Alle Inzidenzen deutlich geringer als bei Influenza: COVID-19-Impf-Studie zu BNT162b2 gegen den Strich gebürstet

Es gibt einen Nachzügler aus Israel. Leser haben uns auf die Studie von Dogan et al. aufmerksam gemacht, die ebenso wie die vier Studien, die wir hier besprochen haben, die Effektivität des Pfizer/Biontech Impfstoffes BNT162b2 in Israel untersucht. Die Studie wurde gestern veröffentlicht. Heute wird sie bei uns besprochen. Das nennt man Service:


Dogan, Noa, Barda, Noam, Kepten, Eldad, Miron, Oren, Perchik, Shay, Katz, Mark A., Hernán, Miguel A., Lipsitch, Marc, Reis, Ben, Balicer, Ran D. (2021). BNT162b2 mRNA COVID-19 Vaccine in a Nationalwide Mass Vaccination Setting. New England Journal of Medicine.


Die Studie ist gut gemacht, Design, Methode und Statistik stimmen, und weil dem so ist, haben wir uns die Freiheit genommen, die Daten der Studie einmal gegen den Strich zu bürsten und zu fragen, ob sich der ganze Aufwand, der derzeit mit Impfstoffen betrieben wird, der natürlich notwendig ist, um die Panik unter den leicht Erregbaren einzudämmen, jene Panik, die so sorgfältig von Polit-Darstellern gehätschelt und gepflegt wurde und wird, auch lohnt.

Damit unser Punkt etwas deutlicher wird, zunächst einmal die Randbedingungen für Israel. Die beiden folgenden Abbildungen zeigen die Entwicklung der Anzahl positiv Getesteter und die Anzahl der an COVID-19 Verstorbenen für Israel.

An nur einem Tag im Verlauf der zweiten Welle wurden in Israel mehr als 10.000 Personen an einem Tag positiv getestet bzw. sind mehr als 100 Personen an einem Tag mit SARS-CoV-2 verstorben; am 20. Januar 2021 wurden 10.213 Personen positiv getestet und es sind am selben Tag 101 Menschen verstorben. Israel hat rund 8,7 Millionen Einwohner. Im Datensatz, den Dogan et al. vom Clalit Health Service bezogen haben, sind 1.193.236 Israelis enthalten, d.h. 13,75% der israelischen Bevölkerung bilden die Datengrundlage von Dogan et al. (2021).



Der Beobachtungszeitraum, für den Dogan et al. Daten erhalten haben, beginnt am 20. Dezember 2020 und reicht bis zum 1. Februar 2021, umfasst 42 Tage. In diesen 42 Tagen sind

  • 10.561 Personen, der im Datensatz enthaltenen Personen, positiv getestet worden,
  • davon haben 5.996 Personen Symptome gezeigt,
  • davon wurden 360 Personen hospitalisiert,
  • davon sind 229 Personen schwer erkrankt,
  • davon sind 41 Personen gestorben.

Damit bietet der Datensatz von Dogan et al. eine hervorragende und vor allem eine mit Blick auf die Fallzahl und die Tatsache, dass der Datensatz 13,75% der Grundgesamtheit umfasst, einmalige Möglichkeit, um die Inzidenzen für SARS-CoV-2 und COVID-19 zu berechnen.

Die Inzidenz beträgt:

  • 0,9% für einen positiven Test; Damit liegt die Inzidenz für einen positiven SARS-CoV-2 Test deutlich unter den Inzidenzen, die für eine Influenza-Saison berichtet werden. Sie liegen zwischen 3,0% und 11,3%.
  • 0,5% für Personen mit positivem Test, die Symptome zeigen; abermals ist SARS-CoV-2 für eine normale Influenza Saison kein Match.
  • 0,03% für eine Hospitalisierung, d.h. auf 100.000 Personen kommen 30, die hospitalisiert werden müssen. Die folgende Abbildung zeigt die normale Anzahl von Personen, die im Verlauf zurückliegender Influenza-Saisons in den USA hospitalisiert werden mussten. Die entsprechenden Zahlen rangieren zwischen 20 und 110 pro 100.000. Damit bewegt sich SARS-CoV-2 im Rahmen einer normalen Influenza-Epidemie.

    Quelle: CDC
  • Die Inzidenz für eine schwere Erkrankung beträgt 0,02%, die Sterberate beträgt 0,003%.
Folgen Sie uns auf TELEGRAM

Diese Inzidenzen sind abermals deutlich geringer als es für Influenza in der Regel der Fall ist. Für die schwere Influenza-Saison 2017/18 beträgt die Sterberate, die man auf Grundlage der Daten der US-amerikanischen CDC errechnen kann 0.13%, liegt also höher als die Sterberate, die im Datensatz von Dogan et al. (2021) für COVID-19 berichtet wird. In der Influenza-Saison 2011/12, die in der Abbildung ganz unten zu finden ist, die also unterdurchschnittlich verlaufen ist, ergibt sich aus den Daten der CDC eine Sterberate von abermals 0,13%.

Auf Grundlage der Daten, die Dohan et al. (2021) für ihre Analyse berichten, muss man zu dem Schluss kommen, dass der ganze derzeit betriebene Aufwand nur dann zu rechtfertigen ist, wenn die Anzahl der an COVID-19 verstorbenen Toten, (die Zahl, die regelmäßig berichtet wird, zeigt die Toten, die “MIT” SARS-CoV-2 verstorben sind, das ist nicht notwendiger Weise die Anzahl der AN COVID-19 Verstorbenen), in absoluten Zahlen deutlich über den Sterbeziffern liegt, die in einer durchschnittlichen Influenza-Saison normal sind.

Eine entsprechende Analyse steht bislang noch aus. 

Nun zur Studie. 

Die Autoren um Dogan haben zwei Gruppen gebildet, die jeweils 596.618 Personen umfassen. Gruppe 1 umfasst 596.618 Personen, die gemipft wurden, Gruppe 2 die selbe Anzahl Ungeimpfter, wobei die Autoren angeben, sie hätten die Gruppen mit einander gematched, und zwar nach einer Vielzahl von Kriterien, sozialstrukturellen (Alter, Geschlecht, Ethnie, Religion), gesundheitlichen (Vorerkrankungen), Wohngegend usw. Obwohl das danach klingt, als wäre jeweils ein Befragter aus Gruppe 1 mit einem Befragten aus Gruppe 2 gematched worden, so dass sie im Hinblick auf die genannten Variablen gleiche Ausprägungen aufweisen, ist dies nicht der Fall. Das Matching findet auf Aggregatebene statt, schon weil ein individuelles Matching selbst den Datensatz von Dohan, der immerhin mehr als eine Millionen Personen umfasst, an seine Kapazitätsgrenze bringt. Allein ein Matching nach Alter und Geschlecht, ersteres hat Ausprägungen von 16 bis sagen wir 100, also ingsesamt 84 Kategorien, letzteres bei uns zwei, resultiert in 168 möglichen Matches. Nimmt man nun noch vier Religionsgemeinschaften an, dann ergeben sich schon 672 mögliche Matches, die sich vielleicht auf 135 Nachbarschaften verteilen, macht 90.720 mögliche Matches und damit sind wir noch nicht bei den Vorerkrankungen …. Kurz, das Matching ist ein aggregiertes Matching, eine Art Datengewichtung, die sich gut macht, die die Varianz zwischen den beiden Gruppen einschränkt und darüber hinaus eine gewisse Versicherung dagegen bietet, dass die Ergebnisse einem Kompositionseffekt beider Gruppe geschuldet sind, mehr aber nicht.


Im Verlauf der 42 Tage, die den Beobachtungszeitraum darstellen, werden drei Zeitspannen für Geimpfte unterschieden: 14 bis 20 Tage nach der ersten Dosis, 21 bis 27 Tage nach der ersten Dosis und 1 bis 7 Tage nach der zweiten Dosis. Im Verlauf der 42 Tage können mehrere Ereignisse eintreten, die für die Analyse von Bedeutung sind: Ein Teilnehmer kann positiv getestet werden, ein Teilnehmer kann positiv getestet werden und Symptome von COVID-19 zeigen, ein Teilnehmer kann hospitalisiert werden, schwer erkranken, und ein Teilnehmer kann sterben. Für diese fünf Endpunkte der Analyse braucht man nun ein statistisches Verfahren, das schätzt, wie hoch das entsprechende Risiko in den beiden Gruppen der Geimpften und der Ungeimpften ist. Sterbeanalysen und der dabei regelmäßig mitgelieferte Kaplan-Meier-Schätzer leisten diese Aufgabe und sie resultieren in schönen Abbildungen wie den folgenden:

Dagon et al. (2021).

Was man hier sieht, ist der Verlauf kumulierter Wahrscheinlichkeiten, dass ein Mitglied einer der beiden Gruppen, positiv auf SARS-CoV-2 getestet wird (A), Symptome von COVID-19 zeigt (B), Hospitalisiert wird (C), schwer an COVID-19 erkrankt (D) und stirbt (E). Wie man sieht, ist das Risiko für jeden dieser Endpunkte in der Gruppe der Ungeimpften höher als in der Gruppe der Geimpften, indes ist das Risiko an sich in keinem Fall sehr hoch. So ist das kumulierte Risiko, schwer an COVID-19 zu erkranken, in der ungeimpften Gruppe nicht höher als 0,12% (das enstpricht ungefähr der Wahrscheinlichkeit an Influenza zu sterben), das Risiko an COVID-19 zu sterben, ist in der ungeimpften Gruppe nie höher als 0,03% und somit deutlich geringer als das Risiko, an Influenza zu sterben.

Aus der Differenz der beiden Kurvenverläufe kann nun die Effektivität von BNT162b2, denn damit wurden die Israelis geimpft, berechnet werden, wobei es Sinn macht, mit dieser Berechung erst nach 14 Tagen zu beginnen, denn zuvor tut sich nicht viel, wie die Abbildungen oben ziegen. Die folgende Tabelle gibt die Effektivität des Impfstoffes an. Die jeweilige Effektivität findet sich in der mit 1-RR überschriebenen Spalte. Sie beträgt 14 bis 20 Tage nach der ersten Impfdosis 46% für einen positiven Test auf SARS-CoV-2, nach 21 bis 27 Tagen 66% bei symptomatischer Erkrankung, 21 bis 27 Tage nach der ersten Impfdosis 78% bei Hospitalisierung, 7 Tage nach der zweiten Dosis 92% bei schwerer Erkrankung usw. Die Zahlen stellen die Reduktion des jeweiligen Risikos durch eine Impfung dar: Nach zwei Impfungen hat man also ein um 92% geringeres Risiko als ein Ungeimpfter, schwer an COVID-19 zu erkranken, also 92% weniger von einem Gesamtrisiko, das 0,02% beträgt. Somit hat ein Geimpfter ein Risiko von 0,0016% schwer an COVID-19 zu erkranken, ein Ungeimpfter hat ein Risiko von 0,0184%. 

Dagon et al. (2021).

Die Ergebnisse von Dogan et al. (2021) zeigen somit, dass eine Impfung mit BNT162b2 eine Reduktion des Risikos, positiv getestet zu werden, symptomatisch zu erkranken, hospitalisiert zu werden, schwer zu erkranken und wohl auch zu sterben (die Fallzahl ist hier sehr bescheiden) zur Folge hat. 

Ob sich der im Zusammenhang mit Impfung betriebene Aufwand und die Zerstörung von Wirtschaft und privater Unternehmung angesichts der oben dargelegten Inzidenzen rechtfertigen lassen, das ist eine ganz andere Frage.



Texte wie dieser sind aufwändig und mit viel Recherche verbunden.
Bitte unterstützen Sie uns, damit solche Texte auch weiterhin möglich sind.

Vielen Dank!




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.

ScienceFiles-Abo
Loading




Print Friendly, PDF & Email
23 Comments

Bitte keine Beleidigungen, keine wilden Behauptungen und keine strafbaren Inhalte ... Wir glauben noch an die Vernunft!

Diese Website verwendet Akismet, um Spam zu reduzieren. Erfahre mehr darüber, wie deine Kommentardaten verarbeitet werden.

ScienceFiles-Betrieb

Was uns am Herzen liegt ...

 

Ein Tag ScienceFiles-Betrieb kostet zwischen 250 Euro und 350 Euro.


 

Wenn jeder, der ScienceFiles liest, uns ab und zu mit einer Spende von 5, 10, 20, 50 Euro oder vielleicht auch mehr unterstützt, vielleicht auch regelmäßig, dann ist der Fortbestand von ScienceFiles damit auf Dauer gesichert.


Wir bedanken uns bei allen, die uns unterstützen!


ScienceFiles-Spendenkonto

Vielen Dank!

Holler Box