健康技术中的方法论优先性：为何机器学习/大数据分析必须遵循基本流行病学一致性——案例研究

高级分析工具，包括机器学习（ML）和大规模数据处理的集成，已彻底改变了健康研究，承诺实现诊断和风险预测的前所未有的准确性。然而，这些复杂方法的严谨性根本上取决于底层数据集的质量和完整性，以及其统计设计的有效性。我们提出了一个典型案例：高级分析（ML/大数据）必须在验证基本方法论一致性并遵循既定医学协议（如STROBE声明）之后才能进行。该研究强调了一个关键警示原则：复杂的分析放大而非纠正根植于基本设计选择的严重方法论缺陷，导致误导性或矛盾的发现。通过应用于最近一项关于新冠病毒疫苗结果和严重不良事件（如癌症）的队列研究，对简单、标准的描述性统计方法和既定流行病学基准进行分析，我们揭示了多个不可调和的统计悖论。这些悖论具体表现为：在暴露子群中癌症发生率增加，而整体粗发生率却低于国家标准，这些悖论最终否定了报告的总体癌症风险增加。我们证明，观察到的效应是源于队列构建中未纠正的选择偏差所致的数学artifact。这一分析提醒人们，即便是最复杂的健康研究，也必须首先通过基本流行病学一致性的考验，才能使后续高级统计建模所得的结论具有有效性和可发表性。