Corona-Heuschnupfen: Noch ne Legitimation für mehr Lockdown – Junk Science mit der ARD

Haben Sie es gesehen?

09:07 Uhr

Studie: Mehr Infektionen bei stärkerem Pollenflug

Starker Pollenflug kann einer Studie zufolge das Corona-Risiko erhöhen. Gebe es viele Pollen in der Außenluft, stiegen die Infektionszahlen, berichtet ein internationales Team unter Leitung von Forschern der Technischen Universität München (TUM) und des Helmholtz Zentrums München im Fachmagazin “PNAS”. An Orten ohne Lockdown-Regelungen stieg die Infektionsrate im Schnitt um vier Prozent, wenn sich die Anzahl der Pollen in der Luft um 100 pro Kubikmeter erhöhte. In manchen deutschen Städten seien im Untersuchungszeitraum zeitweise pro Tag bis zu 500 Pollen auf einen Kubikmeter gekommen – dabei stiegen die Infektionsraten um mehr als 20 Prozent.

Die Erklärung für die Beobachtung laut Forschern: Wenn Pollen fliegen, reagiert die Körperabwehr in abgeschwächter Form auf Viren der Atemwege. Der Körper produziere dann unter anderem weniger sogenannter antiviralen Interferone. Die täglichen Infektionsraten korrelierten mit der Pollenzahl in Ländern mit und ohne Lockdown. Galten in den untersuchten Gebieten Lockdown-Regeln, halbierte sich die Zahl der Infektionen im Schnitt bei vergleichbarer Pollenkonzentration in der Luft.

Die Autoren hatten Daten zu Pollenbelastung und Sars-CoV-2-Infektionsraten aus 130 Regionen in 31 Ländern auf fünf Kontinenten analysiert. Sie berücksichtigten auch demografische Faktoren und Umweltbedingungen, darunter Temperatur, Luftfeuchtigkeit, Bevölkerungsdichte und die Ausprägung des Lockdowns.”



Sie sehen, der nächste Lockdown ist schon in Vorbereitung. Die “Studie”, die der ARD offensichtlich zugespielt wurde, denn wir glauben nicht, dass die dort Beschäftigten den täglichen Veröffentlichungen bei PNAS (Proceedings of the National Academy of Science, USA) folgen, stellt denen, die einen weiteren Lockdown durchsetzen wollen, neues Material zur Verfügung, denn angeblich ist der Pollenflug mit der Infektionsrate verbunden und angeblich wirkt sich ein Lockdown reduzierend auf die Infektionsrate per Pollenflug aus. Die Verbindung zwischen Pollenflug und SARS-CoV-2 Infektion ist eine behauptete, keine geprüfte. Das was in der Meldung der ARD wiedergegeben wird, findet sich auch im Beitrag, auf den sich die ARD hier bezieht, es liest sich gleich zu Beginn des Textes wie folgt:

“Pollen exposure weakens the immunity against certain seasonal respiratory viruses by diminishing the antiviral interferon response”.

Das ist der erste Satz des Beitrags, wer denkt, im Text findet sich mehr, vor allem ein Beleg dafür, dass Pollen und SARS-CoV-2 miteinander konspirieren, um das Abwehrsystem menschlicher Organismen zu überwinden, der sieht sich getäuscht. Die Autoren sind, überraschender Weise, der Ansicht, ihre, ausgerechnet ihre Analyse würde einen Beleg für diese Behauptung, die Ausgangspunkt ihrer gesamten Arbeit ist, liefern. Wir haben es hier mit Autoren zu tun, die in der Lage sind, sich davon zu überzeugen, dass das, was sie in den Daten suchen auch tatsächlich in den Daten zu finden ist.

Doch der Reihe nach.

Folgen Sie uns auf TELEGRAM

Die Studie, deren Autoren und Titel die ARD einmal mehr verschweigt, trägt den Titel: “Higher Airborne Pollen Concentrations Correlated with Increased SARS-CoV-2 Infection Rates, as Evidenced from 31 Countries across the Globe”. Verantwortlich für diese Studie sind Athanasios Damialis, Stefanie Gilles, Mikhail Sofiev, Viktoria Soheva, Franziska Kolek, Daniela Bay, Maria P. Plaza, Vivien Leier-Wirtz, Sigrid Kaschuba, Lewis H. Ziska, Loenard Bielory, Laszló Makra, Maria del Mar Trigo und Clauda Traidl-Hoffmann.

Räumen wir zunächst das aus dem Weg, was die ARD über die Studie behauptet, falsch behauptet. Die Autoren haben KEINE demographischen Variablen (Alter, Geschlecht, Ethnie) in ihrem Datensatz berücksichtigt. Das hätte der ohnehin vorhandenen Sinnlosigkeit, die diese Datenhuberei auszeichnet, die Krone aufgesetzt.

Formulierungen wie “an Orten ohne Lockdown-Regelung” suggiereren den Lesern, hier sei eine tiefgegliederte Analyse durchgeführt worden. Das ist nicht der Fall. Die Analyseebene sind, mit einer Ausnahme, auf die wie gesondert eingehen, LÄNDER, 31 Länder. Aus diesem Grund ist die folgende Aussage nicht nur falsch, sondern entweder absoluter Ahnungslosigkeit oder der Absicht, die Leser der ARD hinters Licht zu führen, geschuldet.

“In manchen deutschen Städten seien im Untersuchungszeitraum zeitweise pro Tag bis zu 500 Pollen auf einen Kubikmeter gekommen – dabei stiegen die Infektionsraten um mehr als 20 Prozent.”

Es gibt keine Analyse, die deutsche Städte mit den Infektionsraten in diesen Städten in Zusammenhang bringt. Die Aussage ist frei erfunden. Es gibt eine “Fallanalyse” für drei Schweizer Kantone, zu der wir noch kommen werden, die die Autoren aus gutem Grund in den Supplementary Materials versteckt haben. Interessant ist der “Beobachtungszeitraum”, von dem die ARD-Hansel nicht angeben können, welchen Zeitraum die Autoren eigentlich beobachtet haben. Das ist nachvollziehbar. Auch der Beobachtungszeitraum ist von den Autoren mehr oder weniger sorgfältig versteckt worden. Man findet ihn im Kleingedruckten zur Vorgehensweise, also dort, wo mit Sicherheit kein Journalist liest:

“The entire study period was from 1 January to 8 April 2020. Longitudinal data analysis was restricted to the exponential infection phase as determined per site, ranging, on average, from start/middle of March to 8 April 2020 (median = 22 d).”

Daten und Analyse sind somit alt, stammen aus dem letzten Jahr, von Anfang des letzten Jahres. Der Beitrag selbst ist bei PNAS seit dem 13. Oktober 2020 vorrätig und offenkundig als nicht “dringlich” angesehen worden, denn selbst die ONLINE-Veröffentlichung ist erst am 8. März 2021 vorgenommen worden, obwohl der Beitrag am 20. Januar akzeptiert wurde. Aber derlei Feinheiten sind bei der ARD natürlich unbekannt, dort arbeiten Wissenschaftsferne, die sich dessen ungeachtet anmaßen, wissenschaftliche Ergebnisse beurteilen zu wollen.

Zurück zum Beitrag. Es ist ein seltsamer Beitrag, denn man muss sich das, was da gemacht wurde, zusammensammeln wie ein Eichhörnchen. Welche Daten wozu genutzt wurden, das kann man sich auf Basis der Analysen, deren Ergebnis präsentiert wird, noch ehe die Methoden, die angewendet wurden, um das Material zu sammeln und miteinander in Verbindung zu bringen, vorstellen, muss dann aber mühsam nach Bestätigung im Text suchen. Wir bringen hier eine Serviceleistung, deren Wert nur nachvollziehen kann, wer versucht hat, sich durch diesen doch sehr merkwürdigen Text zu lesen.

  • Die Autoren geben mit den vielen Daten an, die sie zu Pollen gesammelt haben, Daten von 248 Messstationen in 31 Ländern haben sie gesammelt.
  • Die SARS-CoV-2 Fallzahlen ruhen auf eher kruder Basis. Es gibt sie, mit Ausnahme von drei Schweizer Kantonen zu denen wir wie gesagt noch kommen, nur auf Basis von Ländern, die Analyseeinheit ist somit 31 Länder. Nun wissen diejenigen unter uns, die sich noch an den Beginn der Pandemie erinnern können, dass die Verbreitung von SARS-CoV-2 zu Beginn doch sehr zu wünschen übrig gelassen und weit hinter dem angekündigten exponentiellen Wachstum zurückgeblieben ist. Was macht man, wenn man mit geringen Fallzahlen konfrontiert ist, man berechnet Raten. Steigerungsraten sind auch dann, wenn die Steigerung von 3 auf 6 erfolgt, sehr stattlich, und wohl aus diesem Grund, findet sich unter Data Processing eine schmucke Formel, mit der die Steigerungsrate der positiven Tests auf Tagesdaten für die 31 Länder berechnet wurde (welche Länder das sind, dazu kommen wir noch). Zuweilen, so behaupten die Autoren, hätten Sie auch tiefer gegliederte Daten genutzt. Wir wissen, das sie das für die Schweiz getan haben, mehr nicht. Der Beitrag zeichnet sich durch ein unverkennbares Bemühen aus, die Datenlage nicht offen zu legen.
  • Schließlich gibt es noch meteorologische Daten und Daten zur Bevölkerungsdichte, von denen uns nicht klar ist, wie sie den bereits vorhandenen Daten zugeordnet wurden, denn die Messstationen für Pollen und die Messststationen für Luftfeuchtigkeit sind nicht identisch und zudem ist nicht klar, ob die Bevölkerungsdichte auf Landes oder regionaler Ebene berechnet wurde. Irgendwie wurde wohl beides getan, wie genau die Überlappung der Daten miteinander aussieht, ist unklar, aber es ist wohl so, dass die räumlichen Gebiete, für die meteorologische Daten und Daten für die Bevölkerungsdichte vorhanden sind, nicht den räumlichen Gebieten entsprechen, für die Daten für SARS-CoV-2 und Pollenstärke vorhanden sind. Es ist ein monströses Sammelsurium von Daten, die nicht zueinander passen. Am deutlichsten wird dies anhand der Daten zu Pollen. Die stammen für Deutschland von 7 Messstationen, nämlich Berlin, Freiburg, Fulda, Hamburg-Borstel, Leizig, Mönchengladbach und zwei aus Bayern. So, nun stellen Sie sich vor, Sie haben für Potsdam und Kaiserslautern Daten für die Luftfeuchtigkeit und die Bevölkerungsdichte, wie bringen Sie diese Daten mit Daten von einer der 7 Messstationen zusammen und mit welcher? Mit der, die räumlich am nächsten gelegen ist? Oder mit den Daten der Messstation, die in einem Gebiet steht, das von der Bevölkerungsdichte her dem Gebiet entspricht, für das Sie auf der Suche nach Pollendaten sind?

Das Ganze ist ein monströses Datenfiasko, das letztlich ein Sammelsurium unterschiedlicher Daten für unterschiedliche räumliche Gebiete mit Daten von genau sieben Messstationen in Deutschland zusammenbringt und so dafür sorgt, dass niemand weiß, wie man das, was am Ende herauskommt, interpretieren soll, jedenfalls niemand, der nicht schon mit einer vorgefassten Meinung dazu, was herausgekommen ist, an die Sache herangeht, so wie die Autoren das tun. Aber dazu kommen wir noch.

Bleiben wir noch ein wenig bei den Daten. Die Daten zu Lockdowns, also dazu, welche Maßnahmen in welchen Ländern wann und in welchem Ausmaß eingeführt wurden, stammen unter anderem von Wikipedia. Es gibt Dozenten, die geben studentische Arbeiten ungelesen zurück, wenn Wikipedia als Datenquelle auftaucht. Nun, haben wir den Mist gelesen und wollen ihn unseren Lesern nicht vorenthalten. Wir tun dies entlang dreier Abbildungen, die deutlich zeigen, welchen Junk die Autoren und PNAS der Öffentlichkeit zumuten:

Damialis et al. (2021).

Die Abbildung zeigt das Ergebnis von Regressionsanalysen im Scatterplot, wobei die Veränderungen in der Infektionsrate in der Ordinate abgetragen sind, während die Abweichung der Pollenintensität von einem (willkürlichen) Mittelwert in der Abzisse angegeben und als “Anomalie” bezeichnet ist. Sie können sich, wenn Sie die Abbildungen betrachten, daran erfreuen, dass in der Regel nichts zu sehen ist, denn die Punktewolken sind in allen Fällen so schlecht durch die Gerade repräsentiert, dass man fast Mitleid mit den Autoren haben kann, die dieses Ergebnis doch unbedingt interpretieren wollen. Sie können auch die Werte, die für R2 ausgewiesen sind, bestaunen. Die Werte für R2 geben an, wie viel Varianz durch die Regressionsgerade erklärt wird. Je höher der Wert von R2, desto näher liegen die Messpunkte an der errechneten Regressionsgerade. Ein R2 von 1 sähe alle Punkte auf der Geraden liegen, ensträche also einer erklärten Varianz von 100%. Das, was hier als Ergebnis interpretiert wird, rangiert von 1% erklärter Varianz (USA) bis zu 4% (Schweiz). Mit anderen Worten, die Ländermodelle erklären zwischen 96% und 99% der Varianz NICHT. Die Ergebnisse sind nicht interpretierbar.

Derartige methodische Erkenntnisse hindern denjenigen, der entschlossen ist, die Ergebnisse, die er sich wünscht und von denen er hofft, dass sie ihm Fördergelder in die Tasche spülen, nicht daran, sie zu veröffentlichen und den berechneten Junk noch auf die Spitze zu treiben:

Damialis et al. (2021).

Die schöne bunte Abbildung, die aussieht, als hätte sie ein Kind mit Fingerfarben erstellt, ist bunt. Mehr nicht. Wie die Autoren ihre drei Lockdown-Typen berechnet haben, jene Lockdown-Typen, die nicht etwa auf den Daten des Government Response Tracker der Blavatnik School of Government der University of Oxford basieren (die Wissenschaftler gemeinhin benutzen), sondern auf u.a. einer Wikepedia-Recherche, zusammengesbastelt haben, das ist ihr Geheimnis. Man muss ihnen eben vertrauen, ihnen, die Ergebnisse von Regressionsanalysen verbraten, die nicht einmal 5% der Varianz erklären. Besonders gut haben uns die Ergebnisse für die Niederlande, die für ihre hohe Luftfeuchtigkeit bekannt sind, so wie das Vereinigte Königreich in dem es ebenfalls feucht ist, gefallen. Seltsamerweise erklärt die Luftfeuchtigkeit nur in den Niederlanden, nicht aber im Vereinigten Königreich. Dort erklärt der Lockdown, der später als anderswo, nämlich am 23. März 2020 begonnen hat. Zur Erinnerung: Der Beobachtungszeitraum der Autoren geht vom 1. Januar bis zum 8. April, enthält somit gerade einmal 15 Tage britischen Lockdown und dass diese 15 Tage mit der Pollenintensität korrelieren, das ist kein Wunder, denn die Pollensaison im Vereinigten Königreich ist im März in vollem Gange.

Spurious Correlations

Dass eine Variable, die im Januar und im Februar keinerlei Eintrag hat (Pollen), mit einer anderen Variable, die just zu der Zeit, zu der die Pollensaison beginnt, auch Saison hat (Fallzahlen für SARS-CoV-2), auf Aggregatebene korreliert, ist kein Wunder. Es wäre eher seltsam, wenn zeitliche Zusammenkünfte wie diese keine Korrelation produzieren würden. Dass diese Korrelation, etwas anderes als ein statistisches Artefakt ist, etwa dem Artefakt, dass der Konsum von Käse mit der Wahrscheinlichkeit, in der eigenen Bettdecke zu ersticken, entspricht, das wäre zu zeigen. Die Autoren zeigen es nicht. Sie interpretieren ihr Ergebnis so, wie sie es von Anfang an vorhatten, zu interpretieren, als eindeutigen Zusammenhang, wenn nicht Kausalität und das ist schlicht und ergreifend NICHT möglich.

Wie sehr der Trieb, unbedingt Zusammenhänge zwischen Pollen und SARS-CoV-2 herbeiinterpretieren zu wollen, bei den Autoren vorhanden ist, das zeigt die folgende Abbildung, die in den Supplementary Materials versteckt ist:

Damialis et al.

Nach Ansicht der Autoren sieht man auf dieser Abbildung, dass der eingekringelte hohe Anstieg von Pollen (untere Abbildung) in Zürich, der so hoch ist, dass wir einen Datenfehler vermuten würden, wären wir mit einem solchen EINMALIGEN Ausreißer konfrontiert, dass dieser Anstieg ein paar Tage später von einem kleinen Anstieg der Fallzahlen in Zürich gefolgt wird. Das interpretieren die Autoren allen Ernstes als Beleg dafür, dass die erhöhte Pollenkonzentrazion vom 12. März für die erhöhte Fallzahl vom 14. März in Zürich verantwortlich sei. In ihrem Eifer entgeht ihnen, dass die Fallzahlen in Lausanne und Zürich schon einmal einen leichten Anstieg gezeigt haben, nämlich am 11. März 2020. Dieser Anstieg war dann offenkundig ganz ohne Pollen möglich, ebenso wie die heftigen Anstiege der Pollenkonzentration für alle drei Kantone, die am 21. und am 29. März in den Daten zu finden sind, KEINERLEI Effekt auf die Fallzahl haben. Offenkundig ist der Zusammenhang zwischen Pollenkonzentration und Häufigkeit positiv Getesteter nur dann vorhanden, wenn die Autoren ihn sehen wollen, sonst nicht.

Diese Arbeit, die einmal mehr zeigt, wie bereitwillig sich Journalisten-Darsteller, deren Aufgabe eigentlich darin bestünde, die Öffentlichkeit zu informieren, als Junk-Schleuder betätigen, die alles durchreicht, was ideologisch passt, ist unterirdisch. Wie es die Studie von Damialis et al. in eine wissenschaftliche Zeitschrift schaffen konnte, das ist uns ein Rätsel, sie ist, in einem Wort: Junk. Es ist erschreckend, was heutzutage durch die Peer Review kommt, aber wie Dr. habil. Heike Diefenbach schon vor einiger Zeit dargelegt hat, ist Peer Review kein Garant für Qualität, sondern u.a. ein Garant dafür, dass Neuankömmlinge mit dem, was sie verbreiten wollen, nicht von dem abweichen, was schon in der Vergangenheit verbreitet wurde. Ein Garant dafür, dass niemand im Echozimmer ein Fenster öffnet.

Eigentlich muss man Studien wie die von Damialis et al. (2021) nicht so ausführlich besprechen, aber das ausführliche Besprechen hat den Vorteil, dass die Leser mit viel Munition versorgt werden, die sie einsetzen können, um eine Studie abzuschießen, deren Autoren der Ansicht sind, Pollenkonzentrationen, die an sieben Orten in Deutschland gemessen werden, wären eine erklärende Variable für die Inzidenz von SARS-CoV-2, die Ende März und Anfang April 2020 in Deutschland geherrscht hat. Auf diese Idee muss man erst einmal kommen, diese Idee, die annimmt, dass jeder positiv Getestete in Deutschland dieselbe Chance hat in der selben Weise mit SARS-CoV-2 in Verbindung zu kommen, in der selben Weise mit derselben Pollenstärke seiner am nächsten gelegenen Pollenmessstation in Verbindung zu kommen, die selben Windverhältnisse vorzufinden, die selbe Wahrscheinlichkeit, an Heuschnupfen zu erkranken, zu haben und vieles mehr. 

Wenn Sie den Unfug, der hier Studie geworden ist, richtig genießen wollen, dann sollten Sie sich überlegen, welche Variablen zusammentreffen müssen, damit Sie und ihr Bruder, der 20 km von Ihnen entfernt wohnt, dieselbe Chance haben, sich mit SARS-CoV-2 anzustecken und in der selben Weise unter Pollen zu leiden, bei gleicher Luftfeuchtigkeit, Bevölkerungsdichte und Fallzahlentwicklung, versteht sich.


Damialis, Athanasios et al. (2021). Higher Airborne Pollen Concentrations Correlated with Increased SARS-CoV-2 Infection Rates, as Evidenced from 31 Countries Across the Globe. Proceedings of the National Academy of Science of the United States.


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

Vielen Dank!
[wpedon id=66988]

  • 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


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


Folgen Sie uns auf Telegram.
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.
Wir haben drei sichere Spendenmöglichkeiten:

Donorbox

Unterstützen Sie ScienceFiles


Unsere eigene ScienceFiles-Spendenfunktion

Zum Spenden einfach klicken

Unser Spendenkonto bei Halifax:

ScienceFiles Spendenkonto: HALIFAX (Konto-Inhaber: Michael Klein):
  • IBAN: GB15 HLFX 1100 3311 0902 67
  • BIC: HLFXGB21B24

Print Friendly, PDF & Email
24 Comments

Schreibe eine Antwort zu oprantlAntwort abbrechen

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

Entdecke mehr von SciFi

Jetzt abonnieren, um weiterzulesen und auf das gesamte Archiv zuzugreifen.

Weiterlesen

Entdecke mehr von SciFi

Jetzt abonnieren, um weiterzulesen und auf das gesamte Archiv zuzugreifen.

Weiterlesen