Mortalidad en Ucrania en los últimos 25 años: ¿Cuántas muertes podrían haberse evitado | VoxUcrania

He estado preguntando a todos: Muéstrame los datos de mortalidad por todas las causas que demuestran que las vacunas son seguras. Finalmente obtuve algunos datos. Es del gobierno del Reino Unido y es devastador. REALMENTE devastador.

Steve Kirsch

 

Visión general

Los nuevos datos del gobierno del Reino Unido nos permiten analizar los datos de una manera que antes no podíamos. Este nuevo análisis muestra claramente que las vacunas COVID matan a más personas de las que ahorran para todos los grupos de edad. En otras palabras, no deberían ser utilizados por nadie. Cuanto más joven eres, menos sentido tiene.

Cualquiera puede validar los datos y la metodología. Los resultados dejan claro que las vacunas contra la COVID deben detenerse de inmediato.

Ni una sola autoridad de salud pública en ningún país tendrá una conversación con nosotros en el registro para justificar sus recomendaciones de vacunas o explicar cómo este análisis es incorrecto. Me pregunto por qué.

Qué muestran los datos

Aquí está el resultado del análisis que compara las dosis no vacunadas frente a las dosis 2 administradas hace al menos 6 meses. Creo que este análisis es conservador y los números reales son peores que esto debido a la variación estacional de la mortalidad por todas las causas.

 

Figura 1. La determinación de riesgo/beneficio de los datos del Reino Unido muestra que para todas las edades, las vacunas matan a más personas de las que ahorran. Un valor de 15 significa que matamos a 15 personas por la vacuna para salvar 1 vida de COVID. Esto es desde la pestaña Resumen del ejecutivo de la hoja de cálculo.

Lo que esto significa es que si tienes 25 años, la vacuna mata a 15 personas por cada persona que salva de morir por COVID. Por debajo de los 80 años, cuanto más joven eres, más absurda es la vacunación. Las células con * significa que la vacuna en realidad causó más casos de COVID que los no vacunados.

Por encima de 80, los datos del Reino Unido estaban demasiado confundidos para ser útiles. Hasta que no tengamos esos datos, es irresponsable hacer una recomendación.

Describo a continuación cómo puede calcular esto usted mismo a partir de los datos del Reino Unido.

Por favor, comparta este resultado en todas sus plataformas de redes sociales. Un usuario obtuvo 10.000 me gusta en menos de 24 horas en Twitter y solo tenía 2.000 seguidores. Así que Twitter suspendió permanentemente su cuenta. Así que probablemente no sea una buena idea para compartir en Twitter. Según Twitter, "los funcionarios de salud consideran que las vacunas COVID-19 son seguras para la mayoría de las personas" y, por lo tanto, cualquier dato del gobierno del Reino Unido que demuestre que están mintiendo es una violación de las Normas comunitarias de Twitter.

Introducción

Uno de mis amigos me envió recientemente un enlace a los datos de mortalidad de la Oficina de Estadísticas Nacionales del gobierno del Reino Unido desde el 1 de enero de 2021 hasta el 31 de enero de 2022. No había visto estos datos antes, así que los analicé.

Lo que encontré fue absolutamente impresionante porque era consistente con el análisis de riesgo-beneficio de VAERS por edad que había hecho en noviembre de 2021.

Dónde obtener los datos de origen del gobierno del Reino Unido

Los datos del gobierno se archivan aquí. Desea abrir la hoja de cálculo y mirar la pestaña de la hoja de cálculo etiquetada tabla 6.

También puede acceder a la fuente original en: https://www.ons.gov.uk/peoplepopulationandcommunity/birthsdeathsandmarriages/deaths/datasets/deathsbyvaccinationstatusengland que puede ver en la parte superior de la página.

En cualquier caso, haga clic en el botón verde etiquetado "xlsx" para obtener la hoja de cálculo, luego vaya a la pestaña "Tabla 6":

 

Para visualizarlo, vea este tweet.

Nota: Los datos son solo de Inglaterra, no de todo el Reino Unido.

Dónde obtener mi análisis de los datos

Anoté los datos de origen del Reino Unido y puede descargarlos aquí. Esto hace que sea más fácil ver lo que está pasando. Puede ver todos los datos originales y mis fórmulas para calcular los ratios ACM y el análisis de riesgo-beneficio en la pestaña Tabla 6.

Todo está a la vista para que todos lo vean. A continuación, copié los valores en las pestañas Resumen y Resumen de exec.

Metodología

Comparé la mortalidad por todas las causas (ACM) para las personas que recibieron 2 inyecciones hace al menos 6 meses con las no vacunadas. El marco de tiempo de 6 meses proporciona una "pista" mínima razonable para observar los resultados para la persona típica "completamente vacunada".

Lamentablemente, los datos proporcionados por el Reino Unido no son utilizables para hacer un análisis adecuado de riesgo-beneficio. Un análisis adecuado compara dos grupos iguales donde la única diferencia es que un grupo recibió la intervención y el otro grupo no. Cada persona en cada grupo debe comenzar a ser rastreada el 1 de enero y terminar siendo rastreada un año después.

Los datos del Reino Unido son completamente inadecuados para este propósito porque cada una de las filas captura datos de diferentes personas en diferentes meses a partir de diferentes momentos. Este es un punto sutil pero extremadamente importante.

Por lo tanto, nuestro objetivo en este análisis es tratar de extraer datos de este conjunto de datos para llegar a la mejor estimación más razonable en el número real.

Resumen de los datos

Este resumen a continuación (que coloco en la pestaña Resumen que se encuentra a la derecha de la pestaña Tabla 6) muestra las tasas de mortalidad por todas las causas por 100,000 personas-año para cada rango de edad y también muestra la relación riesgo-beneficio.

 


Figura 2. Un resumen de los cálculos a partir de los datos del Reino Unido. Esto se muestra en la pestaña Resumen de mi hoja de cálculo.

Aquí está la leyenda de cada columna:

  1. A: rango de edad para la fila

  2. B: Tasa de ACM para unvaxxed

  3. C: Tasa de ACM para vaxxed

  4. D: Cálculo de riesgo-beneficio que es # vidas no COVID perdidas debido a la vacuna / # de vidas COVID salvadas por la vacuna. Esta es la mejor métrica para justificar el uso de una intervención. Cuanto mayor es este número, menos sentido tiene la intervención. Un valor >1 significa que nunca se debe utilizar la intervención. Las células con * significa que la vacuna en realidad causó más casos de COVID que los no vacunados. Nota: debe ver la hoja de cálculo completa para ver los datos utilizados para calcular este número. No puede hacerlo a partir de los datos de resumen en esta pantalla.

  5. E: ACM de vaxxed/ACM unvaxed, es decir, Columna C/ Columna
    B. Un valor >1 significa que la intervención nunca debe usarse, ya que está costando vidas. Esta es una medida cruda de la efectividad de una intervención como explicamos a continuación.

  6. F: % de muertes por ACM debido a COVID, es decir, la fracción de todas las muertes por ACM causadas por COVID.

Los datos muestran claramente que cualquier beneficio de mortalidad que obtenga al tomar la vacuna y reducir su riesgo de muerte por COVID está más que compensado por la mortalidad que pierde con la vacuna en sí. Esto no es nuevo. Es algo que vengo diciendo desde mayo de 2021. Pero ahora finalmente encontré los datos donde pude calcularlos de manera confiable.

En el ensayo de fase 3 de Pfizer, hubo un aumento del 40% en la ACM en el grupo vacunado. ¡Mataron a unas 7 personas por cada persona que salvaron de COVID!

En el ensayo de fase 3 de Pfizer, hubo un total de 21 muertes en el grupo de vacuna y 15 muertes en el grupo de placebo.

Este aumento del 40% en la mortalidad por todas las causas en el ensayo (21/15 = 1,4) fue, por supuesto, descartado por no ser estadísticamente significativo. Si bien eso es cierto, eso no significa que no debamos prestar atención al número.

Pero ahora, basándonos en los datos del Reino Unido, sabemos que el resultado en el ensayo de Fase 3 no fue una casualidad estadística. De nada.

De hecho, si observamos el beneficio de riesgo, vemos que salvamos 1 vida por morir por COVID (1 muerte por COVID en el grupo de tratamiento frente a 2 muertes por COVID en el grupo placebo = 1 vida salvada), pero hubo 7 muertes no RELACIONADAS CON COVID en exceso (20 - 13).

Entonces, el ensayo de Pfizer mostró que por cada persona que salvamos de COVID, matamos a 7 personas. Sin embargo, los números eran demasiado pequeños para depositar una alta confianza en esta estimación puntual.

Sin embargo, yo diría que el ensayo de Pfizer fue el mejor caso porque:

  1. El ensayo incluyó a personas anormalmente sanas que murieron a una tasa 10 veces menor que la población (hay una tasa de mortalidad promedio del 1% en los Estados Unidos por año, sin embargo, solo hubo 15 muertes en el brazo de placebo de 22,000 en 6 meses, que es una tasa de mortalidad del .1%)

  2. Pudieron deshacerse de cualquier persona que tuviera una reacción a la primera dosis sin contarlos.

Sin embargo, el punto más importante es que el ensayo de Pfizer mató: ahorro de 7: 1 y la relación ACM de 1.4 es consistente con la hipótesis de que la vacuna mata a más personas de las que salva.

Mi estimación de riesgo/beneficio de ACM usando VAERS

Esto es de un cálculo de riesgo / beneficio que hice el 1 de noviembre de 2021 utilizando los datos de VAERS para calcular la proporción del número de personas muertas por la vacuna (V) y el número de personas que podrían salvarse de COVID (C) si tomaran la vacuna y tuviera una efectividad del 90% durante 6 meses (ya que sabíamos que disminuyó con el tiempo y las variantes cambiarían). Por supuesto, esa fue una estimación conservadora del beneficio, pero eso es porque quería asegurarme de que estaba en tierra firme si era atacado.

Así que ahora sabemos que mis cálculos de VAERS coinciden aproximadamente con los datos reales del Reino Unido en la Figura 1. Dado que mi análisis fue deliberadamente conservador, muchos de los números son más pequeños que los reales.

Este es otro ejemplo de que las personas que afirman (sin evidencia) que los datos de VAERS son demasiado "poco confiables para usar" están equivocados. Si es tan poco confiable, ¿cómo coincidió tan bien con los resultados del reino unido del mundo real?

 

Figura 3: Análisis de riesgo-beneficio de VAERS

Observe cómo ese VAERS mostró exactamente el mismo efecto en ese entonces que acabamos de aprender de estos datos del Reino Unido: que cuanto más joven eres, más absurdo es vacunarse.

Nuestra columna V:C disminuye a medida que envejece (de 6:1 a 1.8:1) al igual que la columna E disminuye (de 1.9:1 a 1:1 en el mismo rango) en la Figura 2.

¿No es eso una "coincidencia" interesante? Están dentro de un factor de 3 entre sí.

Confirmación de otros

No soy la única persona que señala que las vacunas COVID matan a más personas de las que salvan. Otros artículos no muestran ningún beneficio en absoluto o un beneficio negativo.

Por ejemplo, echa un vistazo:

Figura 4. Tabla del artículo de Dinamarca publicado como preprint en The Lancet

  1. El 99.6% de las muertes por COVID en Canadá fueron entre personas completamente vacunadas entre el 10 y el 17 de abril, lo que solo puede suceder si los vacunados tienen un gran ACM que los no vacunados, ya que solo hay una tasa de vacunación del 86% en Canadá. Esto es difícil de explicar para cualquiera.

  2. Mortalidad general completamente vacunada 6 veces mayor que la no vacunada (30 de octubre de 2021)

  3. El seguimiento de los participantes del ensayo no encontró "ningún efecto sobre la mortalidad general"

     
  4. Horowitz: El fracaso de las tomas de ARNm está en exhibición para todos con los ojos abiertos

Tenga en cuenta que el artículo de Dinamarca (prepublicado en The Lancet) mostró un beneficio general cero en la mortalidad por todas las causas basado en datos de ensayos clínicos. Eso es ciertamente más optimista que los números del Reino Unido, pero el problema para los fabricantes de vacunas es que los números del Reino Unido mostraron que hasta el 38% de las muertes fueron por COVID, por lo que si las vacunas realmente funcionaran y fueran seguras, vería un gran beneficio de ACM y no vio nada.

¿Por qué estamos exigiendo una vacuna con un beneficio cero de ACM? Ningún funcionario de salud pública quiere responder preguntas sobre eso.

¿Qué hace que este análisis sea diferente del trabajo anterior?

El conjunto de datos utilizado aquí contiene muertes por COVID y no COVID por edad. No hemos tenido eso antes.

Esto nos permite, por primera vez, validar los datos como explicamos en el siguiente apartado. Esto es crítico porque, como dije antes, los datos que tenemos no son utilizables para hacer un análisis adecuado de riesgo-beneficio, por lo que tenemos que extraer los datos más cercanos a los razonables disponibles.

Estos datos son más detallados que en los resúmenes de la Agencia de Seguridad Sanitaria del Reino Unido más citados, y nos permiten hacer una estimación creíble.

Por qué elegí la fila de 2ª toma de 6 meses solamente

Como señalé al principio, los datos que se nos proporcionan no son ni de lejos ideales para hacer un análisis de riesgo-beneficio adecuado, ya que no está siguiendo a dos grupos desde el mismo principio hasta el mismo fin, con la única diferencia en los grupos que es la intervención.

Así que tenemos que hacer lo mejor que podamos.

Es importante hacer comprobaciones de cordura en los datos que seleccionamos para asegurarnos de que nuestros datos seleccionados no estén confundidos.

En particular, las tasas de mortalidad por todas las causas (MCA) para las muertes NO COVID en las cohortes vacunadas deben ser las mismas que las tasas para los no vacunados para una vacuna perfectamente segura; debería ser más alto con seguridad para esta vacuna, como sabemos por VAERS; tenemos más de 10 formas de demostrar que esta vacuna AUMENTA significativamente su ACM no COVID.

Por lo tanto, cada vez que la ACM no COVID es menor para los vacunados que para los no vacunados en cualquier cohorte de edad, los datos no son confiables (ya sea corruptos o gravemente confundidos, por ejemplo, por temporada). No hay forma de "ajustar" estos datos porque no tenemos ni idea de cuál era la mezcla mensual. Otros también notaron esto; sin poder ajustar los datos, obtenemos resultados sin sentido.

Dado que queremos comparar el unvaxed con la línea de base totalmente vaxxed 2 dosis, tenemos 3 filas para elegir. El candidato más obvio para elegir es la fila donde se dio el 2º disparo hace al menos 6 meses. Esto proporciona la coincidencia estacional más cercana a los no vacunados que tienen un gran peso en el período de enero a mayo.

Podemos mirar el ACM no COVID para que podamos verificarlo y pase. Los vacunados tienen un ACM no COVID más alto tal como esperábamos. Las otras filas no muestran que están demasiado confundidas para ser utilizadas y es imposible "ajustarlas" ya que carecemos de los datos para hacerlo.

Del mismo modo, no podemos agregar los datos de la dosis 1 porque eso está demasiado confundido y no pasa nuestro control de cordura. Si tuviéramos una primera dosis hace al menos 7 meses, probablemente podríamos haber utilizado esos datos. Pero no nos dieron esos datos, así que no podemos usarlos.

Así que esa es la razón por la que me centré en las 2 dosis >6 meses seguidos porque pasó el control de cordura para todas las edades menores de 80 años.

Si ignoré el control de cordura e incluyo todos los datos para los vacunados en el informe del Reino Unido, entonces las vacunas son maravillosos salvavidas, pero SOLO si tiene 25 años o más. La vacuna evitará que muera de cáncer, accidentes automovilísticos, etc., especialmente si es anciano. Es como una fuente de juventud para los ancianos si haces eso. Lo cual no concuerda en absoluto con la realidad en la que los directores de funerarias como John O'Looney no podían creer cuántas llamadas recibía de ancianos que habían muerto cuando se lanzaron los pinchazos. El punto es simple: datos de basura dentro, datos de basura fuera.

Por lo tanto, si usa los otros datos, debe asegurarse de haber corregido correctamente los datos antes de usarlos en cualquier cálculo. Esto es imposible de hacer porque no tenemos el detalle para hacer los ajustes adecuados. Pero si crees que estoy equivocado al respecto, eres más que bienvenido a publicar tus normalizaciones y mostrarnos una estimación más precisa que lo que hice aquí.

Aquí hay una explicación más profunda de la confusión debido al sesgo de los sobrevivientes que explica por qué estos conjuntos de datos no se construyen para nuestros propósitos.

¿Podría mi control de cordura estar equivocado porque la vacuna es realmente capaz de evitar que mueras de todas las enfermedades y también de accidentes? No es posible. VAERS estaría vacío si este medicamento redujera los eventos adversos y los médicos informaran que las personas mayores se curan de la enfermedad. En lugar de informes de eventos adversos, los médicos presentarían Informes de Eventos Beneficiosos (BER) después de la vacunación.

He escrito sobre este supuesto efecto de "fuente de juventud" el 12 de noviembre de 2021.

¿Deberían los mayores de 80 años recibir la inyección?

Mi análisis VAERS dijo que no.

Los datos anecdóticos de los hogares de ancianos de los denunciantes dicen que no (ver diapositivas 53 a 59). Esto incluye Abrien Aguirre en Oahu, el hogar de ancianos Sunnycrest en Canadá, y la experiencia de John O'Looney, y la experiencia de los embalsamadores donde la mayoría de los cuerpos embalsamados tienen coágulos de sangre reveladores causados por la vacuna.

Basado en el ajuste de la curva, no se ve bien para los ancianos, para ninguno de los dos (consulte este comentario del lector para obtener más detalles).

El conjunto de datos del Reino Unido utilizado en este artículo estaba demasiado confundido para usarlo, ya que la tasa de ACM no COVID para los vacunados era más baja que la de los vacunados, por lo que no cumplió con el control de cordura.

Entonces, si tuviera más de 80 años, no recibiría la inyección hasta que viera datos confiables y autoconsistentes que mostraran un claro beneficio de múltiples fuentes independientes. ¿Has visto algo de eso últimamente?

Relación ACM vs. análisis de riesgo/beneficio

Ahora que tenemos los conceptos básicos fuera del camino, quiero explicar con mayor detalle la diferencia entre la relación ACM y el número de riesgo / beneficio y por qué este último es en lo que deberíamos centrarnos.

Por ejemplo, Toby Rogers estimó que matamos a 117 niños por la vacuna COVID por cada niño que podríamos salvar de morir de COVID en el rango de edad de 5 a 11 años.

Aquí, en una cohorte aún mayor (10 a 14), encontramos que es de 1600 a 1. El problema con este rango de edad joven es que hay tan pocas muertes, que hay mucho ruido estadístico ya que el denominador es tan pequeño (cerca de 0). Pero los datos del Reino Unido mostraron claramente que vacunar a los niños menores de 20 años es una locura. Discutir si es 117 o 1600 es como reorganizar las tumbonas en el Titanic. Simplemente di "no".

Aquí hay un ejemplo simple para ilustrar la diferencia entre la relación ACM y el análisis de riesgo-beneficio:

  1. Supongamos que 100 personas por cada 100,000 mueren por año normalmente en un grupo de edad en particular.

  2. Tenemos una vacuna que salva 1 vida por persona, pero mata a 10. Esa es una intervención pésima porque mata a 10 veces más personas de las que salva.

  3. Pero si comparamos las tasas de ACM de los dos grupos, tendríamos 100 en el grupo no vacunado y 109 personas muertas en el grupo vacunado. Por lo tanto, la relación ACM solo sería de 1.1, un aumento del 10%. Pero el riesgo/beneficio es 10:1 más riesgo que beneficio.

Así que es por eso que la relación riesgo-beneficio es el número a tener en cuenta, no la relación de los ACM de cada grupo.

Intentos de desacreditar esto

El profesor Jeffrey Morris tiene la explicación en su publicación de blog, "Artefactos de datos de muerte del Reino Unido: "Rezagados" que retrasan las dosis de la vacuna un grupo selecto con mayor riesgo de muerte".

David Wilson, también conocido como "Debunk the Funk", citó el artículo de Morris cuando le pedí que desacreditara este artículo. No se proporcionó ninguna otra explicación.

Morris afirma que las personas que se vacunan tarde tienen tasas de mortalidad más altas.

Para las personas de segunda dosis, puede elegir entre una de las tres opciones:

  1. >6 meses atrás (el "más rápido")

  2. hace 21 días a 6 meses (el "medio")

  3. <21 days ago ("los rezagados")

¿Adivina qué fila elegí para el análisis? Las personas que fueron las más prontas, no los rezagados.

Hasta aquí el intento de desacreditar con la mano. No me impresionó. No me impresionó Debunk the Funk y tampoco me impresionó el análisis de Morris.

El argumento adecuado para "desacreditar" es que debido a que los datos del Reino Unido no son apropiados para el cálculo de riesgo-beneficio, los resultados no serán precisos. Sí, así es y estoy de acuerdo. Solo estaba tratando de hacer una mejor estimación.

Entonces, si desea desacreditarme, muéstrenos cómo, utilizando exactamente el mismo conjunto de datos, puede obtener una estimación más precisa del valor "verdadero". Soy escéptico de que alguien pueda hacer eso, pero estoy abierto a que se me muestre una mejor manera.

Mi resultado es muy consistente con otros puntos de datos independientes confiables que conozco. Pero puedo ver cómo otros pueden crear FUD sobre el resultado aquí diciendo "mira hacia allá". Mi contrapartida a su argumento es que por favor muéstrenos la forma CORRECTA de haber utilizado estos datos para hacer la mejor estimación.

Puede hacer algo peor que este análisis; eso es fácil

Por ejemplo, esta tabla del artículo de Morris también es del conjunto de datos del Reino Unido, e indica que está mucho mejor si tiene el vax.

 

Figura 5. Tabla del artículo de Morris

El problema es que las tasas de mortalidad que son tan bajas como el 20% de la tasa de mortalidad no eliminada (como se señala en esta tabla) no coinciden con la realidad, como el aumento de hasta 21 veces las muertes de atletas (enero de 2021 frente a enero de 2022) que podemos ver a plena vistaNadie ha sido capaz de explicar los datos de los atletas, ni siquiera el profesor Glen Pyle. Si bien los datos del gobierno pueden ser manipulados, las muertes de atletas no pueden ser manipuladas porque son públicas. ¿En cuál confías más? Claramente, los datos que están a plena vista del público.

Además, en la Tabla 3 de los datos del Reino Unido, dice que si ha sido vacunado con COVID, tiene cerca de la mitad de la tasa de mortalidad de ACM no COVID que la de los no vacunados (compare E23 con E31).

En otras palabras, según los datos del gobierno del Reino Unido, la vacuna es una fuente de juventud porque reducirá su ACM no COVID en un factor de 2. Simplemente no es creíble. No hay ningún mecanismo de acción que pueda hacer eso y es de esperar que los informes de VAERS (y los informes de médicos individuales) sean todos más bajos que las vacunas anteriores en todas las categorías en lugar de fuera de los gráficos.

Además, si las vacunas COVID redujeran la ACM no COVID en 2 veces, el gobierno estaría gritando esto desde los tejados como una cura milagrosa para todas las enfermedades. No lo son. Están en silencio. ¿Qué te dice eso? Le dice que el gobierno del Reino Unido es lo suficientemente inteligente como para darse cuenta de que los datos están confundidos y que no puede hacer tales evaluaciones: no puede decir que es seguro y no puede decir que es peligroso.

La Figura 5 anterior también es inconsistente con la alta tasa de muertes completamente vacunadas de Canadá, la gran cantidad de informes vaers, los informes de médicos individuales de 100 veces o más de aumento en los eventos adversos después de la vacunación, los grupos de Facebook con cientos de miles de víctimas de vacunas, el enorme aumento en las muertes de atletas, el 75% de los radiólogos de UCSF / Marin que rechazaron el refuerzo, etc.

Limitaciones

Aquí hay algunas limitaciones para usar los datos del Reino Unido cortesía de Martin Kulldorff, siendo la más importante la primera.

¿Esto me hace dudar de los resultados? No. Elegí específicamente la fila que hice para minimizar estos factores de confusión. Estas limitaciones significan que mis resultados son conservadores (porque el sesgo de estacionalidad de los vacunados aumenta su ACM no COVID). También tenemos demasiados puntos de confirmación del mundo real que no podrían explicarse si la vacuna fuera beneficiosa (consulte mi lista de preguntas).

  1. Estacionalidad: En Inglaterra, la mortalidad por todas las causas es altamente estacional, al igual que la mortalidad por COVID y las vacunas contra covid. Esto crea un sesgo en el análisis. Hay mucho más tiempo de persona no vacunada durante la primera parte de 2021, mientras que hay mucho más tiempo de persona D2 de más de 6 meses en las últimas partes de 2021 y enero de 2022. Para ajustar este sesgo, en cualquier dirección que vaya, es necesario ajustar el tiempo del calendario. Dependiendo de los datos, eso se puede hacer de diferentes maneras. Tenga en cuenta que este sesgo afecta los resultados de manera diferente para diferentes grupos de edad, tanto porque el despliegue de la vacuna varió según el grupo de edad como porque los patrones de mortalidad estacional pueden diferir según la edad.

  2. Eficacia negativa en COVID: La eficacia negativa en la mortalidad por COVID en los grupos de edad de 30-34 y 40-44 años (las filas *) puede parecer contradictoria, pero hay una explicación probable. El mismo fenómeno se observó en un análisis reciente del estado de Nueva York de las vacunas COVID en niños. En ese estudio, la vacuna fue efectiva para prevenir el COVID sintomático durante las primeras semanas después de la vacunación, pero para los niños de 5 a 11 años, la eficacia fue negativa después de siete semanas, por lo que hubo más COVID en los vacunados que en los no vacunados. La explicación probable de esto es que la vacuna proporciona protección temporal durante las primeras semanas, por lo que después de 7 semanas estamos comparando a los niños no vacunados con una alta proporción de inmunidad natural por haber tenido COVID con niños vacunados con una proporción menor con inmunidad natural. Este fenómeno se verá con cualquier vacuna que solo brinde protección a corto plazo, y potencialmente también podría afectar las estadísticas de mortalidad por COVID. Supongamos que la vacuna no previene las muertes por COVID, sino que simplemente las pospone hasta una fecha posterior. Luego puede haber un beneficio de la vacuna visto 0-6 meses después de la vacunación, pero una vacuna daña 6-12 meses después de la vacunación. Cuando Pfizer y Moderna solo evaluaron las vacunas durante unos meses, eso da información incompleta y potencialmente engañosa sobre la eficacia de las vacunas. Lo mismo es cierto si solo observamos un intervalo de empate posterior de, por ejemplo, 6-12 meses después de la vacunación. Hay formas de superar este problema, pero no estoy lo suficientemente familiarizado con los datos en inglés para saber si se pueden extraer de eso.

  3. Infección previa por COVID: El grupo no vacunado consta de dos subgrupos,

    (i) aquellos que se han recuperado de COVID y que, por lo tanto, tienen inmunidad natural a COVID, que es superior a la inmunidad inducida por la vacuna, y (ii) aquellos que nunca han tenido COVID. Las personas con inmunidad natural tienen un beneficio minúsculo o nulo de la vacuna contra la enfermedad COVID y no deben vacunarse. Para determinar si aquellos sin una infección previa por COVID se benefician de la vacunación, es necesario comparar a los vacunados sin una infección previa por COVID con los no vacunados sin una infección previa por COVID.

  4. Métricas de riesgo: Aunque vale la pena calcular ambos, estoy de acuerdo en que el riesgo/ beneficio es un número más relevante de eficacia de la vacuna que las tasas de ACM vax / unvax. Sin embargo, la mejor métrica para evaluar las vacunas no es una relación de riesgo, sino un riesgo atribuible. Es decir, por cada 1.000 personas que reciben la vacuna, o por cada 1.000.000, cuántas muertes se previenen con la vacuna o cuántas muertes son causadas por la vacuna.

¿Podrían estar equivocados los datos subyacentes del Reino Unido?

Siempre va a haber estudios que contradigan otros estudios.

Siempre habrá fuentes de datos comprometidas, los datos DMED son otro ejemplo reciente.

Siempre habrá fuentes de datos aparentemente creíbles que no son tan creíbles como parecen a primera vista:

Hombre muerto hablando

ONS manipulando los números OTRA VEZ??

La ONS publicó recientemente este informe - Riesgo de muerte tras la infección por SARS-CoV-2 o la vacunación contra la COVID-19 en jóvenes en Inglaterra: un estudio de serie de casos autocontrolado. Concluyeron: No hay evidencia de una asociación entre la vacunación contra el COVID-19 y un mayor riesgo de muerte en los jóvenes...

Leer más

hace un día · A 8 personas les gusta · 1 comentario · Joel Smalley

Nuestro trabajo es separar los datos confiables de los datos no confiables. Lo hacemos mediante el uso de múltiples piezas de evidencia independiente de fuentes creíbles y haciendo comprobaciones de cordura en los datos que utilizamos.

Mis resultados coincidieron con otros datos que conozco, por lo que estoy razonablemente contento con la calidad de los datos, por ejemplo, el riesgo / beneficio disminuyó con el aumento de la edad de una manera que coincidió con mis expectativas.

"Muéstrame los DATOS"

¿Recuerdas la película Jerry Maguire donde Rod Tidwell le aconseja a Jerry que para mantenerlo como cliente todo lo que Jerry tiene que hacer es "¡Muéstrame el dinero"?

Todos deberíamos pedirles lo mismo a los CDC, pero en lugar de dinero, deberíamos pedirles que "¡Muéstrame los DATOS!"

¿Por qué los CDC no nos muestran el estudio de ACM que necesitamos?

Necesitamos ver un estudio retrospectivo de individuos emparejados con 100,000 en cada grupo seleccionado el 1 de diciembre de 2020 antes de que las vacunas se lanzaran al público si queremos saber si estas vacunas están reduciendo las muertes.

Un grupo sigue la ruta vax completa. El otro grupo rechaza el vax por completo.

Luego observamos el número de muertes por COVID frente a las no COVID en cada grupo y calculamos el análisis de riesgo-beneficio como lo hicimos anteriormente.

Esos son los datos que quiero ver. ¿Dónde está? Nadie ha sido capaz de mostrarme. Nadie.

Y sin esos datos, nadie de ninguna edad debería recibir el jab o recomendarlo.

Iré aún más lejos y diré:

  1. Es irresponsable que los CDC mantengan esos datos ocultos a la vista del público.

  2. Es irresponsable que la comunidad médica no exija ver estos datos.

  3. Es irresponsable que la comunidad médica aliente a cualquier persona a vacunarse sin ver estos datos, especialmente a la luz de los datos alarmantes en VAERS y otras fuentes.

Resumen

Sobre la base de estos nuevos datos del gobierno del Reino Unido, podemos estimar una verdadera relación riesgo-beneficio para cada grupo de edad. Para todos los grupos, es negativo. Cuanto más joven eres, menos sentido tiene tomar la vacuna.

La conclusión es esta: finalmente, los datos están disponibles públicamente a plena vista que muestran claramente que nuestros gobiernos nos han estado matando públicamente con estas vacunas y mandatos de vacunas.

Los datos que se utilizaron son datos completamente informados directamente del gobierno del Reino Unido y las matemáticas son sencillas. Los datos seleccionados proporcionan una estimación conservadora del valor verdadero. La única forma de explicar los resultados es que las vacunas matan a más personas de las que salvan.

Es deplorable que la comunidad médica ni siquiera haya pedido estos datos antes de recomendar las vacunas. Continúan hasta el día de hoy manteniendo la cabeza en la arena y no exigiendo ver los datos de ACM.

Fuente: Nuevos datos del gobierno del Reino Unido muestran que las vacunas COVID matan a más personas de las que ahorran (substack.com)