uruguay.
Método para Detectar Transiciones Temporales a Regímenes de Alta Mortalidad por Todas las Causas Implementamos el siguiente método, desarrollado por uno de nosotros (JH), para detectar cambios de régimen en los datos de ACM por tiempo (día, semana, mes, trimestre).
Se está interesado en detectar transiciones en el tiempo (a medida que se avanza desde un período histórico estable) hacia regímenes de ACM "más altos de lo habitual" o "más altos de lo reciente", que pueden estar asociados con la declaración de una pandemia o con el despliegue de vacunas. Aunque el ojo entrenado puede detectar tales transiciones en los datos brutos de ACM por tiempo, es útil aplicar una transformación estadística, diseñada para eliminar en gran medida la dificultad de las variaciones estacionales en ACM, que ocurren en los países no ecuatoriales.
Dado que el período dominante de las variaciones estacionales en ACM es de 1 año, y ya que deseamos detectar cambios hacia adelante en el tiempo, adoptamos el siguiente enfoque. Aplicamos un promedio móvil de 1 año hacia atrás a los datos de ACM por tiempo. Cada punto en el tiempo del promedio móvil de 1 año hacia atrás es simplemente el promedio de ACM para el año que termina en ese punto en el tiempo, y graficamos este promedio móvil por tiempo. Los cambios de régimen de ACM aparecen entonces como rupturas (en pendiente o valor) en el promedio móvil por tiempo.
Tenga en cuenta que el método del promedio móvil de 1 año hacia atrás produce un artefacto significativo pero fácilmente discernible: picos relativamente grandes y agudos en ACM dan lugar a caídas artificiales en el promedio móvil un año después (más tarde que) de dichos picos relativamente grandes y agudos en ACM.
Métodos para Cuantificar vDFR a partir de la Mortalidad por Todas las Causas 4.1 Línea de base de tendencia histórica para un período (o pico) de mortalidad (Método 1)
Nuestro primer método (Método 1) para la cuantificación de vDFR por grupo de edad (o todas las edades) y por número de dosis de vacuna (o todas las dosis) es el siguiente (Rancourt et al., 2022a, 2023), mejorado aquí para ajustarse a efectos estacionales sistemáticos:
i. Graficar el ACM por tiempo (día, semana, mes) para el grupo de edad (o todas las edades) en una gran escala de tiempo, incluyendo los años anteriores a la declaración de la pandemia.
ii. Identificar la fecha (día, semana, mes) del inicio del despliegue de la vacunación (despliegue de la primera dosis) para el grupo de edad (o todas las edades).
iii. Notar, para consistencia, que el ACM experimenta un aumento escalonado a valores mayores cerca de la fecha del inicio del despliegue de la vacunación.
iv. Integrar (sumar) el ACM desde el inicio del despliegue de la vacunación hasta el fin de los datos disponibles o el final de las vacunaciones (todas las dosis), lo que ocurra primero. Esta es la ventana de integración básica utilizada en el cálculo, fechas de inicio a fin.
v. Aplicar esta ventana y esta integración sobre períodos sucesivos y no superpuestos de igual duración, retrocediendo tanto como los datos lo permitan.
vi. Iniciar cada nueva ventana de integración en el mismo punto del ciclo estacional que el inicio de la ventana de integración básica para el período de vacunación, incluso si esto introduce brechas entre períodos de integración sucesivos.
vii. Graficar los valores de integración resultantes vs. tiempo, y notar, para consistencia, que el valor tiene un movimiento hacia arriba, claramente discernible de la tendencia o valores históricos, para el período de vacunación.
viii. Extrapolar la tendencia histórica de los valores integrados hacia el período de vacunación. La diferencia entre los valores integrados de ACM medidos y extrapolados (predicho por la tendencia histórica) en el período de vacunación es el exceso de mortalidad asociado con el período de vacunación.
ix. En la práctica, la extrapolación se logra ajustando una línea recta a los puntos de integración elegidos del período previo a la vacunación.
x. Si hay muy pocos puntos disponibles para la extrapolación, dando una incertidumbre demasiado grande en la pendiente ajustada, se impone una pendiente de cero, lo que equivale a usar un promedio de los valores recientes. En algunos casos, incluso un solo punto (generalmente el punto para la ventana de integración inmediatamente anterior) puede utilizarse.
xi. El error en el valor extrapolado es con mayor frecuencia la fuente de error predominante en la mortalidad excesiva calculada. Estimar el "error de exactitud" en el valor extrapolado como la desviación media de la diferencia del valor absoluto con la línea ajustada (media de los valores absolutos de los residuos) para los puntos elegidos del ajuste. Este error es una medida de las variaciones del período de integración de todas las causas en una región cercana que tiene una tendencia lineal asumida.
xii. El mencionado "error de exactitud" es generalmente mayor que el "error de precisión" (o error estadístico) en el valor extrapolado, ya que representa la variabilidad año a año de la ACM integrada en la ventana de integración en los años anteriores a los períodos de Covid o vacunación.
xiii. Si hay muy pocas ventanas de integración en los años normales disponibles antes del pico o región de interés para obtener una buena estimación de la variabilidad histórica año a año, o si los errores estadísticos en los valores integrados son relativamente grandes, entonces hacer uso de los errores estadísticos para obtener la mejor estimación de la incertidumbre necesaria.
xiv. Aplicar la misma ventana de integración (fechas de inicio a fin durante la vacunación) para contar todas las dosis de vacuna administradas en ese período.
xv. Dependiendo de las circunstancias particulares en los datos, puede ser necesario utilizar diferentes límites de integración (diferentes ventanas) para el ACM y para la administración de vacunas. No vimos la necesidad de esto, y no intentamos implementar o probar tal optimización.
xvi. Definir vDFR = (exceso de mortalidad del período de vacunación) / (dosis de vacuna administradas en el mismo período de vacunación). Calcular la incertidumbre en vDFR utilizando el error estimado en el exceso de mortalidad del período de vacunación.
El mismo método se adapta a cualquier región de interés (como un pico en ACM) de duración subanual, trasladando la ventana de integración (de la región de interés) un año hacia atrás por incrementos.
El método descrito anteriormente es robusto e idealmente adaptado a la naturaleza de los datos de ACM. El ACM integrado generalmente tendrá un pequeño error estadístico.
Una ventana de integración extensa en el tiempo (por ejemplo, para todo el período de vacunación) elimina en gran medida la dificultad derivada de las variaciones estacionales intrínsecas; y esta dificultad se resuelve aún más al iniciar cada nueva ventana de integración en el mismo punto del ciclo estacional que el inicio de la ventana de integración básica para el período de vacunación (punto-vi, arriba).
La tendencia histórica se analiza sin introducir supuestos o incertidumbres de modelo más allá de asumir que la tendencia cercana puede ser modelada por una línea recta, cuando esté justificado por los propios datos. Tal análisis, por ejemplo, tiene en cuenta los cambios año a año en el tamaño de la cohorte de grupos de edad que surgen de la estructura de edad de la población. La única suposición es que una tendencia cercana lineal local para la población no perturbada (no perturbada en términos de ACM) es realista.
Mientras que el método anterior está diseñado para casos (jurisdicciones) en los que no hay evidencia en los datos de ACM de mortalidad causada por factores distintos al despliegue de vacunas, como las medidas de Covid (protocolos de tratamiento, imposiciones sociales, aislamiento, etc.; ya que no ocurre exceso de mortalidad en el período de pre-vacunación del período de Covid), puede adaptarse fácilmente a casos en los que la mortalidad en el período de vacunación está confundida por factores causales adicionales del período de Covid que no pueden descartarse.
Un enfoque es simplemente adaptar el método anterior a años calendario, independientemente de si ocurre exceso de mortalidad antes de los despliegues de vacunas de COVID-19. Se obtiene el exceso de ACM por año calendario, en relación con el valor esperado de la tendencia histórica deducida mediante extrapolación lineal de un rango elegido de valores de ACM anual para < 2020 (para los años anteriores a 2020, cuando se hizo el anuncio de una pandemia el 11 de marzo de 2020). Luego se compara el exceso de ACM para 2020 y para 2021. En muchos (la mayoría) de los países, esencialmente no hubo vacunación COVID-19 en 2020, y un despliegue rápido esencialmente comenzó en enero de 2021.
Caso Especial de un Único Punto Integrado Histórico (Método 2)
En los casos en los que no es posible o práctico obtener más de un valor de integración para la extrapolación necesaria (pasos v a ix, arriba), en lugar de asumir una pendiente cero para la extrapolación (paso x, arriba), puede aplicarse el siguiente segundo método (Método 2).
Si Y(−1) es el único punto integrado histórico, entonces simplemente tomar el valor extrapolado necesario, Y(0), como:
Y(0) = Y(−1) + m ΔT W (1) donde m es la pendiente del mejor ajuste lineal a través del original ACM por unidad de tiempo (día, semana, mes...) contra la unidad de tiempo numerada, ΔT es el número de unidades de tiempo entre Y(0) y Y(−1) (es decir, entre el inicio de la ventana de integración Y(0) y el inicio de la ventana de integración Y(−1)), y W es el ancho inclusivo de la ventana de integración en número de unidades de tiempo.
Esto supone que el ACM por tiempo varía en línea recta, a pesar de las variaciones estacionales, en el segmento cercano utilizado para obtener el mejor ajuste lineal.
El exceso de mortalidad resultante para la ventana de integración o período, xACM(0), es entonces:
xACM(0) = ACM(0) − Y(0) (2) donde ACM(0) es el ACM integrado en el período de interés.
El error estadístico (desviación estándar) en xACM(0) se da entonces por:
sig(xACM(0)) = sqrt [ ACM(0) + Y(−1) + (ΔT W sig(m))2 ] (3) donde sig(m) es el error estadístico nominal en m.
Si no hay variación estacional en ACM, como ocurre en jurisdicciones de latitudes ecuatoriales, entonces sig(m) es el error estadístico real en m. Con variaciones estacionales en ACM, sig(m) extraído del ajuste por mínimos cuadrados a una línea recta no tiene un significado simple. En este caso, sig(m) incorporará incertidumbre derivada de variaciones estacionales, y aumenta con el incremento de la amplitud de la variación estacional.
Aplicación de los Métodos a los Países Específicos
Los parámetros para aplicar los métodos (Métodos 1 y 2) a los datos se presentan en el Apéndice C: Información técnica y específica para aplicaciones de los métodos a los datos.
El Informe Completo puede descargarse aquí:
https://correlation-canada.org/wp-content/uploads/2023/09/2023-09-17-Correlation-Covid-vaccine-mortality-Southern-Hemisphere-cor.pdf
Entradas
