AUSWIRKUNGEN DER COVID-19-IMPFSTOFFE AUF DIE STERBLICHKEIT IN DER EU IM JAHR 2021

EINE PERSPEKTIVE DES MASCHINELLEN LERNENS VON PATRICK E. MEYER – Übersetzung von NG mit Hilfe von deepl

Vorbemerkung: Die wichtigste Aussage des Autors zuerst: Die Übersterblichkeit in der EU im Jahr 2021 “ liegt deutlich über der Übersterblichkeit von 2020, die wiederum deutlich über der von 2019 liegt. Es scheint, dass die Variable COVID-19-Death-Rate nicht ausreicht, um den Anstieg im Jahr 2021 zu erklären. Unsere Variable DoseRate, die sich auf die COVID-19-Impfstoffe bezieht, erklärt offenbar einen Großteil des in der Kategorie 0-44 Jahre beobachteten Signals.

Braucht es noch mehr Klartest, um Politiker davon zu überzeugen, dass die aktuelle deutsche Impfstrategie lebensgefährdend ist?

1. EINLEITUNG

“Es kann manchmal schwierig sein, sich in der wissenschaftlichen Literatur zurechtzufinden, wenn wir mit Studien konfrontiert werden, die zu entgegengesetzten Schlussfolgerungen kommen. Dies ist typischerweise der Fall, wenn Daten und Themen neu sind. Die Auseinandersetzung mit Hypothesen ist ein wichtiger Teil des wissenschaftlichen Prozesses. Vor kurzem sind zwei statistische Studien auf der Grundlage von Daten aus dem Vereinigten Königreich zu dem Schluss, dass die COVID-19-Impfstoffe möglicherweise keine Auswirkungen auf die Gesamtsterblichkeit haben.

Mit anderen Worten, diese Impfstoffe können Menschen in gleichem Maße vor COVID-19 schützen, wie sie andere Sterblichkeitsursachen verschlimmern [Crawford, 2021, Neil und Fenton, 2021]. Diese Studien stimmen also nicht mit einer anderen Studie überein, die US-Daten und die auf der CDC-Website veröffentlicht wurde [Xu et al., 2021]. Trotz der Tatsache dass diese Studien Daten aus verschiedenen Ländern verwenden, könnte man erwarten, dass diese zu ähnlichen und nicht zu entgegen-gesetzten Schlussfolgerungen kommen.

In der Annahme, dass dieselben zugrunde liegenden Effekte im Spiel sind und um eine dieser widersprüchlichen Hypothesen zu favorisieren, haben wir wir einen Ansatz des maschinellen Lernens, um die Auswirkungen dieser Impfstoffe auf die die Gesamtmortalität in der EU zu untersuchen.

Dazu haben wir die EuroMOMO-Daten heruntergeladen, die die Sterblichkeits-Z-Scores für jede Alterskategorie in verschiedenen EU-Ländern angeben [EuroMOMO, 2021]. Wir haben diese Daten mit den ECDC-Impfdaten abgeglichen, die die ebenfalls Informationen nach Altersgruppen und Ländern liefern. Schließlich extrahierten wir die ECDC 14-Tage-Fall-Positivitätsrate und Sterberate in jedem der Zielländer [ECDC, 2021]. Anschließend wurden grafische Modelle mit verallgemeinerten linearen Modellen und Zufallswerten kombiniert [Whittaker, 1990, Hastie et al., 2001, Breiman, 2001], wir haben die Auswirkung einer Impfstoff-Dosis-Rate und einer Kovid-Fallrate-Variable auf die Sterblichkeit des laufenden Jahres untersucht. Unsere Schlussfolgerungen unterscheiden sich für die verschiedenen untersuchten Altersgruppen, aber für die jungen Kohorten favorisiert unsere Analyse die Studien, die keinen Nutzen der Impfung zeigen. Wir haben unsere Ergebnisse im letzten Abschnitt dieses Papiers diskutiert.

2. DATA [folgt bei Gelegenheit]

3. ANALYSIS and METHODS [folgt bei Gelegenheit]

4. SCHLUSSFOLGERUNG
Unser Ziel in dieser Studie war es, eine der in der Einleitung genannten widersprüchlichen Hypothesen zu bestätigen: Entweder erhöhen die COVID-19-Impfstoffe die Gesamtmortalität in jeder Alterskategorie in gleichem Maße wie sie schützen [Neil und Fenton, 2021, Crawford, 2021] oder sie erhöhen die Nicht-COVID-19-Mortalität überhaupt nicht [Xu et al., 2021].

Wir haben ein grafisches Modell erstellt und die Bedeutung mehrerer Schlüsselvariablen untersucht um unser Ziel zu erreichen. Interessanterweise stimmen unsere Ergebnisse, die auf EU-Daten basieren
mit [Neil und Fenton, 2021, Crawford, 2021] für die Altersgruppe 0-44 Jahre überein, d. h. Impfstoffe haben eindeutig keinen Nettonutzen für die Übersterblichkeit.

Die Tatsache, dass die Impfstoffe einem großen Teil der Bevölkerung verabreicht wurden, bedeutet, dass selbst eine geringe Toxizität für ebenso viele Todesfälle verantwortlich sein könnte wie die Krankheit selbst. Tatsächlich erkranken nicht alle Menschen an dem Virus, und von denen, die an dem Virus erkranken, sterben nur sehr wenige in den jüngsten Kategorien [Semenzato et al., 2021].

Jedoch, unsere dritte Kategorie zeigt ein anderes Signal. Es wäre verlockend zu folgern, dass das Nutzen-Risiko-Verhältnis für die älteste Kategorie günstig ist, aber die Tatsache, dass die Sterblichkeit durch die Variable CaseRate besser erklärt wird als durch die Variable DoseRate lässt eine Bewertung der Wirksamkeit von Impfstoffen nicht wirklich zu. Mit anderen Worten, wir haben nicht versucht, den Nutzen von Impfstoffen mit den Kosten von Impfstoffen zu vergleichen, wie es implizit in [Neil und Fenton, 2021, Crawford, 2021] erfolgte, sondern wir haben vielmehr die Kosten der Impfstoffe mit den Kosten der Krankheit verglichen. Infolgedessen stehen unsere Ergebnisse auch für die dritte Altersgruppe nicht unbedingt im Widerspruch zu diesen Ergebnissen.

Unsere Ergebnisse stimmen jedoch nicht überein mit [Xu et al., 2021] für die 0-44-Jährigen. Wir glauben, dass eine wegen der Grippeimpfung erfolgte Wahrnehmungsverzerrung die unterschiedlichen Schlussfolgerungen erklären könnte. Außerdem können wir bei allen genannten Studien nicht alle möglichen mehrfachen Störvariablen ausschließen, Variablen, die die Statistiken zumindest teilweise beeinflussen, wie z. B. unterschiedliche Grundgesamtheiten, Gesundheits- und Versorgungssysteme, Art der verwendeten Impfstoffe, Verzögerungen zwischen den zwischen den Dosen, .. Nichtsdestotrotz liegt die Übersterblichkeit in der EU im Jahr 2021 deutlich über der Übersterb-lichkeit von 2020, die wiederum deutlich über der von 2019 liegt. Es scheint, dass die Variable COVID-19-Death-Rate nicht ausreicht, um den Anstieg im Jahr 2021 zu erklären. Unsere Variable DoseRate, die sich auf die COVID-19-Impfstoffe bezieht, erklärt offenbar einen Großteil des in der Kategorie 0-44 Jahre beobachteten Signals.

Solange also keine bessere Vorhersagevariable gefunden wird, deuten unsere Ergebnisse eindeutig darauf hin, dass das Nutzen-Risiko für die 0- bis 44-Jährigen nicht zugunsten dieser COVID-19-Impfstoffe ausfällt. Dies könnte sich in Zukunft ändern Zukunft ändern, zum Beispiel mit dem Auftauchen weniger günstiger Varianten oder auch mit günstigeren COVID-19-Impfstoffen.

Danksagungen: Ich möchte mehreren Kollegen (die sich selbst wiedererkennen werden) für ihre hilfreichen Kommentare zu dieser Arbeit. Ich hoffe, dass diejenigen, die ihre Besorgnis über die mögliche politische Verwendung unserer Schlussfolgerungen geäußert haben, verstehen werden dass es hier (buchstäblich) um Leben und Tod geht. In einer solchen Situation, sollten wir alle darin übereinstimmen, dass Wissenschaftler schnellstmöglich so viele Instrumente wie möglich bereitstellen müssen um eine gefährliche Situation zu analysieren.

Referenzen

[Breiman, 2001] Breiman, L. (2001). Random forests. Machine Learning, 45.
[Classen, 2021] Classen, J. B. (2021). Us covid-19 vaccines proven to cause more harm than good based on pivotal clinical trial data analyzed using the proper scientific endpoint, “all cause severe morbidity”. Trends in Internal Medicine.
[Crawford, 2021] Crawford, M. (2021). Uk data shows no all-cause mortality benefit for covid-19 vaccines. https://roundingtheearth.substack.com/p/uk-data-shows-no-all-cause-mortality?
[Devroye et al., 1996] Devroye, L., Györfi, L., and Lugosi, G. (1996). A Probabilistic Theory of Pattern Recognition. Springer-Verlag.
[Diettrich, 1998] Diettrich, T. G. (1998). Approximate statistical tests for comparing supervised learning algorithms. Neural Computation, 10.
[ECDC, 2021] ECDC (2021). Europe’s journal on infectious disease surveillance, epidemiology, prevention and control. – https://www.ecdc.europa.eu/en/publications-data.
THE IMPACT OF COVID-19 VACCINES ON ALL-CAUSE MORTALITY IN EU IN 2021 11 [EuroMOMO, 2021] EuroMOMO (2021). Euromomo bulletin, week 47, 2021 – https://www.euromomo.eu/graphs-and-maps/.
[Gentleman and Ihaka, 1996] Gentleman, R. and Ihaka, R. (1996). R: A language for data analysis and graphics. Journal of Computational and Graphical Statistics, 5.
[Hastie et al., 2001] Hastie, T., Tibshirani, R., and Friedman, J. H. (2001). The Elements of Statistical Learning : Data Mining, Inference, and Prediction. Springer Series in Statistics.
[Kohavi and John, 1997] Kohavi, R. and John, G. H. (1997).Wrappers for feature subset selection. Artificial Intelligence, 97(1-2):273–324.
[Mereckiene, 2018] Mereckiene, J. (2018). Seasonal influenza vaccination and antiviral use in eu/eea member states. ECDC Technical Report.
[Meyer, 2008] Meyer, P. E. (2008). Information-theoretic variable selection and network inference from microarray data. PhD thesis, Université Libre de Bruxelles.
[Meyer, 2021] Meyer, P. E. (2021). Shared datasets – http://www.bioinfo.uliege.be/meyer/covid.html.
[Meyer et al., 2007] Meyer, P. E., Kontos, K., Lafitte, F., and Bontempi, G. (2007). Informationtheoretic inference of large transcriptional regulatory networks. EURASIP Journal on Bioinformatics and Systems Biology, Special Issue on Information-Theoretic Methods for Bioinformatics.
[Mitchell, 1997] Mitchell, T. (1997). Machine Learning. McGraw Hill.
[Neapolitan, 2003] Neapolitan, R. E. (2003). Learning Bayesian Networks. Prentice Hall.
[Neil and Fenton, 2021] Neil, M. and Fenton, N. (2021). Latest statistics on england mortality data suggest systematic mis-categorisation of vaccine status and uncertain effectiveness of covid- 19 vaccination. Preprint.
[Pearl, 2000] Pearl, J. (2000). Causality: Models, Reasoning, and Inference. Cambridge University Press.
[Sakamoto and Kitagawa, 1987] Sakamoto, Y. and Kitagawa, G. (1987). Akaike information criterion statistics. Kluwer Academic Publishers.
[Semenzato et al., 2021] Semenzato, L., Botton, J., Drouin, J., Cuenot, F., Dray-Spira, R., Weill, A., and Zureik, M. (2021). Maladies chroniques, états de santé et risque d’hospitalisation et de décès hospitalier pour covid-19 : analyse comparative de données des deux vagues épidémiques
de 2020 en france à partir d’une cohorte de 67 millions de personnes. Rapport EPIPHARE – Groupement d’intérêt scientifique (GIS) ANSM-CNAM.
[Whittaker, 1990] Whittaker, J. (1990). Graphical Models in Applied Multivariate Statistics. Wiley.
[Xu et al., 2021] Xu, S., Huang, R., Sy, L. S., Glenn, S. C., and et al. (2021). Covid-19 vaccination and non–covid-19 mortality risk. MMWR Early Release. Bioinformatics and Systems Biology Lab, Univeristé de Liège, Belgium.


Übersetzt mit www.DeepL.com/Translator (kostenlose Version)

J. Rose zur BKK Provita – COVID-19-Studie : Wann werden unerwünschte Ereignisse diskutiert und wann nicht?

Dr. Jessica Rose ist eine kanadische Forscherin mit einem Bachelor-Abschluss in angewandter Mathematik und einem Master-Abschluss in Immunologie von der Memorial University of Newfoundland. Am 4. 3. veröffentlichte sie einen Newsletter betitelt: “Einige Daten von Versicherungsgesellschaften aus Deutschland – Erläuternde Auswertungen des Schreibens an das Paul-Ehrlich-Institut vom 21. Februar 2022”. Ich habe diesen Beitrag übersetzt und einige Hervorhebungen vorgenommen.

Die BKK Provita ist eine deutsche Krankenkasse. Kürzlich enthüllte ein Vorstandsmitglied, (der Vorsitzende Andreas Schöfbeck) Daten, die darauf hindeuten, dass unerwünschte Ereignisse im Zusammenhang mit den COVID-19-Injektionsprodukten weit häufiger sind als die vom Paul-Ehrlich-Institut (deutsche Bundesbehörde und medizinische Aufsichtsbehörde) berichteten unerwünschten Ereignisse . Damit wurde bekräftigt, dass eine große Kluft besteht zwischen dem, was Menschen in Bezug auf Schäden tatsächlich widerfährt, und dem, was gemeldet wird.

Weiterlesen