RT-PCR-COVID-19-Test: Mehr falsche als richtige Ergebnisse?! [Studie]

Endlich gibt es eine wissenschaftliche Arbeit, die geeignet ist, den Humbug, der uns tagtäglich von den MS-Medien zugemutet wird, wenn es darum geht, die angebliche “Anzahl der positiv auf COVID-19 Getesteten” zu verbreiten, als ebensolchen zu entlarven. Wir verdanken die Arbeit

• Wouter Aukema,
• Ulrike Kämmerer,
• Pieter Borger,
• Simon Goddek,
• Bobby Rajesh Malhotra,
• Kevin McKernan und
• Rainer J. Kleiment.

Die Arbeit trägt den etwas spröden Titel: “Bayes Lines Tool (BLT) – A SQL-script for analyzing diagnostic test results with an application to SARS-CoV-testing“.

Bis zum heutigen Tag haben es weder die Haus- und Hofberater der Bundesregierung noch einer der Polit-Darsteller, die in MS-Medien als “Experten” für SARS-CoV-2 verkauft werden, noch einer der angeblichen Wissenschaftler, die den neuen #ZeroCovid Hype befeuern, für notwendig gehalten, darauf hinzuweisen, dass in Labors, in denen Tests durchgeführt werden, NATÜRLICH AUCH FEHLER PASSIEREN, und je mehr Tests durchgeführt werden, desto mehr Fehler werden gemacht.

---

---

In der Regel wird behauptet, die Tests seien so genau, dass Spezifizität (false negative) und Sensitivität (false positiv) in Bereichen rangieren, die den Fehler vernachlässigbar machten. Diese Behauptung ist unaufrichtig, bei denen, die es besser wissen und falsch, in jedem Fall, denn:

Die Sensitivität und Spezifizität von Tests beschreiben einen Idealzustand, der in der Realität von Laboren nicht erreicht werden kann, denn dort geschehen Fehler:

• Proben werden verunreinigt,
• Ergebnisse falsch dokumentiert,
• Test falsch ausgeführt,
• Standards, sofern überhaupt vorhanden, nicht eingehalten;

Selbst der WHO ist der Testwahnsinn, der derzeit grassiert, mittlerweile, aus welchen Gründen auch immer, zu viel. In WHO-Information Notice for IVD Users 2020/5 [IVD = in vitro diagnostics] schreibt die WHO:

WHO reminds IVD users that disease prevalence alters the predictive value of test results; as disease prevalence decreases, the risk of false positive increases (2). This means that the probability that a person who has a positive result (SARS-CoV-2 detected) is truly infected with SARS-CoV-2 decreases as prevalence decreases, irrespective of the claimed specificity.

Mit anderen Worten, die Verlässlichkeit von RT-PCR-Tests hängt von der Prävalenz dessen, was nachgewiesen werden soll, in der Bevölkerung ab. Je geringer der Anteil von z.B. Personen, die mit SARS-CoV-2 infiziert sind, in einer Gesellschaft ist, desto höher ist die Anzahl falscher Testergebnisse, die Anzahl von Personen, die falsch positiv oder negativ getestet werden, ersteres wird gemeinhin als Sensitivität, Letzteres als Spezifizität eines Tests bezeichnet.

Aukema et al. haben diese Beziehung, die die Spezifizität und die Sensitivität eines Virus-Tests in Abhängigkeit von der Prävalenz eines Virus in einer Population setzt, zur Grundlage genommen, um ein Programm zu entwickeln, das das Bayes Theorem anwendet, um die möglichen Kombinationen von Sensitivität, Spezifizität und Prävalenz zu berechnen, die Kombinationen, die möglich sind, um eine gegebene Verteilung zu erklären. Das Schöne an dem Programm von Aukema et al. ist seine einfache Anwendung und seine Anwendbarkeit auf alle vom RKI oder anderen öffentlichen Ämtern in welchem Land auch immer veröffentlichten Daten zu SARS-CoV-2.

Das Programm basiert auf drei Daten:

• Dem Tag, an dem die Daten erhoben wurden,
• der Anzahl der durchgeführten Tests,
• der Anzahl der positiven Tests,

Auf Basis von Bayes Theorem kann man nun die Verteilungen von Sensitivität, Spezifizität und Prävalenz berechnen, die die jeweiligen Tagesdaten wahrscheinlich machen: Welche Prävalenz müsste in einer Bevölkerung vorherrschen, um die an einem Tag berichtete Anzahl von Tests und positiven Tests wahrscheinlich zu machen und welche Sensitivität und Spezifizität ist mit dieser Prävalenz verbunden?

Wen es interessiert, Bayes Theorem berechnet bedingte Wahrscheinlichkeiten für ein Ereignis, im vorliegenden Fall sieht es wie folgt aus:

𝑃(𝐼|𝑇) = 𝑃(𝑇|𝐼) × 𝑃(𝐼) / 𝑃(𝑇)

𝑃(𝐼|𝑇) = Wahrscheinlichkeit eines positiven Tests;
𝑃(𝑇|𝐼) = Test Sensitivität;
𝑃(𝐼) = Prävalenz
𝑃(𝑇) = Rate positiver Tests an allen Tests;

Die folgende Tabelle zeigt das Ergebnis, das die Autoren auf Grundlage ihres Programms, des Bayes Lines Tools (BLT), wie sie es nennen, für den 10. Januar 2021 und die Daten, die das RKI an diesem Tag veröffentlicht hat, berechnen.

Angegeben sind 57 plausible Lösungen. Von links nach rechts steigt die Prävalenz von SARS-CoV-2 in der Bevölkerung. Um die Ergebnisse, die das RKI veröffentlicht, einschätzen zu können, vergleichen wir zunächst die beiden Extreme:

• Der geringste Anteil von False Positives an Testergebnissen, die einen Getesteten als positiv ausweisen, obwohl er das nicht ist, findet sich in der von hinten betrachtet sechsten Kolonne. Um das beste Ergebnis zu erreichen, das auf Grundlage der tatsächlich vom RKI am 10. Januar 2021 veröffentlichten Daten möglich ist, ist eine Prävalenz von 37% und eine Sensitivität von 24% (Anteil der korrekt positiv Getesteten) und eine Spezifizität von 97,5% (Anteil der korrekt negativ Getesteten) notwendig. Das Ergebnis ist wenig wahrscheinlich, denn es ist unwahrscheinlich, dass 37% der Bevölkerung mit SARS-CoV-2 am 10. Januar infiziert sind;
• Der größte Anteil an False Positives ergibt sich für eine Prävalenz von 0,05% und eine Sensitiivtät (Anteil korrekt positiv Getesteter) von 8,5% sowie eine Spezifizität von 89.5% (Anteil korrekt negativ Getesteter).
• Die Prävalenz von SARS-CoV-2 in Deutschland, wird in unterschiedlichen Studien als irgendwo in der Gegend von 1,2% liegend, angegeben. Geben wir ein paar Zentelprozent dazu und gehen wir von 2% Prävalenz in der Bevölkerung aus, dann zeigt die Berechnung von Aukema et al. (2020), dass in den Zahlen, die das RKI am 10. Januar 2021 veröffentlicht hat, mit hoher Wahrscheinlichkeit 12,25% True Positives und 87,75% False Positives enthalten sind. D.h. anstelle von 28.757 positiv Getesteten sind nur 3.523 positiv Getestete wahrscheinlich, wenn man eine Prävalenz von 2% in der Bevölkerung annimmt.
• Natürlich ergeben sich auch false negatives. 9,3% sind es bei einer Prävalenz von 2%, also 2.674 Getestete, die der Anzahl der “True Positives” von 3.523 true Positives am 10. Januar hinzugefügt werden müssen, so dass sich die wahrscheinlich korrekte Zahl positiver Tests am 10. Januar 2021 auf 6.197 erhöht.
• Mit anderen Worten, die wahrscheinliche Zahl der am 10. Januar positiv Getesteten ist nicht 28.757 wie vom RKI angegeben, sondern 6.197, also 21,5% des vom RKI angegebenen Werts.

Angesichts der Folgen, die mit einem positiven Testergebnis nicht nur für denjenigen, der positiv getestet wurde, sondern für die Gesellschaft, die auf Grundlage von Fallzahlen, von weitgehend falschen Fallzahlen, zu einem Stillstand gebracht wird, einher gehen, kann man die Bedeutung dieser Arbeit von Aukema et al. gar nicht hoch genug einschätzen.

Sie selbst schreiben:

“In the light of the WHO statement, the rationale for mass testing strategies implemented during periods of low prevalence (e.g. summer) appears questionable. Furthermore, mass testing increases the risk for poor sample handling and laboratory contamination which might partly explain the high FP [False Positive] numbers our calculator predicts.”

Immens überschätzte Fallzahlen führen zu überzogenen Maßnahmen, die erhebliche individuelle und wirtschaftliche Kosten nach sich ziehen, die wiederum durch die vermeintlich hohen Fallzahlen gerechtfertigt werden sollen. Zirkuläre Argumentation an sich ist ein Problem. Wenn der Ausgangspunkt zirkulärer Argumentation dann auch noch falsch ist, dann wird das Problem schnell zur Katastrophe.

---

---

Alles, was es zu PCR-Tests zu wissen gibt, kann in den folgenden Beiträgen nachgelesen werden:

---

---

Klartext finden Sie bei ScienceFiles. Wir publizieren die Informationen, die MS-Medien systematisch verschweigen.

Bitte unterstützen Sie unseren Fortbestand als Freies Medium.

Vielen Dank!
[wpedon id=66988]

• ScienceFiles-Spendenkonten
  
  • Deutsche Bank 
  • Michael Klein
  • BIC: DEUTDEDBCHE
  • IBAN: DE18 8707 0024 0123 5191 00

  • Tescobank plc.
  • ScienceFiles / Michael Klein
  • BIC: TPFGGB2EXXX
  • IBAN: GB40 TPFG 4064 2010 5882 46
• Sponsern Sie ScienceFiles oder Artikel von ScienceFiles (einfach klicken)

---

Folgen Sie uns auf TELEGRAM

---

Bleiben Sie mit uns in Kontakt.
Wenn Sie ScienceFiles abonnieren, erhalten Sie bei jeder Veröffentlichung eine Benachrichtigung in die Mailbox.

---

---

Anregungen, Hinweise, Kontakt? -> Redaktion @ Sciencefiles.org

---

Wenn Ihnen gefällt, was Sie bei uns lesen, dann bitten wir Sie, uns zu unterstützen.
ScienceFiles lebt weitgehend von Spenden.
Helfen Sie uns, ScienceFiles auf eine solide finanzielle Basis zu stellen:

Entweder direkt über die ScienceFiles-Spendenfunktion spenden [das ist sicher und Sie haben die volle Kontrolle über ihre Daten]:

---

Oder über unser Spendenkonto bei Halifax: ScienceFiles Spendenkonto:
HALIFAX (Konto-Inhaber: Michael Klein):

• IBAN: GB15 HLFX 1100 3311 0902 67
• BIC: HLFXG1B21B24

---

Wenn Sie ScienceFiles weiterhin lesen wollen, dann sind Sie jetzt gefordert.

---