Voici un article qui démontre de manière absolument formelle de quelle manière on peut falsifier les données de sécurité et d'efficacité d'une stratégie vaccinale de grande ampleur, en faisant sempiternellement «porter le chapeau» des catastrophes sanitaires sur les non vaccinés, même quand ceux-ci... l'ont été ! On remarquera au passage que ces grivèleries statistiques ne sont pas nées avec la vaccination anti-COVID (*). Il serait grand temps que le public et les professionnels prennent tous conscience de l'existence de ces malfaisances statistiques absolument criminelles. Bravo aux auteurs de cet article, bonne lecture.
AIMSIB
*
Introduction
Aujourd'hui, avec les Drs. Marco Alessandria, John Trambusti, Giovanni Malatesta et Alberto Donzelli, nous avons publié une étude scientifique cruciale, évaluée par des pairs et intitulée «Biais de classification et impact de la vaccination COVID-19 sur la mortalité toutes causes confondues : le cas de la région italienne d'Émilie-Romagne». 1
Dans cette étude, nous fournissons la première preuve examinée par des pairs, sur la base de données réelles. L'étude de l'impact sur l'environnement démontre comment certaines méthodes statistiques ont conduit à une surestimation de l'efficacité et de la sécurité des vaccins COVID-19.
Ce document choquera car il prouve que toutes les études scientifiques menées jusqu'à présent et qui sont affectées par ce biais devraient être réévaluées.
Nous avons abordé un biais critique qui peut considérablement fausser les évaluations réelles de l'efficacité et de la sécurité des vaccins, connu sous le nom de «biais de la fenêtre de comptage des cas».
Biais de «la fenêtre de comptage des cas».
Ce biais, théorisé par Fung et al. 2, se produit parce que les individus sont classés comme «non vaccinés» au cours de la première phase de vaccination pendant les 14 jours suivant l'administration du vaccin (période jugée nécessaire pour que la réponse immunitaire se développe pleinement).
Par conséquent tout événement indésirable, y compris les décès survenant au cours de cette période, est attribué à tort au groupe non vacciné, et gonflera artificiellement son taux de mortalité, tout en sous-estimant la mortalité chez les personnes vaccinées.
En analysant des données quotidiennes détaillées sur la mortalité toutes causes confondues et l'administration de vaccins dans la région Émilie-Romagne (Italie), obtenue grâce à une demande d'accès à l'information de l'avocat Lorenzo Melacarne (conformément à l'art. 5, virgule 2 du décret législatif italien n° 33/2013), nous avons trouvé une coïncidence temporelle évidente entre les campagnes de vaccination et les pics de décès parmi les personnes classées à tort comme non vaccinées au cours de cette période critique (Figure 1).
Figure 1. Le graphique illustre le taux de mortalité quotidien pour 100 000 personnes (groupe d'âge 70-79 ans), en comparant les personnes vaccinées (représentées par la ligne rouge continue) et les personnes non vaccinées (représentées par la ligne verte continue). En outre, il montre le nombre cumulé de vaccins administrés avec au moins une dose (indiqué par la ligne pointillée rouge) [extrait de Alexandria et al., 2025].
Notre analyse statistique a démontré des différences significatives en matière de mortalité entre les groupes vaccinés et non vaccinés, pendant la période critique de 14 jours suivant la vaccination, au cours de laquelle des erreurs de classification peuvent se produire. Les données révèlent notamment une augmentation injustifiée de la mortalité parmi la population non vaccinée immédiatement après la période au cours de laquelle la majorité de la population a été vaccinée. Par exemple, dans la tranche d'âge 70-79 ans, l'augmentation de la mortalité parmi les personnes non vaccinées a commencé début avril 2021, précisément au moment où (avec l'arrivée du printemps) le nombre de cas positifs et de décès classés comme liés au COVID était déjà en baisse. Il s'agit là d'une contradiction évidente : la mortalité des personnes non vaccinées aurait dû suivre la tendance de la population générale, à savoir une baisse.De plus, ces disparités sont si importantes qu'elles ne peuvent s'expliquer uniquement par les décès liés au COVID-19, qui ne représentaient qu'environ 9% de tous les décès en Italie en 2021. Même après avoir exclu les décès liés au COVID, les différences restaient significatives, ce qui indique une classification systématiquement erronée plutôt que de réels avantages du vaccin.
Nous avons également observé que cette différence diminuait avec l'âge, ce qui reflète probablement le fardeau accru des comorbidités chez les personnes âgées, qui influence le risque global de mortalité. (Pour plus d'informations, veuillez consulter l'article, publié en libre accès et accessible gratuitement à tous).
L'«effet de récolte»
Nos résultats suggèrent un effet de récolte, où les personnes vulnérables succombent peu après la vaccination, mais où leurs décès sont comptabilisés à tort parmi les personnes non vaccinées. Cette classification erronée masque d'éventuels effets indésirables graves liés aux vaccins et survenant peu de temps après la vaccination. Les patients peuvent avoir des réactions allergiques graves, des événements cardiovasculaires ou des réactions auto-immunes.
De plus, l'utilisation de pratiques de classification similaires par de nombreux pays, dont le Royaume-Uni, suggère que ce biais est largement répandu à l'échelle internationale. Par exemple, les directives de santé publique britanniques classent les personnes comme non vaccinées pendant 14 à 21 jours après la vaccination, ce qui conduit à une attribution erronée des effets indésirables précoces.
Le biais du temps immortel
Il est essentiel de reconnaître que le biais lié à la fenêtre de comptage des cas est lié à un autre phénomène bien établi dans la recherche observationnelle, connu sous le nom de biais du temps immortel. Les Pr. Norman Fenton et Martin Neil ont été parmi les premiers à identifier la manière dont ces biais modifient les cas et les décès d'une manière qui exagère l'efficacité et la sécurité apparentes des vaccins en créant des catégorisations temporelles trompeuses.
Le Pr. Fenton a lui-même qualifié ces manipulations d'«astuce bon marché», illusion statistique qui renforce artificiellement la perception de l'efficacité des vaccins 3. En outre, James Lyons-Weiler, avait dès octobre 2021 identifié et mis en évidence cette incohérence statistique significative affectant les données sur l'efficacité des vaccins ; et il soulignait la nécessité d'un examen critique de la manière dont le statut de la vaccination et les fenêtres de comptage des cas faussent la perception de la performance des vaccins. 4
Il est important de noter qu'en janvier 2022, le professeur Martin Neil, le professeur Norman Fenton et leurs collègues ont publié une étude préliminaire examinant de manière critique les données de l'ONS britannique sur la mortalité liée au vaccin contre la Covid, en comparant la mortalité toutes causes confondues entre les groupes vaccinés et non vaccinés 5. Alors que les premiers rapports suggéraient une mortalité plus faible chez les personnes âgées vaccinées, l'étude a révélé d'importantes incohérences dans les données, probablement dues à des erreurs de classification, des retards dans la déclaration et des erreurs démographiques. Les chercheurs n'ont trouvé aucun élément permettant d'étayer les explications fondées sur des biais ou des facteurs sociodémographiques, concluant que les données ne démontrent pas de manière fiable que les vaccins réduisent la mortalité toutes causes confondues et pourraient indiquer une augmentation de la mortalité peu après la vaccination chez les populations âgées.
Nos résultats ont des implications importantes :
Le fait de ne pas tenir compte de ces biais peut conduire à une surestimation substantielle des avantages et de la sécurité des vaccins, ce qui se traduit par des politiques de santé publique erronées.
La communauté scientifique doit donc reconnaître et ajuster ces biais afin de produire des évaluations plus précises et plus transparentes des risques et des bénéfices des vaccins.
Conclusion
Notre étude montre que le biais de la fenêtre de comptage des cas gonfle les taux de mortalité attribués à tort aux personnes non vaccinées, tout en sous-estimant les effets indésirables survenant peu de temps après la vaccination. Afin de garantir une interprétation fiable des études observationnelles sur les vaccins et des décisions éclairées en matière de santé publique, il est essentiel de corriger ce biais parallèlement au biais d'immortalité. En outre, toutes les études existantes sur l'efficacité des vaccins devraient être réévaluées pour tenir compte de ces biais.
Un élément clé de ce processus est la disponibilité de données précises et actualisées sur le statut vaccinal des individus, permettant une classification correcte des cas et des décès et contribuant à une évaluation plus fiable de la sécurité et de l'efficacité des vaccins en situation réelle.
Références originales de l'article
Alessandria, M., Trambusti, G., Malatesta, G. M., Polykretis, P., & Donzelli, A. (2025). Classification bias and impact of COVID-19 vaccination on all-cause mortality : the case of the Italian region Emilia-Romagna. Autoimmunity, 58(1). doi.org Panagis Polykretis 03 nov. 2025
Notes et sources
(*) «Un jour d'après-guerre un médecin lyonnais, le Dr Robert Rendu, décide de décompter les malades de la diphtérie dans une fraction de l'armée française selon leurs statuts vaccinaux[i]. Il compte 19 diphtéries pour 2018 vaccinés (9,4‰) et 17 parmi 1974 non vaccinés (8,6‰). Discret avantage possiblement non significatif aux non-vaccinés. Voilà qui fait néanmoins désordre. Mais admirez les artistes de la pirouette statistique : on va d'abord considérer que les vaccinés «qui n'ont pas reçu leurs trois doses doivent être considérés comme des non vaccinés». Ainsi 12 des «vaccinés certes, mais incomplètement» rejoignent les 17 diphtériques non vaccinés. Et puis on va finalement en ajouter deux de plus qui ont bien reçu trois doses «mais pas depuis plus d'un mois», donc transfert eux aussi chez les non-vaccinés. Le décompte final, après ce travail de charcutage extraordinaire, donne pour finir 5 malades chez les vaccinés (2,5‰) pour 31 chez les «non vaccinés» (15,7‰) ; et l'on retourne glorifier la vaccination antidiphtérique». ~ Dr Vincent Reliquet,«Chronique de Médecine Contestataire» tome II, Résurgence, 2025.
[i] Rendu R, «Résultats comparés de la vaccination et de la non-vaccination dans la lutte contre la diphtérie», Le Journal de médecine de Lyon, n°819, p.147-60, 20 fév 1954.
source : AIMSIB
- Alessandria, G. Trambusti, G. Malatesta, P. Polykretis, A. Donzelli, Classification bias and impact of COVID-19 vaccination on all-cause mortality : the case of the Italian region Emilia-Romagna, Autoimmunity 58 (2025) 2562972. doi.org.
- K. Fung, Jones, P. Doshi, sources of bias in observational studies of COVID-19 vaccine effectiveness, J Eval Clin Pract 30 (2024) 30-36. doi.org.
- N. Fenton, Neil, Vaccine efficacy «cheap trick» by exclusion, Where Are the Numbers ? par Norman Fenton et Martin Neil (2023). wherearethenumbers.substack.com.
- J.L.-W. PhD, How The Definition of «Fully Vaccinated» Misleads People on COVID-19 Vaccine Safety & ; Efficacy : An Explanation For CNN's Drew Griffin, Popular Rationalism (2021). popularrationalism.substack.com.
- Neil, N. Fenton, J. Smalley, C. Craig, J. Guetzkow, S. McLachlan, J. Engler, D. Russell, J. Rose Les données officielles sur la mortalité en Angleterre suggèrent une mauvaise catégorisation systématique du statut vaccinal et une efficacité incertaine de la vaccination contre la COVID-19, 2022. doi.org.