dimanche 30 janvier 2022

 

Recherches sur les effets secondaires des vaccins COVID19 enregistrés dans la base de données VAERS (USA)

via les moutons enragés

Mon attention a été attirée par une vidéo intitulée « Extracting Bad Batch Data from VAERS – Deaths, Disabilities, L Threatening Illnesses », par Craig-Paardekooper (référence en bas de page), qui entend démontrer, à partir des données présentes dans la base de données VAERS, que des lots toxiques seraient distribués de façon non aléatoire et coordonnée entre différents fabricants. Je suis développeur de bases de données de profession, j’ai décidé de vérifier si les résultats présentés étaient reproductibles

Mes recherches montrent que les calculs présentés dans ces sites sont vérifiablement faux, par exemple sur le nombre de morts par lot. Le graphique prétendant montrer une distribution non aléatoire des vaccins toxiques, coordonnée entre divers fabricants, ne repose sur aucun fondement logique, car il n’est pas possible à partir des données présentes dans VAERS d’associer un lot avec un seul fabricant, la plupart des lots en ayant plusieurs

Toutefois, il est exact qu’un certain nombre de lots présentent une toxicité anormale. Pour les trouver, je me suis intéressé au fichier des symptômes enregistrés, 2021VAERSSYMPTOMS.csv, étonnamment négligé par Craig-Paardekooper

Je montre que 1% des lots (326 sur 29 802) ont généré 78,7% des symptômes enregistrés, et que ces mêmes lots ont aussi causé 86% des décès (https://pastebin.com/iBEJKQ3X). Il conviendrait de les étudier. Malheureusement, pour 85% de ces lots, de deux à quatre fabricants différents sont répertoriés dans la base

Les liens vers les vidéos et le site Web de Craig-Paardekooper sont en bas de page. Ci-dessous le déroulé des recherches

Nous utilisons la base de données VAERS (référence en bas de page). Celle-ci est très rudimentaire, elle contient 3 tables (DATA, SYMPTOMS, VAX) reliées entre elles par l’identifiant ‘vaers_id’. Son étude est simple, mais la qualité des données laisse à désirer. Ainsi, près 900 000 symptômes (30% du total) ont un numéro de lot (vax_lot) inconnu; nous verrons que nombre d’autres anomalies existent. Cela nous laisse cependant 700 000 signalements d’effets indésirables signalés, et un peu plus de 2 000 000 de symptômes associés, ce qui devrait constituer un échantillon représentatif.

Plusieurs choses m’étonnent dans ce que Craig-Paardekooper nous présente.

En plus d’un site web faisant des calculs très rapides sur une base de données de plusieurs millions d’enregistrement, il produit des vidéos bien léchées. Très actif, décidemment

J’imagine mal que le fichier Excel de la vidéo serve les calculs du site web censé indiquer la toxicité d’un lot. Ces calculs doivent donc être effectués par un autre logiciel. Pourquoi ne pas s’en servir pour la démonstration? On trouve sur le site un lien vers les sources, mais on n’obtient qu’un fichier zip impossible à ouvrir.

Ce fichier Excel importe des tables qui totalisent plus de 3 millions d’enregistrements. Sa machine est puissante apparemment, il manipule ça très facilement avec nslookup, une fonction extrèmement inefficace qui lit une à une les lignes d’une table, jusqu’à ce qu’elle trouve la rangée et la colonne cherchée; normalement, c’est long

Le site Web donne toujours le même résultat pour toutes les requêtes :

YOUR BATCH IS NOT FOUND.
YOUR BATCH IS NOT IN THE 5000 MOST TOXIC

Le tout accolé au bout d’une longue liste aléatoire de calculs sur des lots que nous n’avons pas demandés. On ne sait pas pourquoi ni comment 5000 lots toxiques ont été identifiés, mais de toutes façons, on ne sera pas dedans.

Test sur le lot le plus destructeur connu de nous ( lot 026L20A, 19542 enregistrements d’effets secondaires signalés), même réponse.

Même réponse encore pour toutes les recherches effectuées à partir de la liste dite des « lots mortels ». Bizarrement présentée d’ailleurs sous forme d’image, alors qu’il eût été plus simple de faire une liste html que l’on peut copier/coller, ce qui faciliterait les vérification dans une base de données (https://www.howbadismybatch.com/lethal.html)

Pour classer les lots par date, il nous explique que les lots sont enregistrés dans l’ordre dans lequel ils ont été déployés. C’est faux, il suffit d’observer le fichier VAERSVAX.csv, dans lequel on voit que les lots sont enregistrés dans l’ordre de VAERS_ID (la première colonne), c’est-à-dire dans l’ordre d’enregistrement de l’effet indésirable.

head 2021VAERSVAX.utf8.csv
VAERS_ID,VAX_TYPE,VAX_MANU,VAX_LOT,VAX_DOSE_SERIES,VAX_ROUTE,VAX_SITE,VAX_NAME
0916600,COVID19,MODERNA,037K20A,1,IM,LA,COVID19 (COVID19 (MODERNA))
0916601,COVID19,MODERNA,025L20A,1,IM,RA,COVID19 (COVID19 (MODERNA))
0916602,COVID19,PFIZERBIONTECH,EL1284,1,IM,LA,COVID19 (COVID19 (PFIZER-BIONTECH))
0916603,COVID19,MODERNA,unknown,UNK,,,COVID19 (COVID19 (MODERNA))
0916604,COVID19,MODERNA,,1,IM,LA,COVID19 (COVID19 (MODERNA))
0916605,FLUC4, »SEQIRUS, INC. »,276563,1,SYR,LA,INFLUENZA (SEASONAL) (FLUCELVAX QUADRIVALENT)
0916606,COVID19,MODERNA,011J20A,1,IM,LA,COVID19 (COVID19 (MODERNA))
0916607,COVID19,MODERNA,,UNK,IM,LA,COVID19 (COVID19 (MODERNA))
0916608,COVID19,MODERNA,,1,IM,LA,COVID19 (COVID19 (MODERNA))

On pourrait se baser sur la date de vaccination (champ vax_date dans DATA), mais cela ne nous renseigne pas sur la date de déploiement du lot lui-même. De plus, voyez quelques exemples de dates de vaccinations pour des événements enregistrés :

vaers_id | vax_date
———-+————
1556086 | 1900-02-01
1946931 | 1900-02-12
1740544 | 1900-02-12
1991765 | 1900-02-25
1559120 | 1900-02-27
1995088 | 1900-03-25
1600885 | 1900-03-30
1613910 | 1900-04-02
1607695 | 1900-04-12
1610868 | 1900-04-21
1615170 | 1900-04-27
1550186 | 1903-01-01
974138 | 1920-01-18

L’utilisation de nslookup pour fusionner les tables VAX et DATA est inappropriée. Prenons, pour illustrer un exemple concret, l’enregistrement ayant pour vaers_id ‘1641456’ dans DATA

Dans DATA, nous trouvons ceci :

1641456 | 2021-08-27 | WI | 66.0 | 66 | | M | | Patient was able to receive all 3 series of COVID-19 vaccinations. The first series was provided by MCHS (incident discovered during a NURSELINE call when the patient called reporting symptoms requiring triage). Reporter contacted pharmacy – administrator of Pfizer Series and was informed that at the time of the 2nd series vaccination, they were not checking the Immunization Registry for vaccination history. They have since changed their practice. At the time of the report, still awaiting response from Public Health to understand their vaccination process. | | | | | | | | | U | 2021-02-12 | 2021-04-22 | 69 | | PVT | | unknown | Unknown | Coronary Artery Disease; Hypertension; Hx. Coronary Artery Bypass surgery, congestive heart failure, knee replacement, alcohol and substance abuse | | | 2 | 2021-08-27 | | | | unknown
(1 row)

Dans SYMPTOMS, pour la même vaers_id :

vaers_id | id_rank | symptom | symptomversion
———-+———+————————-+—————-
1641456 | 1 | Extra dose administered | 24.00
(1 row)

Mais, dans VAX, nous trouvons 5 enregistrements avec la même vaers_id:

vaers_id | vax_type | vax_manu | vax_lot | vax_dose_series | vax_route | vax_site | vax_name
———-+———-+—————–+———+—————–+———–+———-+————————————-
1641456 | COVID19 | JANSSEN | 043A21A | 1 | IM | | COVID19 (COVID19 (JANSSEN))
1641456 | COVID19 | MODERNA | 001B21A | 2 | IM | RA | COVID19 (COVID19 (MODERNA))
1641456 | COVID19 | MODERNA | 031M20A | 1 | IM | RA | COVID19 (COVID19 (MODERNA))
1641456 | COVID19 | PFIZERBIONTECH | EW0161 | 1 | IM | RA | COVID19 (COVID19 (PFIZER-BIONTECH))
1641456 | COVID19 | PFIZERBIONTECH | EW0185 | 2 | IM | RA | COVID19 (COVID19 (PFIZER-BIONTECH))
(5 rows)

Donc, l’effet indésirable unique n° 1641456 a été affecté à 5 lots différents. On se demande pourquoi? Ce que l’on peut dire, c’est que la notion d’intégrité référentielle n’a pas cours dans les grandes sociétés informatiques qui produisent ces outils.

Dans ce cas précis, la fonction nslookup utilisée par Craig-Paardekooper pour associer un vaccin à un événement indésirable prendra seulement le premier numéro de lot dans la liste, lequel peut changer selon l’ordre des données. De toutes façons, comment savoir quel lot parmi ces 5 a créé l’effet indésirable 1641456?

Les calculs affichés sur le site pour le nombre de morts sont faux. Par exemple pour EN6201, je trouve 149 morts, Craig-Paardekooper en trouve 90

Devant ce tissu d’incohérences, j’ai décidé de m’intéresser à la table des symptômes, laissée de côté jusqu’ici. En l’utilisant comme point de départ, nous pouvons voir que 1% des lots (326 sur 29 802) ont générés à eux seuls 78,7% des effets indésirables déclarés. Ces mêmes lots ont aussi créé 86% des décès

Il conviendrait de savoir pourquoi ces lots ont déclenché autant d’effets secondaires. En effet, si quelques lots ont été beaucoup plus importants que d’autres, il est normal que plus d’effets indésirables s’ensuivent. Encore faut-il vérifier. Malheureusement, sur les 326 lots identifiés, seuls 47 ont 1 fabricant répertorié (15%), les autres (85%) se trouvent chez 2 à 4 fabricants différents.

Les calculs sont présentés ci-dessous, sous forme de tableaux. Chaque tableau est précédé d’un bref commentaire explicatif des résultats; sous chaque tableau, le code sql de la requête utilisée, pour reproduction (un copier/coller suffit).

Vous trouverez en bas de page les instructions pour reproduire mes recherches. Il vous faudra pour cela disposer du logiciel Postgresql.

#
#Recherche des lots toxiques
#

#répartition des lots par nombre de symptômes, inférieurs à 1000, puis par tranche de 1000 jusqu’à 20 000
#calcul de la moyenne du nombre de symptomes pour les lots concernés; les lots inconnus sont exclus
#99% des lots ont en moyenne 16 symptômes déclarés
#les 1% restants (326 lots) ont générés 78,7% des symptômes
#ce sont les lots dont le nombre moyen de symptômes par lot est supérieur à 1 000

my_partition | nombre_de_lots | nombre_de_symptomes | moyenne_par_lot
————–+—————-+———————+—————–
0 | 29477 | 478961 | 16
1000 | 74 | 103015 | 1392
2000 | 34 | 83967 | 2470
3000 | 27 | 93393 | 3459
4000 | 35 | 159887 | 4568
5000 | 29 | 162547 | 5605
6000 | 26 | 166654 | 6410
7000 | 25 | 187202 | 7488
8000 | 15 | 124139 | 8276
9000 | 16 | 151479 | 9467
10000 | 15 | 158541 | 10569
11000 | 9 | 103527 | 11503
12000 | 9 | 112731 | 12526
13000 | 5 | 67862 | 13572
14000 | 2 | 28456 | 14228
16000 | 1 | 16629 | 16629
17000 | 1 | 17117 | 17117
18000 | 1 | 18079 | 18079
19000 | 1 | 19474 | 19474
(19 rows)

with t1 as (select vax_lot, count(t1.vaers_id) as my_count from tblvax t1 inner join tblsymptoms t2 using (vaers_id) where vax_lot is not null group by vax_lot),
t2 as (select generate_series (1, 20001, 1000) as my_partition)
select my_partition – 1 as my_partition, count(vax_lot) as nombre_de_lots, sum(my_count) as nombre_de_symptomes, cast(round(sum(my_count) / count(vax_lot)) as integer) as moyenne_par_lot from t1, t2 where t1.my_count between my_partition and ( my_partition + 1000 ) group by my_partition order by 1;

#
#recherche des décès attribuables aux mauvais lots : 86% du total (7 134 morts attribués sur un total de 8 279);
#

#nombre total de décès

count
——-
8279
(1 row)

with t1 as (select vaers_id from tbldata where died = ‘Y’)
select count(vaers_id) from t1 inner join tblvax t2 using (vaers_id) where vax_lot is not null;

#nombre de décès dûs aux mauvais lots

count
——-
7134
(1 row)

with t1 as (select vaers_id from tbldata where died = ‘Y’)
select count(vaers_id) from t1 inner join ( tblvax t2 inner join tblbad_lots using (vax_lot) ) using (vaers_id) where t2.vax_lot is not null;

#Qui fabrique les mauvais lots?
#la table VAX contient le champ vax_manu censé identifier le fabricant
#mais seuls 47 lots ont 1 fabricant identifié, les autres en ont de 2 à 4. Ça va être compliqué de savoir qui a fait quel lot

nombre_de_fabricants | nombre_de_lots
———————-+—————-
1 | 47
2 | 129
3 | 117
4 | 33
(4 rows)

with t1 as (select vax_lot, vax_manu from tblvax inner join tblbad_lots using (vax_lot) where vax_manu not ilike ‘unknown’ group by vax_lot, vax_manu),
t2 as (select vax_lot, count(vax_manu) as nombre_de_fabricants from t1 group by vax_lot order by 2 desc),
t3 as (select generate_series(1,4) as nombre_de_fabricants)
select nombre_de_fabricants, count(vax_lot) as nombre_de_lots from t3 inner join t2 using (nombre_de_fabricants) group by nombre_de_fabricants order by 1;

#
#Références
#

#vidéo montrant que les lots toxiques seraient distribués de façon non aléatoire
https://odysee.com/@Pigeon_Pige-TouT_Traduction:6/LOTERIE-VACINALE-GRAPHIQUE-COULEUR-ZOOM:d?lid=watchlater

#l’original (en anglais)
https://www.bitchute.com/video/keoCmPh3vuiG/

#et :
https://www.bitchute.com/video/P7JbXSjaQzOX

#VAERS est un système de surveillance passive, il dépend des déclarations volontaires des personnes après vaccination
#VAERS is a passive surveillance system, meaning it relies on people sending in reports of their experiences after vaccination
https://www.cdc.gov/vaccinesafety/ensuringsafety/monitoring/vaers/index.html

#site officiel des données
#le fichier téléchargé est le fichier ‘Zip File’ pour l’année 2021 (170MB)
https://vaers.hhs.gov/data/datasets.html

#date de téléchargement
2022-01-28

#manuel d’utilisation
https://vaers.hhs.gov/docs/VAERSDataUseGuide_en_September2021.pdf

#les instructions ont été exécutées sur Linux (Debian Stable, version 11.14 de la base de données Postgresql)
#si vous êtes sous Windows, c’est (logiquement) comme pour les vaccins, ça peut passer, mais il vous faudra de la chance

#décompresser l’archive zip dans un répertoire conçu à cet effet
unzip 2021VAERSData.zip

#si votre système utilise UTF8; attention : le script de création de la base utilise les fichiers au format utf8
iconv -f ISO-8859-15 -t UTF-8 2021VAERSDATA.csv -o 2021VAERSDATA.utf8.csv
iconv -f ISO-8859-15 -t UTF-8 2021VAERSSYMPTOMS.csv -o 2021VAERSSYMPTOMS.utf8.csv
iconv -f ISO-8859-15 -t UTF-8 2021VAERSVAX.csv -o 2021VAERSVAX.utf8.csv

#copier le script vaers.sql permettant de re-créer la base de données dans le même répertoire
https://pastebin.com/pGnqZm8E

#sous linux, taper les commandes suivantes, toujours depuis le même répertoire
createdb vaers
psql -1 -f vaers.sql vaers
psql vaers
#pour reproduire les requêtes sql
set search_path to clean, public;

 

Tous les articles, la tribune libre et commentaires sont sous la responsabilité de leurs auteurs. Les Moutons Enragés ne sauraient être tenus responsables de leur orientation.

Aucun commentaire: