Aktuelle Zahlen SARS-CoV-2 Deutschland

Einleitung

Datenquellen: RKI, Coronazähler, andere(siehe Text zu Grafik). Prognosen: Model1: Sigmoid; Model2: Linear, Model3: Simulation. Für mehr Info Infotext An/Aus drücken.
Die folgenden Statistiken basieren auf zwei Datenquellen: den vom RKI gemeldeten Zahlen sowie den von Coronazähler ermittelten Daten. Letztere sind den RKI-Zahlen je nach Meldegeschwindigkeit um 1-2 Tage voraus, da hier auch Zahlen der Landkreise, Städte oder aber über die Presse direkt z.B. aus den Krankenhäusern Daten geliefert werden.
Diese Seite verwendet 3 unterschiedliche Modelle zur Prognose. Allen Modellen ist gemeinsam, dass sie automatisch adjustiert (gelernt und nachgelernt) werden. Eine manuelle Korrektur findet nur im Falle eines Softwarefehlers statt, ansonsten wird sowohl die Sammlung der Basisdaten, als auch die Erstellung der Modelle durch einen (KI-)Bot durchgeführt. Modell 1 nimmt einen sigmoiden Verlauf der Epidemie an, wie er in vielen Pandemiewellen typisch ist (siehe Li, R., Pei, S., Chen, B., Song, Y., Zhang, T., Yang, W. and Shaman, J., 2020. Substantial undocumented infection facilitates the rapid dissemination of novel coronavirus (SARS-CoV2). Science.). Bei diesem Modell wird der schnelle Anstieg durch frühzeitige Maßnahmen abgebremst. Aus der bisherigen Entwicklung werden hier Parameter werden in einer Sigmoid-Funktion (5PL) "gefittet". Seit 1.6. befinden wir uns in der 2. Welle, wie durch das komplexeren Modell 3 vorhergesagt. In der langfristigen Prognose zeigt Model 3 (Simulationsmodell) die besten Ergebnisse (siehe unten), da es sowohl Umwelteinflüsse (z.B. Wettereinfluß) als auch Entscheidungen der Kontaktbeschränkung bei Auftreten einer Welle mit einbezieht. Die Korrelation der Einflußfaktoren mit der Entwicklung der Epidemie wird in Model 3 vom vorherigen Verlauf gelernt und die Muster in die Zukunft übertragen. Eine Veränderung des Verhaltens z.B. der Bevölkerung oder der von der Politik ergriffenen Maßnahmen im Verhältnis zu den bisherigen Maßnahmen kann dann zu einer Abweichung der berechneten Vorhersage zu den tatsächlich eingetretenen Fällen führen. Aktuell ist das Modell 3 stabil, d.h. es sagt seit November eine dritte Wellen im Frühjahr 2021 voraus.

Infektionstrend

Klicken Sie ein Bundesland oben an, um dieses zu vergleichen Infektionsrisiko in gemeldete aktive Fälle pro 100.000 Einwohner


Infektionsrisiko nach Bundesländern

Klicken Sie ein Bundesland oben an, um dieses zu vergleichen Infektionsrisiko in gemeldete aktive Fälle pro 100.000 Einwohner


Infektionstrend in D und Bundesländern

Wie gestaltet sich der Trend hinsichtlich der aktuellen Infektionen in Deutschland? Der Trend in den einzelnen Bundesländern ist dabei unterschiedlich.

Wie wurde gerechnet? Basis sind die offiziell vom RKI gemeldeten Daten. Da die Meldedaten sehr stark zwischen den Wochentagen schwanken, wurde ein 7-Tages Vergleich gewählt, der dann noch um 2 Tage geglättet wurde. Die Kategorisierung erfolgt mit Hilfe der Kategorien 10% mehr oder 10% weniger Infizierte also vor 7 Tagen, die als gleichbleibenden Trend kategorisiert wurden. Zwischen 60% und 90% wurde als moderate Zu- bzw. Abnahme kategorisiert, von 60-90% als moderate Zu- und Abnahme, alles größer 90% als starke Ab- bzw. Zunahme.

Kontakte pro Bundesbürger

Gemeldete aktuell infizierte Personen und Tote ohne Dunkelziffer. Simulationsmodel basiert auf Muster des bisherigen Verlaufs korreliert auf Wetter, Reisen, Bettenauslastung, Verhältnis Entwicklung Sozialkontakten zu Infektionszahlen u. Toten

Aktiv Infizierte (Gesamtinfizierte minus Genesene)

Gemeldete aktuell infizierte Personen und Tote ohne Dunkelziffer. Simulationsmodel basiert auf Muster des bisherigen Verlaufs korreliert auf Wetter, Reisen, Bettenauslastung, Verhältnis Entwicklung Sozialkontakten zu Infektionszahlen u. Toten

Kontakte pro Bundesbürger

Modell 3: Eine wichtige Größe, die die Geschwindigkeit der Ausbreitung bestimmt, ist die Anzahl der direkten ungeschützen Sozialkontakte. Ist diese sehr gering, breitet sich diese langsamer ab, als Infizierte wieder genesen, die Epidemie stoppt. Zwar hat sich die Anzahl der Kontakte von durchschnittlich 8 (Durchschnittliche Anzahl Kontakte eines Deutschen vor der Krise) zunächst auf unter 4 reduziert, seitdem steigt sie aber wieder. Die Zahl spiegelt die ungeschützen Sozialkontakte wieder, d.h. geschütze Kontakte über kurze Zeiträume werden im Model als weniger als ein Kontakt errechnet. Das Modell kann nicht unterscheiden ob weniger Kontakte stattfinden, oder ob diese unter geschützen Bedingungen stattfinden.
Die Grafik oben zeigt auch die mögliche Entwicklung der Epidemie, konkreter, die aktuell an Covid-19 erkrankten Personen.
Zum Modell 3: Das Modell macht einige Annahmen, die der Berechnung der Sozialkontakte zugrunde liegen. Die erste Annahme ist, dass vor dem Einsetzen der Maßnahmen 8 ungeschütze (d.h. ohne Maske, Abstand) Sozialkontakte stattgefunden haben. Diese Zahl wurde entsprechenden Studien (s.u.) entnommen. Geht man nun davon aus, dass ein Corona-Infizierter ca. 5 Tage symptomfrei (damit unbemerkt) ansteckend ist (laut WHO und RKI, siehe Referenzen oben), kann man mittels der Werte am Anfang der Epidemie den Übertragungsfaktor S bestimmen. Dieser beträgt seit 16.3. 0.04. Der Wert ist gering. Dieser Wert wird nun verwendet, um sukzessive die folgenden Sozialkontakte zu berechnen. Sinken die Infiziertenzahlen, sind (sehr vereinfacht gesprochen, das Modell ist komplizierter) mehrere Tage vorher die Sozialkontakte gesunken. Weiterhin werden Faktoren wie maximale Durchseuchung (70%) sowie Verlangsamung der Infektionsausbreitung durch einige Immunisierte (also genesene an Covid erkrankte Personen die Antikörper gebildet haben) und die Dunkelziffer dieser nun Immunisierten einberechnet. Seit 20.4. werden zudem die Infiziertenzahlen korrigiert, da von einer steigenden Dunkelziffer auszugehen ist. Seit Ende Mai sind zudem Wettereinflüsse (insb. Luftfeuchte, siehe Referenzen) im Modell mit einberechnet, was eine verminderte Infektionsausbreitung im Sommer zu Folge hat. Ein weiterer Unsicherheitsfaktor sind die Anzahl der Reisenden bzw. die Infektionsrate der Reiserückkehrer, diese sind mangels Datenlage nicht einbezogen. Durch den Einfluß der unbekannten Entwicklung der tatsächlichen Witterung und Reisenden ist die kurzfristige Vorhersage deshalb unsicherer als z.B. einfache sigmoide Modelle (hier: Modell 2). Modell 3 verwendet Durchschnittswerte für z.B. die Wetterentwicklung. Das Modell ist insgesamt vereinfacht, da Infektionen nur auf Tröpfcheninfektionen zurückgeführt werden. Die Schmierinfektionen haben ebenfalls einen Einfluss, dieser ist aber nach der aktuellen Forschungslage eher gering.

Die rechte Seite zeigt eine Prädiktion der Entwicklung der Pandemie basierend auf den in Model 3 gelernten Parametern, d.h. den Zusammenhängen zwischen Anzahl Infizierten, Dynamik des Infektionsgeschehens, Anzahl der Verstorbenen, Wettergeschehens, Übertragungswahrscheinlichkeiten durch verschiedene Virusvarianten. Ebenso werden in Ausnahmefällen wie z.B. Weihnachten und Silvester Änderung der Kontaktbestimmungen als Regel mit in das Modell aufgenommen. Basierend auf dem erlernten Modell werden Vorhersagen für die Zukunft errechnet. Bedingt durch errechnete Korrelationen aber auch bedingt durch z.B. Wetterveränderungen, insbesondere Wettervorhersagen im Übergang zum Jahresdurchschnittswetter, kann es hier zu Sprüngen in den errechneten Werten kommen.

* 2 Meter Abstand senkt zwar die Ansteckwahrscheinlichkeit stark, aber eliminiert sie nicht.

Quellen:
  • Mossong, J., Jit, M., HENS, N., Beutels, P., Auranen, K., Mikolajczyk, R., Massari, M., Scalia-Tomba, G.P., Wallinga, J., Sadkowska-Todys, M. and Rosinska, M., 2007. Social contact and mixing patterns relevant to the spread of infectious diseases: a multi-country population-based survey. OXFORD UNIV PRESS.
  • Kim, S.W., Ramakrishnan, M.A., Raynor, P.C. and Goyal, S.M., 2007. Effects of humidity and other factors on the generation and sampling of a coronavirus aerosol. Aerobiologia, 23(4), pp.239-248.
  • Lowen, A.C., Mubareka, S., Steel, J. and Palese, P., 2007. Influenza virus transmission is dependent on relative humidity and temperature. PLoS Pathog, 3(10), p.e151.
  • Shaman, J. and Kohn, M., 2009. Absolute humidity modulates influenza survival, transmission, and seasonality. Proceedings of the National Academy of Sciences, 106(9), pp.3243-3248.
  • Shaman, J., Pitzer, V.E., Viboud, C., Grenfell, B.T. and Lipsitch, M., 2010. Absolute humidity and the seasonal onset of influenza in the continental United States. PLoS Biol, 8(2), p.e1000316.
  • Lofgren, E., Fefferman, N.H., Naumov, Y.N., Gorski, J. and Naumova, E.N., 2007. Influenza seasonality: underlying causes and modeling theories. Journal of virology, 81(11), pp.5429-5436.
  • Ahlawat, A., Wiedensohler, A., Mishra, S.K. (2020): An Overview on the Role of Relative Humidity in Airborne Transmission of SARS-CoV-2 in Indoor Environments, abgerufen am 20.08.2020:, https://aaqr.org/articles/aaqr-20-06-covid-0302

R7 vs. Zunahme/Abnahme Reisen


Case Fatality Rate (CFR)


R7 Wert vs. Reisen

Wie entwickelt sich der gemittelte R7 Wert über die Zeit im Verhältnis zur Reisetätigkeit? Verglichen wird in der Grafik die Reisetätigkeit und wie diese mit der Entwicklung des R7-Wertes (2-wöchentlichen Mittels) im Verhältnis stehen. Die Reisetätigkeit wird nicht als absoluter Wert, sondern als Verhältnis der Reisen an einem Tag zu dem korrespondierenden Wochentag aus der Kalenderwoche 14 im Jahr 2020 (Höhepunkt des Lockdowns) verglichen.

Testquote


Durchschnittliches Sterbealter


Sterbealter

Eine Sammlung der Zahlen über die Entwickung des Sterbealters in 2021. Die Zahlen korrelieren zu den Impfungen und zu der Ausbreitung der neuen Mutationen des Virus. Dadurch sinkt das durchschnittliche Sterbealter jede Woche

Sterbewahrscheinlichkeit im Vergleich zu Tod durch AstraZeneca Impfung durch


Akt. belegte Betten und Prädiktion


Wahrscheinlichkeit an einer Impfung durch AstraZeneca wegen Thrombose-Komplikation zu sterben

Wie hoch ist die Wahrscheinlichkeit wirklich, dass man an einer AstraZeneca-Impfung stirbt? Für viele gängigen verschreibungsfreien Medikamente wie z.B. viele Schmerzmittel ist die Wahrscheinlichkeit viel höher als dies bei einer Impfung ist. Dennoch sind diese Medikamente sehr sicher. Um ein Vielfaches höher ist aber die Wahrscheinlichkeit, innerhalb der nächsten 12 Monate sich mit Covid-19 zu infizieren und daran zu sterben. Dies gilt auch für junge Menschen.
Die Grafik soll zeigen, wie unwahrscheinlich es ist, dass man an einer AstraZeneca-Impfung sterben kann. Es ist viel wahrscheinlicher, dass man in der zusätzlichen Wartezeit auf eine Impfung an Covid-19 stirbt - selbst wenn man versucht eine Ansteckung zu vermeiden.
Alle Zahlen sind Mittelwerte, Quellen siehe unten. Zur Berechnung der Wahrscheinlichkeiten an Covid-19 zu sterden wurde angenommen, dass die Pandemie noch ca. 1 Jahr dauert und die Maßnahmen zur Eindämmmug solange ähnlich strikt bleiben. Für die Sterbewahrscheinlichkeit bei der Impfung durch AstraZeneca wurde angenommen, dass alle berichteten möglichen Todesfälle tatsächlich auf die Impfung zurückzuführen sind (Worst Case), während bei der Wahrscheinlichkeit durch Thrombosetod bei Ibuprofen mit der geringsten Sterbewahrscheinlichkeit gerechnet wurde (Best Case).

*Studienlage zu Ibuprofen noch nicht abgeschlossen. Die Werte sind aktuellen Metastudien entnommen
Quellen
GBE
RKI Altersverteilung Fälle
Kearney, P. M., Baigent, C., Godwin, J., Halls, H., Emberson, J. R., & Patrono, C. (2006). Do selective cyclo-oxygenase-2 inhibitors and traditional non-steroidal anti-inflammatory drugs increase the risk of atherothrombosis? Meta-analysis of randomised trials. Bmj, 332(7553), 1302-1308.
Varga, Zoltan, Syed rafay ali Sabzwari, and Veronika Vargova. "Cardiovascular risk of nonsteroidal anti-inflammatory drugs: an under-recognized public health issue." Cureus 9.4 (2017).

Trend bei Toten und Infizierten

Die linke Grafik vergleicht den Trend der gemeldeten aktiv Infizierten und der Verstorbenen.

Vergleich der Sterblichkeit Deutschland und Island

Wie verhält sich die Letalität und CFR in D und Island im Vergleich

Trend der Infektionszahlen vs. Trend der Verstorbenenzahlen

Die linke Grafik visualisiert den Trend der Infektionszahlen in Deutschland (weiß) sowie den Trend der Verstorbenenzahlen (rot). Um die tatsächliche Sterblichkeit zu beurteilen, müsste man die gesamte Bevölkerung gleichzeitig testen - oder aber zumindest eine repräsentative Stichprobe durchführen. Dies ist natürlich nicht möglich. Deshalb versucht diese Statistik sich dem Problem anzunähern. In der linken bzw. oberen Grafik sind die Letalität (7-Tage Mittel der Toten durch die Infizierten) sowie die sogenannte Case Fatality Rate (CFR) zu sehen, und zwar für die Länder Island und Deutschland im Vergleich. Island wurde als Vergleichsland herangezogen, weil es eine sehr hohe Testrate von 10% der Bevölkerung (D: 2%) aufweist, ein zuverlässiges Meldesystem hat sowie eine Bevölkerung mit ähnlicher genetischer Disposition (und damit Virenabwehr) wie in der deutschen Bevölkerung. Zu sehen ist, dass Island eine deutlich niedrigere Letalität und auch einen niedrigeren CFR besitzt. Zum Ende einer Epidemie werden sich beide Werte annähern und stellen dann die Obergrenze für die Sterblichkeit dar. Der CFR Dies kann als starkes Indiz dafür gedeutet werden, dass der Virus eine Sterblichkeit von maximal 1% haben wird. Die aktuelle Letalität ist in beiden Ländern mit dem Unsicherheitsfaktor der Dunkelziffer behaftet: In Deutschland sind 98% ungetestet, in Island "nur" 90%. D.h. die Letalität in Island mit ca. 0.55% kann als (aktuelle) obere Minimalgrenze für die Sterblichkeit gesehen werden. Insgesamt könnte die tatsächliche Sterblichkeit noch niedriger liegen.

Gemeldete Infektionen - Vorhersage 10 Tage


Gemeldete Infektionen - Vorhersage 25 Tage


Modell 1

Diese Seite verwendet 3 unterschiedliche Modelle zur Prognose. Allen Modellen ist gemeinsam, dass sie automatisch adjustiert (gelernt und nachgelernt) werden. Eine manuelle Korrektur findet nur im Falle eines Softwarefehlers statt, ansonsten wird sowohl die Sammlung der Basisdaten, als auch die Erstellung der Modelle durch einen (KI-)Bot durchgeführt. Modell 1 nimmt einen sigmoiden Verlauf der Epidemie an, wie er in vielen Pandemiewellen typisch ist (siehe Li, R., Pei, S., Chen, B., Song, Y., Zhang, T., Yang, W. and Shaman, J., 2020. Substantial undocumented infection facilitates the rapid dissemination of novel coronavirus (SARS-CoV2). Science.). Bei diesem Modell wird der schnelle Anstieg durch frühzeitige Maßnahmen abgebremst. Aus der bisherigen Entwicklung werden hier Parameter werden in einer Sigmoid-Funktion (5PL) "gefittet". Seit 1.6. befinden wir uns in der 2. Welle, wie durch das komplexeren Modell 3 vorhergesagt. In der langfristigen Prognose zeigt Model 3 (Simulationsmodell) die besten Ergebnisse (siehe unten), da es sowohl Umwelteinflüsse (z.B. Wettereinfluß) als auch Entscheidungen der Kontaktbeschränkung bei Auftreten einer Welle mit einbezieht. Die Korrelation der Einflußfaktoren mit der Entwicklung der Epidemie wird in Model 3 vom vorherigen Verlauf gelernt und die Muster in die Zukunft übertragen. Eine Veränderung des Verhaltens z.B. der Bevölkerung oder der von der Politik ergriffenen Maßnahmen im Verhältnis zu den bisherigen Maßnahmen kann dann zu einer Abweichung der berechneten Vorhersage zu den tatsächlich eingetretenen Fällen führen. Aktuell ist das Modell 3 stabil, d.h. es sagt seit November eine dritte Wellen im Frühjahr 2021 voraus.

Modell 2

Modell 2 geht für die kurzfristige Prädiktion von einem linearen Wachstum der Infektionszahlen aus. Dies ist für die kurzfristige Prognose eine gute Schätzung der Entwicklung.

Aktueller Verlauf

Aktueller Verlauf der gemeldeten Infiziertenzahlen.

Verstorbene - Vorhersage 10 Tage


Verstorbene - Vorhersage 25 Tage


Verstorbene pro Tag - Vorhersage 10 Tage


Verstorbene pro Tag - Vorhersage 25 Tage


Case Fatility Rate (CFR)

Berechnung der aktuellen Case Fatality Rate (CFR) Allgemein
Die Berechnung der Letalitätsrate ist rückblickend auf eine Epidemie sehr einfach: Man teilt die Verstorbenen durch die Infizierten, multipliziert mit Hundert und erhält so die Letalitätsrate in Prozent. Während des Verlaufs einer Epidemie ist die Berechnung der aktuellen Rate unsicherer und schwankt. Während eine Epidemie anhält, ist diese Zahl eher eine ungenaue Zahl, insbesondere am Anfang der Epidemie. Deshalb behilft man sich mit der Berechnung der Case Fatality Rate (CFR), die eine Schätzung der Sterberate darstellt. Wie wird diese berechnet? Machen wir ein Beispiel. Sagen wir zum 1. Dezember wären 100 Personen mit einem Virus infiziert. Nach ca. 2-3 Tagen zeigen sich die ersten Symptome, nach 2 weiteren Tagen wird der Test durchgeführt. Der Test ist positiv, die 100 Infizierten tauchen in der Statistik am 5. Dezember auf. Am 14. Dezember sterben nun 5 der hundert Patienten. Damit ergibt sich eine Case Fatality Rate von 5%. Wie man sich leicht vorstellen kann, ist die Berechnung vereinfacht: Dauert es wirklich nur 2 Tage bis die ersten leichten Symptome auftreten? Oder 5? Und sterben alle Infizierten vom 1. Dezember am 14. Dezember oder sind am 5. Dezember komplett geheilt? Natürlich nicht.
Hier muss man von Annahmen aus Untersuchungen ausgehen, die insbesondere in Wuhan durchgeführt wurden, wo der Ausbruch rückwirkend untersucht wurde. Diese sind in den Referenzen zu finden, hier aber die groben Zahlen: Die Berichte geben einen Zeitversatz von ersten Symptomen zu Tod von durchschnittlich 14 Tagen an. Das Robert Koch-Institut schreibt dazu: "In einer chinesischen Fallserie (siehe 9.) betrug diese Zeitspanne im Mittel (Median) acht Tage (IQR: 6–12 Tage) (34), und in einer anderen Veröffentlichung (n = 298 Patienten) 9 Tage (IQR: 7–11 Tage) (35).".
Der Text des RKI bietet noch weitere sehr lesenswerte Informationen und ist hier zu finden. Insbesondere ist hier sehr gut beschrieben, wieso die einfache Teilung der existierenden Infizierten durch die gerade Verstorbenen zu einer Verfälschung der Letalitätsrate führt. Grund ist, dass wie beschrieben die Kranken in der Regel nicht sofort, sondern erst nach einiger Zeit sterben (Mehr dazu auch ausführlich in dem Artikel Ghani AC, Donnelly CA, Cox DR, Griffin JT, Fraser C, Lam TH, Ho LM, Chan WS, Anderson RM, Hedley AJ, Leung GM. Methods for estimating the case fatality ratio for a novel, emerging infectious disease. American journal of epidemiology. 2005 Sep 1;162(5):479-86.).
Dennoch bleibt eine gewisse Unsicherheit, weil wir nicht genau wissen, mit welchem Tag, d.h. mit welcher Infiziertengruppe, ein Toter verglichen werden muss. Oder anders gesagt: Wie ist die Anzahl der Tage zwischen der Meldung der Infektion (das ist der Wert den wir in der Erfassung sehen) und dem Tod. Um die Unsicherheit in der Berechnung der Case Facility Rate abzubilden, haben wir uns deshalb entschlossen eine Bandbreite von Tagen aufzunehmen, nämlich zwischen 6 Tagen (was einen optimistischen Werte darstellt) und 14 Tagen (was einen pessimistischen Wert darstellt). Zum Ende der Epidemie werden sich die Werte annähern. Eine weitere Unsicherheit ergibt sich aus den Meldezahlen: Für beide Zahlen, gemeldete Infiziert und gemeldete Tote, gibt es eine Dunkelziffer, die aber aufgrund fehlender Datengrundlage nicht in die Berechnung mit aufgenommen werden kann. D.h. werden z.B. viele Infektionsfälle nicht erfasst, wäre die Sterblichkeit niedriger als die Prozentzahlen vermuten lassen. Umgekehrt sehen wir in den letzten Wochen wieder eine höhere CFR-Rate, obwohl die Sterblichkeit eigentlich sinken sollte. Dies ist ein Indiz dafür, dass zunehmend Infektionen nicht mehr erfasst werden, da die Ausbreitungswege zunehmend nicht mehr verfolgbar sind. D.h. die Dunkelziffer steigt und die tatsächlichen Infektionszahlen werden im Verhältnis zu den tatsächlichen Infektionszahlen immer größer.

Quellen:
WHO, WHO Director-General's opening remarks at the media briefing on COVID-19, 3. März 2020

Wang, Weier, Jianming Tang, and Fangqiang Wei. Updated understanding of the outbreak of 2019 novel coronavirus (2019-nCoV) in Wuhan, China. Journal of medical virology 92, no. 4 (2020): 441-447.

Wang, Weier, Jianming Tang, and Fangqiang Wei. Ghani AC, Donnelly CA, Cox DR, Griffin JT, Fraser C, Lam TH, Ho LM, Chan WS, Anderson RM, Hedley AJ, Leung GM. Methods for estimating the case fatality ratio for a novel, emerging infectious disease. American journal of epidemiology. 2005 Sep 1;162(5):479-86.

Zusätzliche Tote bei einer Virus-Epidemie?

Wieviele Menschen sterben bei einer Grippeepidemie über dem Durchschnitt (Beispiel: Grippeepidemien 2017 und 2018)

Gibt es zusätzliche Tote bei einer Virusepidemie?

Wie viele Menschen sterben bei einer Grippeepidemie laut den offiziellen Zahlen des Robert Koch-Instituts zusätzlich zu den Todesfällen in Jahren ohne Epidemie.

Übersterblichkeit

Sterben denn wirklich mehr Menschen wegen COVID-19, oder würden die nicht sowieso sterben? Nur weil sie zufällig auf COVID-19 positiv getestet sind, bedeutet das noch lange nicht, dass sie auch wegen COVID-19 sterben? Diese Frage stellt sich bei jeder Virusepidemie, und ist inzwischen gut studiert. Wissenschaftlich ausgedrückt stellt sich die Frage: Gibt es wegen einer Virusepidemie ein Übersterblichkeit, d.h. gibt es Personen, die aufgrund des Virus sterben, sonst aber noch länger gelebt hätten. Das Robert Koch-Institut (RKI) hat zum Anlaß der Grippe-Epidemien 2017/18 hier einen Bericht verfasst.
Die Grafik oben versucht sich dem Problem mit einfachen Mitteln anzunähren: zu sehen sind die durchschnittlich verstorbenen in den Jahren 2014-16, dann die Verstorbenen im ersten Epidemiejahr 2017, gefolgt von der zweiten, größeren Epidemiewelle in 2018. Die Verstorbenen im Jahr 2019 sind eine Schätzung. Insgesamt zeigt sich, dass die Anzahl der Verstorbenen zur Zeit der Grippewelle erheblich höher war, und nur z.T. auf andere Faktoren zurückzuführen ist*. Dies kann als Beleg dafür gesehen werden, dass Viruserkrankungen wie Influenza oder Corona zu einer erheblich höheren Sterblichkeit führen. Ein Großteil der an der Epidemie verstorbenen Personen wären wohl nicht verstorben, hätte die Epidemie nicht stattgefunden.

* In der amtlichen Statistik tauchen diese Fälle im Übrigen nicht auf, so wurden für 2017 nur 1176 Grippetote amtlich erfasst. Dies stellt eine massive Unterschätzung der eigentlichen Grippetoten durch die amtliche Schätzung dar. Für weitere Informationen sei auf das RKI verwiesen.

Referenzen

  • Del Valle, S. Y., Hyman, J. M., Hethcote, H. W., & Eubank, S. G. (2007). Mixing patterns between age groups in social networks. Social Networks, 29(4), 539-554.
  • Garske, Tini, Judith Legrand, Christl A. Donnelly, Helen Ward, Simon Cauchemez, Christophe Fraser, Neil M. Ferguson, and Azra C. Ghani. Assessing the severity of the novel influenza A/H1N1 pandemic. Bmj 339 (2009): b2840.
  • Xu, Xiao-Wei, Xiao-Xin Wu, Xian-Gao Jiang, Kai-Jin Xu, Ling-Jun Ying, Chun-Lian Ma, Shi-Bo Li et al. Clinical findings in a group of patients infected with the 2019 novel coronavirus (SARS-Cov-2) outside of Wuhan, China: retrospective case series. Bmj 368 (2020).
  • Hellewell, J., Abbott, S., Gimma, A., Bosse, N.I., Jarvis, C.I., Russell, T.W., Munday, J.D., Kucharski, A.J., Edmunds, W.J., Sun, F. and Flasche, S., 2020. Feasibility of controlling COVID-19 outbreaks by isolation of cases and contacts. The Lancet Global Health.
  • Nishiura, H., Linton, N.M. and Akhmetzhanov, A.R., 2020. Serial interval of novel coronavirus (COVID-19) infections. International Journal of Infectious Diseases.
  • Rabajante, J.F., 2020. Insights from early mathematical models of 2019-nCoV acute respiratory disease (COVID-19) dynamics. arXiv preprint arXiv:2002.05296.
  • Pinotti, Francesco, Laura Di Domenico, Ernesto Ortega, Marco Mancastroppa, Giulia Pullano, Eugenio Valdano, Pierre-Yves Boëlle, Chiara Poletto, and Vittoria Colizza. Lessons learnt from 288 COVID-19 international cases: importations over time, effect of interventions, underdetection of imported cases. medRxiv (2020).
  • World Health Organization, 2020. Report of the WHO-China Joint Mission on Coronavirus Disease 2019 (COVID-19).
Die einfache Teilung der existierenden Infizierten durch die gerade Verstorbenen führt zu einer Verfälschung der Letalitätsrate, da Kranke in der Regel nicht sofort, sondern erst nach einiger Zeit sterben (siehe Ghani AC, Donnelly CA, Cox DR, Griffin JT, Fraser C, Lam TH, Ho LM, Chan WS, Anderson RM, Hedley AJ, Leung GM. Methods for estimating the case fatality ratio for a novel, emerging infectious disease. American journal of epidemiology. 2005 Sep 1;162(5):479-86.). In Wang et al. wurde basierend auf den großen Zahlen in Wuhan ein Zeit von 14 Tagen zwischen erstem Symptom und Tod errechnet, abzuziehen sind die Zeit bis zur Feststellung der Krankheit durch Test (ca. 4 Tage) sowie Verzögerungen bis die Fälle in der Statistik aufgenommen werden. Die hier genannte Letalität wird zudem um den zu erwarteten Verlauf basieren auf den Prädiktionsmodellen korrigiert. Die Entwicklung der Letalität über die Zeit werden wir zu einem späteren Zeitpunkt berichten.
Impressum Datenschutzerklärung Haftungsausschluss