Cosmosophy: 02/08/2020

vendredi 7 août 2020

Aide médicale d'État: les gens ne savent pas ce qu'ils paient.

voilà une partie du trou de la sécu ...
- J’aime
- 1 ans
Une petite partie qui est la contrepartie d'un engagement de l'Etat et permet de prévenir principalement la réapparition de maladies oubliées !
Par contre, l'Etat doit honorer les dépenses avancées par les Cpam. Ce n'est pas aux cotisations sociales de le faire.
Il faut éviter d'inciter les circuits organisés de soins !
Être humain et pragmatique, être la France !
1
- J’aime
- 1 ans
Mais là l'état n'aura pas le courage d'y aller. C'est son électorat.
- J’aime
- 1 ans
Oui mais l'article étant de 2015 il faut voir son évolution ces 4 dernières années

En réalité ce sont vos impôts qui paient l'AME...
J'ai adoré les maladies oubliées qui réapparaissent spontanément comme une source jaillissant de la terre.
Plus personne ne s'en occupe. Et Goasguen n'est plus.
https://www.lefigaro.fr/conjoncture/2015/11/02/20002-20151102ARTFIG00319-le-derapage-cache-et-incontrole-de-l-aide-medicale-d-etat.php?fbclid=IwAR3uGFtj4lxJ9BTknhst30OhphBFFS9Ia31-i8AyJxks32jKU2j6ffYKkVY

mardi 4 août 2020

Seasonal Flu: a conglomerate of dubious interests

What conventional epidemiologists do not like is the fact, appearing clearly, that their calculations about flu are a scam. Will it change and will physicians do rt-PCR before giving an antibiotic prescription for a flu syndrome? I doubt it.
My point is that these calculations, as approximative as they are, led in the past to a consensus because of "good intentions" from different parties: big government loves them for spending money and harvesting laurels, big vaccine business loves them because they are a source of recurrent incomes despite a low protective rate in fragile people, academic epidemiologists love them because it guarantees big political influence in public health campaigns through public agencies. They all are the main protagonists of such a consensus of interests in the seasonal "flu". So instead of wearing PPE especially for fragile people, we use a very expensive politic which is not very efficient in this setting. We need a serious improvement which begins by measuring the facts: flu shouldn't be measured by excess seasonal mortality.

Ce que les épidémiologistes conventionnels n'aiment pas, c'est le fait, qui apparaît clairement, que leurs calculs sur la grippe sont une arnaque. Cela va-t-il changer et les médecins feront-ils une rt-PCR avant de donner une prescription d'antibiotique pour un syndrome grippal? J'en doute.
Ce que je veux dire, c'est que ces calculs, aussi approximatifs soient-ils, ont conduit dans le passé à un consensus en raison des «bonnes intentions» de différentes parties: le grand gouvernement les aime pour dépenser de l'argent et récolter des lauriers, les grandes entreprises de vaccins les adorent parce qu'ils sont source de revenus récurrents malgré un faible taux de protection chez les personnes fragiles, les épidémiologistes académiques les adorent car cela garantit une grande influence politique dans les campagnes de santé publique à travers les agences publiques. Ils sont tous les principaux protagonistes d'un tel consensus d'intérêts dans la «grippe» saisonnière. Donc au lieu de porter des EPI spécialement pour les personnes fragiles, nous utilisons une politique très coûteuse qui n'est pas très efficace dans ce cadre. Nous avons besoin d'une sérieuse amélioration qui commence par mesurer les faits: la grippe ne se mesure pas par une surmortalité saisonnière.

Bayesian logic in every scientific debate including Covid-19

Why the Poverty of Bayesian Logic in Covid Controversies?

People want fixed binary certitudes, like safe-unsafe, effective-ineffective, right-wrong, so we're vulnerable to tribal thinking. In a controversy between tribe A and tribe B, we assume one of them must be right and the other wrong. But what if tribe A is 98.86% right and tribe B is 1.14% right? The odds in favor of the house in a Los Vegas crap game are 1.14%. With that small advantage, casinos pay for staff, including expensive security experts and fancy entertainers, as well as huge buildings with huge utility bills, red carpets and chandeliers.

2 commentaires

J’aime

Commenter

Commentaires

It is a substantial aspect of poor scientific culture. Science is not the truth, it is not about establishing the truth. Science is about reducing uncertainty about the unknown by experiments. May I add that in COVID treatment as for other human actions the central issue is our biases and our blindness for confounding factors which tend to pollute all experiments in terms of causality. One efficient tool to reduce biases is to randomize because if there are no drug or two placebos (A and B) when you randomize two groups you will just confirm the null hypothesis: there is no effect and you observe no "significant" difference. If you observe a significant difference about the endpoint you determined previously you can assume that one placebo (A or B) is producing this effect.

"Pourquoi une telle pauvreté de la logique bayésienne dans les controverses Covid?

Les gens veulent des certitudes binaires fixes, comme sûr-dangereux, efficace-inefficace, bien-mal, nous sommes donc vulnérables à la pensée tribale. Dans une controverse entre la tribu A et la tribu B, nous supposons que l'un d'eux doit avoir raison et l'autre tort. Mais que se passe-t-il si la tribu A a raison à 98,86% et la tribu B à 1,14%?
Les chances en faveur de la maison dans un jeu de merde à Los Vegas sont de 1,14%. Avec ce petit avantage, les casinos paient pour du personnel, y compris des experts en sécurité coûteux et des artistes de luxe, ainsi que d'énormes bâtiments avec d'énormes factures de services publics, des tapis rouges et des lustres."

C'est un aspect substantiel d'une mauvaise culture scientifique. La science n'est pas la vérité. La science consiste à réduire l'incertitude sur l'inconnu par des expériences. Puis-je ajouter que dans le traitement Covid comme pour d'autres actions humaines, la question centrale est nos préjugés qui ont tendance à polluer toutes les expériences. Un outil efficace pour réduire les biais est de randomiser car s'il n'y a pas de médicament ou deux placebos lorsque vous randomisez deux groupes, vous confirmerez simplement l'hypothèse nulle: il n'y a pas d'effet et vous n'observez pas de différence "significative".