But wait there is an historical background for the dumb hand washing videos promoted by Maria Van Kerkhove during the first months of the pandemic.
WIRED has the interesting story that goes far back into history.
Part of medical rhetoric is understanding why certain ideas take hold and others don't. So as spring turned to summer, Randall started to investigate how Wells' contemporaries perceived him. That's how she found the writings of Alexander Langmuir, the influential chief epidemiologist of the newly established CDC. Like his peers, Langmuir had been brought up in the Gospel of Personal Cleanliness, an obsession that made handwashing the bedrock of US public health policy. He seemed to view Wells' ideas about airborne transmission as retrograde, seeing in them a slide back toward an ancient, irrational terror of bad air-the "miasma theory" that had prevailed for centuries. Langmuir dismissed them as little more than "interesting theoretical points."
(der Begriff “Coronaleugner” ist abmahnbar, daher verwende ich hier die Abkürzung CMK als Kürzel für “Corona Massnahmen Kritiker”).
Frei nach dem Wahlspruch von CMK I. Grades Stefan Homburg (“sind ja nur Zahlen”) sagt nun auch Göran Kauermann “wir wussten von Anfang an: Dies ist eine Pandemie der Zahlen. Daher haben wir uns als Statistiker*innen quasi ‘dienstverpflichtet’ gefühlt”.
LMU Experte zu NoCovid
Schauen wir uns also den Sachverhalt an nachdem seine Aussagen zu den Schulöffnungen nun überall gedruckt wurden (Merkur, Welt, Spiegel, Ruhr, MÄA).
Aus statistisch-epidemiologischer Sicht ist es nicht richtig, die Schulen wie in Bayern ab einem Inzidenzwert von 100 zu schließen. Unsere Analysen zeigen klar, dass offene Schulen sogar zur Pandemiebekämpfung beitragen, solange dort verpflichtend und dicht getestet wird.
BILD Experte
Während des Höhepunktes einer weiteren Welle einer weltweiten Pandemie soll es nun nicht sinnvoll gewesen sein, Schulen zu schliessen? Mit der aberwitzigen Begründung, Schulen seien Testzentren??
Es galt in Bayern während des Analysezeitraums die Freitagsregel, dass nach LGL Vorschrift freitags die Schulen am Montag nur mit Tests öffnen durften, wenn die 7 Tages Inzidenz unter 100/100,000 lag.
Damit haben wir aber jede Woche andere Schulen, die öffnen oder geschlossen werden. Neben Wechselunterricht gab es Ausnahmen bei Prüfungsklassen oder Betreuungsangeboten, was eine nachträgliche Bewertung extrem erschwert. Und nach meinem Kenntnisstand ging auch bei positivem Test EINES Schülers nicht immer die GANZE Klasse in Quarantäne…
Die Datenqualität ist also extrem niedrig, schauen wir sie uns aus gegebenem Anlass aber trotzdem an.
(klicken zur Vollansicht) Graue Linie Verlauf bei geschlossenen Schulen wegen hoher Inzidenz und rote Linie Verlauf bei offenen Schulen. Rekonstruktion der Landkreise. 12.4.21 ist der erste Tag nach den Osterferien. Ab 19.4. sind fast alle Schulen wieder zu bis auf 4 von 96 Landkreisen. Die offenen Schulen beruhen also auf sehr wenigen Beobachtungen und sind damit nur begrenzt als Referenz geeignet. Eine lineare Interpolation beider Verläufe zeigt denselbem Rückgang der Inzidenz. Die willkürllich gesetzte Grenze von 100/100000 bei Schulschliessungen ist also im Bereich hoher Infektionsraten und lässt sich mit Minderung auf die Gesamtinzidenz nicht begründen.
Damit nun noch einmal dieselbe Auswertung für die Altersgruppe 5-14 Jahre (die einzig passende Altersgruppen in den RKI Daten).
(klicken zur Vollansicht) Graue Linie Verlauf bei geschlossenen Schulen wegen hoher Inzidenz und rote Linie Verlauf bei offenen Schulen. Rekonstruktion der Landkreise. 12.4.21 ist der erste Tag nach den Osterferien. Ab 19.4. sind fast alle Schulen wieder geschlossen Ähnlicher Kurvenverlauf. aber nicht signifikanter höherer Anstieg (durch geringere Dunkelziffer) in den offenen Schulen, Dafür gibt es jedoch höhere Inzidenz in dieser Altersgruppe nach permanenter Öffnung am Ende der Beobachtungsperiode. Die inzidenzberechnung ist nur eine Näherung da RKI die Altergruppe 5-14 aber DESTATIS 6-15 Jahre zur Verfügung stellt.
Die willkürliche Grenze von 100/100,000 scheint zu hoch gewählt (der Abfall der Inzidenz kommt schliesslich mit oder ohne Schulschliessung) da wir längst in einem “submaximalen Bereich” sind. Und ohne Zweifel tragen die offenen Schulen auch zur Weiterverbreitung bei und zwar mehr als die geschlossenen Schulen. Wo liegt nun die Fehlinterpretation von Kauermann et al. ?
Der Bericht CODAG 10 sagt schon (und CODAG 14 bezieht sich ja ebenfalls auf die Vorwoche)
Als Analysemodell benutzen wir ein sogenanntes autoregressives Poissonmodell. Dabei betrachten wir für jede Altersgruppe getrennt die Inzidenzen in der aktuellen Woche und versuchen diese aus den Inzidenzen der eigenen und aller anderen Altersgruppe aus der Vorwoche vorherzusagen. Hierzu ziehen wir Daten auf Kreisebene heran, sprich wir analysieren in den jeweiligen Kreisen, inwieweit die Inzidenzen der Vorwoche das aktuelle Infektionsgeschehen beeinflussen. Grundsätzlich muss bei dieser autoregressiven Analyse angemerkt werden, dass sie Zusammenhänge des Infektionsgeschehens untersucht aber keine kausalen Schlüsse zur Infektionskette zulässt.
Kausale Schlüsse sind in der Tat unmöglich. Damit wäre das Review hier zu Ende, wären in dem SPIEGEL Interview nicht Sätze gefallen wie “Schulen sind aber, so wie es schon oft gesagt wurde, nicht die Treiber der Pandemie”.
Ein autoregressives Modell ist jedenfalls wenig sinnvoll, wenn ein Großteil der Infektionen – sprich die Inzidenz der Vorwoche – nicht bekannt ist. Dunkelziffer, Tagesgang, Verlagerung in andere Altersgruppen, B117 Ausbreitungsmodus, Dispersion oder politischen Massnahmen: es gibt zuviel unbekannte Einflüsse.
Leider fehlt hier auch jede Form der Kreuzvalidierung (an zurückgehaltenen Daten) – die Modelle werden einfach apodiktisch in Raum gestellt. Die Dunkelziffern hat es nun mal an sich, dass sie nicht bekannt ist. Wirklich hilfreich ist es auch nicht, Datenpunkte einzukringeln und grenzt an Manipulation.
Wirklich verzerrend wird es aber dann in CODAG 14
da der jeweilige Bezug auf die Vorwoche nicht sinnvoll ist, weil er die Änderungen über die Zeit verschleiert
Wo ist denn hier eine 4fache Anzahl in der ersten Schulwoche?
Das ist im übrigen auch keine Alterskohorte, sondern eine Altersgruppe die sich zudem jede Woche ändert.
Daten werden nur wochenweise gezeigt, obwohl wir doch eine tageweise Auflösung haben, also eine unzulässige Reduktion der Daten
Wie kann der Effekt einer Schulöffnung mit der Nachbeobachtung von nur 1 Woche überhaupt analysiert werden? Die Inzidenz am Freitag reicht nicht aus, um alle Bestätigung PCRs zu erfassen.
Dazu wurden Kreisen mit Inzidenz über 200 ausgeschlossen. Warum? Weil es besser zur Story passte?
Warum reden wir hier überhaupt über PDFs auf irgendeiner Webseite und nicht über eine peer-reviewte wissenschaftliche Veröffentlichung?
Und was ist das überhaupt für eine unethische Betrachtungsweise, Ansteckungen bei Kindern (Long covid, PIMS) so zynisch zu kalkulieren?
Solange die [durch Schulöffnung hervorgerufene] Infektionen keine Ausbrüche mit mehr als drei Ansteckungen nach sich ziehen, ist der epidemiologische Nutzen … größer, als das epidemiologische Risiko, das von falsch-negativ getesteten Schülern ausgeht.
Über die statistische Auswertungsstrategie kann man sicher streiten. Es ist aber eine Grenzüberschreitung, als Statistiker ohne Background in der Epidemiologie viraler Erkrankungen politische Massnahmen zur Infektionseindämmung zu bewerten. Es steht eben mehr Überlegung dahinter als nur ein paar Routinedaten und ein statistisches Standardmodell.
Bei einem positiven Schnelltest eines Schülers wird aktuell in den meisten Regionen weder die restliche Klasse in Quarantäne geschickt (bis das PCR Ergebnis vorliegt) noch werden die Eltern der andern Schüler informiert. Selbst bei einem bestätigten Fall hat dies keine einheitliche Konsequenz, sondern es findet weiterhin Präsenzunterricht statt. Ein Aufdecken von sonst unerkannten Fällen hat aber nur Sinn, wenn danach eine vollständige Nachverfolgung mit Quarantäne auch in Schulen stattfindet. Und damit trägt der Schulbesuch mit Tests eher zur weiteren Verbreitung. Das könnte man im übrigen auch in Studien testen, wenn es jemand wirklich interessieren würde.
nachdenkseiten bezichtigt die DIVI Reports zur Intensivbelegung der “kreativen Buchführung“. Dabei sind die nachdenkseiten nicht unumstritten: Lausen tritt mit Bhakdi auch auf kenFm auf.
Die vielfachen Änderungen der DIVI Datenbank sind bekannt (seit kurzem ist auch das Alter der Patienten verfügbar – ein Jahr nach Inbetriebnahme…). Wir kennen die DIVI Fehler in der Darstellung , auch dass sich Verordnungen zur Bettenausweisungen mehrfach geändert haben, Notfallreservekapazitäten separat , Kinder ein- oder ausgeschlossen, alles nichts Neues. Es geht hier ja nicht um eine statische Bettenzahl sondern es ist oft auch die Personalsituation, die sich kurzfristig ändern kann. Und wenn in Rosenheim dringend Betten gesucht werden, ist das Bett in Kiel irrelevant. Ganz abgesehen davon, dass die sogenannte weiche Triage auch schon vor der Vollbelegung einsetzt.
Ob die Bettenzahlen nun willkürlich den aktuellen Infektionszahlen angepasst werden? Schauen wir uns an ob das wirklich bei "sehr vielen Krankenhäusern" zu beobachten war und in den genannten Städten.
Als Beispiele nannte er Leipzig, Bottrop, Goslar, Starnberg und Eisenach. Eindrücklich demonstriert er am Fall einer Klinik in Pinneberg, wie der "Bedarf" an Betten je nach Belegungsumfang flexibel und "nach Belieben" hoch und runter geregelt wurde …
Hier also nun eine Korrelationsanalyse von Intensivbetten und COVID Patienten auf Kreisebene wobei nur die 50 höchsten Korrelationen gezeigt werden.
(klicken zur Vergrösserung) Stand 6.5.2021 RKI/DIVI Daten. Korrelation der täglich ausgewiesenen Bettenzahl seit Beginn der zweiten Welle (Farbe der Punkte geben die Zeitachse an) mit jeweils stationär liegenden COVID-19 Patienten auf der Intensivstation. Einzelkrankenhäuser der Region werden jeweils zusammen dargestellt. Pearson Korrelationskoeffizient dazu Loess Smoother. Darstellung der Regionen mit den 60 höchsten Werten, beachte die unterschiedliche Skalierung in den Regionen.
Neben diversen Artefakten sehe ich einige lineare Anstiege, etwa Landshut, Tirschenreuth oder Lahn-Dill Kreis. Die Regionen Leipzig, Bottrop, Goslar, Starnberg, Eisenach und Pinneberg sind hier allerdings nicht dabei. Auch ist die Verteilung der R Werte nur etwas nach links aber ansonsten nicht zu den Extremwerten verschoben.
Stand 6.5.2021 RKI/DIVI Daten. Korrelation der täglich ausgewiesenen Bettenzahl seit Beginn der zweiten Welle liegenden COVID-19 Patienten auf der Intensivstation. Verteilung der Pearson Korrelationskoeffizienten in den Landkreisen.
Es gibt somit einige wenige dubiose aber keine systematisch falsche Meldung. Die nachdenkseiten betreiben die klassische Legendenbildung um einen wahren Sachverhalt herum – wie auch sonst in der der Corona Leugner Szene üblich.
Die DIVI Datenbank ist sowieso nur begrenzt zur Pandemiesteuerung geeignet. Es ist ja nicht das Ziel die Intensivstationen bis zu einem gewissen Grad zu belegen, sondern möglichst jede Infektionskette zu unterbrechen.
P.S. Es wird auch nicht intelligenter wenn @luebberding (WELT) das nun am 14.5. nachdruckt und Antes es am 15.5. auf Twitter teilt. Ob es wirklich zu #divigate reicht, was die selbsternannte Autorengruppe um Matthias Schrappe in ihrer 3. Ad Hoc Stellungnahme am 16.5. meinen? Die Truppe beklagt sich über fehlende Daten aber schliesst dann daraus welche Daten falsch sind …
Hier kommt ein neuer Artikel zu Exposure X6, der Lockdown liess mir Zeit dafür …
Irgendwie ging es dann doch sehr schnell.Als die britische Firma Serif ankündigte, daß ihr neues Affinity Photo Programm nur einen Bruchteil von Photoshop kosten soll, dabei das gleiche Layout behalten und trotzdem fast dieselbe Leistung bieten wird, sind viele Photoshop Nutzer abgewandert. Adobe hatte sich nach Meinung vieler Anwender nicht gerade beliebt gemacht mit seiner europäische Preispolitik, dem bescheidenem Anwendersupport und den Zwangsupdates. Dann kam Adobe auch noch der Quellcode abhanden zusammen mit fast 3 Millionen Kreditkartennummern. Trotzdem konnte der Monopolist dann auch noch monatliche Abogebühren für Lightroom einziehen nachdem die letzte Standalone Version sukzessive den Geist aufgab. Auf Import und Rendern der Bilder einer 64 GB Karte konnte man dabei gerne mal eine halbe Stunde warten, aber gibt es Alternativen?
Mit den aktuellen Behandlungsempfehlungen sollte – solange es keine Triagesituation gibt – die Häufigkeit der Beatmung unabhängig von der Zahl der Neuinfektionen sein. Dem ist aber leider nicht so, wenn wir die tageweise Korrelation von DIVI und RKI Meldungen über die letzten 5 Monate ansehen. Zu Beginn der zweiten Welle, gab es noch keinen Überhang von bereits länger liegenden Patienten, es lagen also pro Neuerkrankten weniger Patienten auf der Intensivstation – die jeweils untere Punktreihe etwa bis zur Mitte der Grafik unten.
Mittlerweile sind die Patienten aber jünger, gesünder und liegen länger, daher die jeweils obere Punktreihe. Was dazu auffällt, dass immer weniger Patienten auf der Intensivstation beatmet werden gemessen an Zahl der Intensivpatienten in Deutschland. Wie die Epidemiologie zu interpretieren ist, kann nur anhand klinischer Daten entschieden werden.
Ich vermute aber, es liegt nicht an den Patienten, da im Augenblick im Bereich von 20.000 – 25.000 relativ stabile Infektionsraten in einer relativ stabilen Ausgangspopulation auf relativ stabile Intensivversorgung trifft. Ich vermute es liegt daran, dass bei nahezu vollen Intensivstationen und nur begrenzt verfügbarem Personal die Entscheidung zur Beatmung später fällt und wovon Patienten profitieren.
The COVID-19 disease burden in Germany in 2020-years of life lost to death and disease over the course of the pandemic
Dtsch Arztebl Int 2021; 118: 145-51; DOI: 10.3238/arztebl.m2021.0147
Schilling J, Lehfeld A-S, Schumacher D et al. Krankheitsschwere der ersten COVID-19-Welle in Deutschland basierend auf den Meldungen gemäß Infektionsschutzgesetz. https://www.rki.de/DE/Content/Gesundheitsmonitoring/Gesundheitsberichterstattung/GBEDownloadsJ/JoHM_S11_2020_Krankheitsschwere_COVID_19.html
Roedl K, Jarczak D, Thasler L et al. Mechanical ventilation and mortality among 223 critically ill patients with coronavirus disease 2019: A multicentric study in Germany. Australian Critical Care. 2020
Rieg S, Cube M von, Kalbhenn J, Utzolino S, Pernice K, Bechet L, et al: COVID-19 in-hospital mortality and mode of death in a dynamic and non-restricted tertiary care model in Germany. medRxiv 2020. https://www.medrxiv.org/content/10.1101/2020.07.22.20160127v1
Karagiannidis C, Mostert C, Hentschker C, Voshaar T, Malzahn J, Schillinger G, et al: Case characteristics, resource use, and outcomes of 10 021 patients with COVID-19 admitted to 920 German hospitals: an observational study. The Lancet Respiratory Medicine 2020;8:853-862
Nachtigall I, Lenga P, Jóźwiak K, Thürmann P, Meier-Hellmann A, Kuhlen R, et al: Clinical course and factors associated with outcomes among 1904 patients hospitalized with COVID-19 in Germany: an observational study. Clinical Microbiology and Infection 2020. http://www.sciencedirect.com/science/article/pii/S1198743X20304936
Karagiannidis C, Windisch W, McAuley DF, Welte T, Busse R. Major differences in ICU admissions during the first and second COVID-19 wave in Germany.Lancet Respir Med. 2021 Mar 5:S2213-2600(21)00101-6. doi: Observational study of changes in utilization and outcomes in non-invasive ventilation in COVID-19
Christian Karagiannidis, Corinna Hentschker, Michael Westhoff, Steffen Weber-Carstens, Uwe Janssens, Stefan Kluge, Michael Pfeifer, Claudia Spies, Tobias Welte, Rolf Rossaint, Carina Mostert, Wolfram Windisch
doi: https://doi.org/10.1101/2021.03.28.21254477
J. Schüttler, J.M. Mang, L.A. Kapsner, S.A. Seuchter, H. Binder, D. Zöller, O. Kohlbacher, M. Boeker, K. Zacharowski, G. Rohde, J. Balig, M.O. Kampf, R. Röhrig, H.-U. Prokosch
Letalität von Patienten mit COVID-19: Untersuchungen zu Ursachen und Dynamik an deutschen Universitätsklinika. https://www.ai-online.info/online-first/letalitaet-von-patienten-mit-covid-19-untersuchungen-zu-ursachen-und-dynamik-an-deutschen-universitaetsklinika.html
Jürgen Klauber · Jürgen Wasem Andreas Beivers · Carina Mostert (Hrsg). Krankenhaus 2021. Report S. 296
A reconstruction of the Antikythera mechanism finally succeeded. It is based on pieces that were found on a Roman-era shipwreck in Greece in 1901 and is probably 2000 years old — a hand-powered device that is thought to have been used to predict eclipses and other astronomical events.
Reference: https://www.nature.com/articles/s41598-021-84310-w#MOESM4
Video Screenshot 2021/3/14 , PROF TONY FREETH / UCL, Scientific Reports 2021/3/12 https://www.nature.com/articles/s41598-021-84310-w
it took more than a decade-1942 to 1954-to end an iatrogenic epidemic in which high-dose oxygen therapy led to retrolental fibroplasia (RLF) in premature infants, blinding about 10,000 of them. The autopsy revealed a museum of diverse intellectual pathology. When first noted, RLF was regarded as neither a new disease nor a postnatal effect. In early investigations, the ophthalmologists did not establish explicit criteria for diagnosis and confused RLF with malformations previously seen in full-term infants. Because the patients were not referred until months after birth, the ophthalmologists assumed that the lesion, which resembled an embryologic structure, must have occurred prenatally.
Hier noch ein Vergleich der Case Fatality Rate in Deutschland mit Österreich und der Schweiz.
Beide Länder haben in der ersten Phase offensichtlich dazu gelernt, wie man besser (nicht) beatmet, Deutschland hat eher nichts dazugelernt.
Quellen: RKI (Deutschland) https://experience.arcgis.com/experience/478220a4c454480e823b17327b2bf1d4 AGES (Österreich) https://covid19-dashboard.ages.at/dashboard.html sowie Dashboard (Schweiz) https://www.covid19.admin.ch/de/overview Download am 24.1.2021. CFR im gleitenden Mittel aus Fällen 14 Tage vor und Todesfällen 14 Tage nach dem Indextag. Letzter berichteter Wert 15.12.2020Zeitungsausriss 29.10.2021, überprüft am 24.1.2021, Quelle https://wien.orf.at/stories/3073495/
It has become part of medical dogma that information gained through an RCT represents the gold-standard for clinical practice. The RCT is a superb experimental design for testing the benefit of a pharmacological agent such as streptomycin. But many therapies differ in fundamental ways from pharmacological compounds. In the case of COVID-19, RCTs provide no guidance as to when to insert an endotracheal tube-the single most important decision in these patients. That decision is based on clinical judgment, gestalt and tacit knowledge-information that cannot be captured in an RCT.
Sowohl die WHO als auch die aktuelle AWMF Leitlinie ist also nicht auf dem Wissensstand (abgesehen davon dass die NIV Leitlinie 5 Jahre nicht mehr überarbeitet wurde).
What is the science on which the WHO Guidelines are founded? The strong warnings against use of noninvasive strategies is apparently based on experience with coronavirus-induced Middle East Respiratory Syndrome (MERS). MERS is repeated nine times in the WHO Guidelines of January 28, 2020, whereas pathophysiological principles get no coverage. Published experience with MERS is based on 12 ICU patients who received mechanical ventilation…
Empirisch zeigt sich jedenfalls, dass mit Rückgang der Intubation auch die Mortalität sinkt.
Emerging data from the Intensive Care National Audit & Research Centre (ICNAARC) reveal that 28-day mortality of COVID-19 patients admitted to the ICU decreased from 43.5% … for the time period 1 February-28 March to 34.4% … for time period 16 April-21 May, 2020. Over the same period, the rate of intubation (and mechanical ventilation) decreased from 75.9% to 44.1%. … Use of CPAP is a clinical art …
(es gibt sogar einen Case/Crossover Versuch zur Intubation, der klar gegen die Intubation spricht). Nach Meinung von Tobin müssten wir also primär auf NIV/CPAP setzen und die Intubation nur als ultima ratio ansehen (… bei 38 Atemzügen/min oder ein PaO2 von 73.6 mmHg bei FiO2 0.26…). Ich ändere nun meine eigene Patientenverfügung auf #DNI (“do not intubate”) bis die Pandemie vorbei ist.
Datenstand RKI 4.12.2020 Vergleich der 7 Tages Inzidenz in allen deutschen Land- und Stadtkreisen jeweils zu Beginn des “Lockdown Light” am 2.11. mit dem heutigen Tag. Loess Smoother nach Altersgruppe. Adjustierung jeweils auf gesamte Einwohnerzahl, nicht auf die jeweilige Altersgruppe, da diese Angaben nicht verfügbar waren. Wegen der geringen Belegung wurde die Kinder unter 5 Jahren weg gelassen. Der stärkste Effekt ist in der Altersgruppe 35-59 zu sehen (oberste Linie); der Effekt ist mit geringeren Ausgangszahlen auch geringer. Praktisch kein Effekt ist in der Altersgruppe 5-14 Jahre zu sehen. Die Infektionsrate war hier hier niedrig, nimmt aber auch nicht ab.
Der Effekt von NPIs ("nicht pharmakologische Interventionen") beim Ausbruch von Epidemien ist unbestritten, sowohl bei historischen Ausbrüchen wie auch bei der aktuellen COVID-19-Pandemie. Die Auswirkung von NPIs wurde allerdings bisher kaum quantitativ untersucht, daher habe ich es im April mal angeschaut. Leider ist das Manuskript erst jetzt erschienen, aber hier ist der Link: Wjst et al, DMW 2020; epub ahead