Weltweite Auswirkungen von COVID-Impfstoffen auf Fälle und Todesfälle: Eine Vogelperspektive

Haben die COVID-19-Impfstoffe die Kurve abgeflacht?

Diese Frage hat mein Interesse an der Recherche und dem Verfassen des Artikels Worldwide Bayesian Causal Impact Analysis of Vaccine Administration on Deaths and Cases Associated with COVID-19: A BigData Analysis of 145 Countries, das auf ResearchGate zur öffentlichen Begutachtung freigegeben ist. Im Folgenden finden Sie eine weitere Erläuterung dieses Papiers, die für die breite Öffentlichkeit bestimmt ist.

Kontext und theoretischer Hintergrund

Diese Frage und ihre Antworten sind von entscheidender Bedeutung, um zu verstehen, ob die weit verbreitete öffentliche Politik, während einer neuartigen Atemwegspandemie experimentelle Massenimpfungen durchzuführen, funktioniert hat oder nicht. Neben dem Interesse von Virologen, Biologen, Ärzten und anderen Wissenschaftlern und Forschern an dieser Frage besteht auch ein Interesse an dieser Frage aus der Perspektive der öffentlichen Ordnung und der Politikwissenschaft. Wie bei jeder anderen öffentlichen Maßnahme (z. B. Park- und Erholungsprogramme, zusätzliche Fahrspuren auf einer überlasteten Straße, Jagd- und Fischereivorschriften usw.) muss auch die öffentliche Maßnahme der massenhaften Verabreichung von Impfstoffen weltweit zur Bekämpfung von COVID-19-Fällen und -Todesfällen auf ihre Wirksamkeit hin überprüft werden oder nicht. Die Antwort auf diese Frage ergibt sich aus der fragwürdigen rechtlichen und ethischen Grundlage, auf der diese Impfstoffe an die Öffentlichkeit verkauft und weltweit verabreicht wurden. In der Tat haben politische Entscheidungsträger, Regierungen, Mainstream-Medien und viele öffentliche und private Einrichtungen in Ländern auf der ganzen Welt Impfvorschriften eingeführt, die auf der Annahme beruhen, dass die Impfstoffe bei der Verringerung der Übertragung, der Fälle und der Todesfälle “wirksam” wären. In diesem Beitrag wird eine Methode vorgestellt, mit der sich anhand eines von der Bayes’schen Statistik inspirierten Algorithmus berechnen lässt, ob dies der Fall war oder nicht.

Die Bayes’sche Statistik unterscheidet sich von der Statistik, die viele von uns in der Schule gelernt haben. In der Schule lernten wir in der Regel über Stichproben aus einer ganzen Population (z. B. die Wahrscheinlichkeit, eine bestimmte Farbe aus einem Glas mit 100 Geleebohnen zu ziehen), weil dies ein höheres Vertrauen in die abgeleiteten Antworten bietet. Die Bayes’sche Statistik hingegen geht davon aus, dass die Größe der Grundgesamtheit, aus der Sie eine Stichprobe ziehen, nicht bekannt ist, dass Sie aber eine Reihe von Beobachtungen haben, auf deren Grundlage Sie Ihre Vorhersagen schätzen können. Stellen Sie sich z. B. ein abgedecktes Glas mit Geleebohnen vor, in das Sie nicht hineinsehen können. Sie haben bisher 50 Stück herausgezogen und sich dabei die Farben notiert (10 rote, 10 gelbe, 5 grüne, 25 lila). Sie sollen nun vorhersagen, wie hoch der Anteil der verschiedenen Farben in einem Glas mit einer unbekannten Anzahl von Jelly Beans ist. Bei dieser Art von Fragen können das Bayes-Theorem und Bayes-inspirierte Algorithmen und Statistiken verwendet werden. [Wenn Sie mehr über die Philosophie hinter dem Bayes-Theorem erfahren möchten, lesen Sie bitte hier, und wenn Sie an der Mathematik und ihren Anwendungen interessiert sind, lesen Sie bitte hier und hier.] Dieses Problem tritt bei vielen Datensätzen auf, z. B. bei Wetterdaten, Aktienkursen, Erdbeben, Gesundheitsdaten und allen anderen regelmäßig aufgezeichneten Daten, die Teil eines unbekannten Satzes von zukünftigen Beobachtungen sind. So kann man beispielsweise erst nach dem vollständigen Zusammenbruch eines Unternehmens den gesamten Aktien-Datensatz einsehen, und bis dahin können die Menschen sehr unterschiedliche Ansichten über die Entwicklung der Aktie haben. Hier wird ENRON als Beispiel für dieses Phänomen vorgestellt. Einsicht ist besser als Nachsicht, und aus diesem Grund sind Stichproben aus einer ganzen Population vorzuziehen, wenn dies möglich ist.

Die Datenbeobachtungen im Zusammenhang mit COVID-19 ähneln den Geleebohnen im verschlossenen Glas in dem Sinne, dass wir nicht wissen, wie groß die endgültige Populationszahl sein wird (d. h. wie viele Fälle oder Todesfälle wir insgesamt sehen werden), und wir erhalten täglich neue Beobachtungen aus aller Welt. Auch wenn die Bayes’sche Statistik, wenn möglich, der frequentistischen Statistik nicht vorzuziehen ist (bekannte Populationsgröße), so ist sie doch in unserem aktuellen Kontext (unbekannte Populationsgröße) nützlich und anwendbar.

Methoden

Die in diesem Beitrag beschriebene Methode verwendet ein Paket namens CausalImpact, das in der statistischen Programmiersprache R geschrieben wurde. Dieses Paket wurde ursprünglich von einem Team bei Google (Brodersen et al. 2015) geschrieben, um die Auswirkungen verschiedener Werbekampagnen auf die Anzahl der Klicks zu analysieren, die sie von Internetnutzern erhalten würden. Die Idee war, den Unterschied zwischen verschiedenen Regionen zu bestimmen, in denen eine Werbekampagne gestartet wurde, und einer anderen (oder mehreren), in der dies nicht der Fall war. Der Zeitpunkt des Beginns einer neuen Werbekampagne wird als “Behandlung” bezeichnet (vertikale graue gestrichelte Linie in der Mitte der Zeitleiste). Durch die Analyse der Datentrends vor der Behandlung sowie des wahrscheinlichen Verlaufs auf der Grundlage der Kontrollregionen, in denen die “Behandlung” nicht durchgeführt wurde, kann ein von Bayes inspirierter Algorithmus verwendet werden, um vorherzusagen, wohin sich die Datenlinie entwickelt hätte, wenn die Behandlung nicht durchgeführt worden wäre. Diese vorhergesagte Trendlinie wird als “kontrafaktisch” bezeichnet (blaue gestrichelte Linie) und dient als Vergleich mit dem tatsächlichen Verlauf der Datenlinie nach Beginn der Behandlung (schwarze Linie). Die Summe der Differenz zwischen der kontrafaktischen Trendlinie und der tatsächlichen Datentrendlinie wird als “kausale Auswirkung” der Behandlung aufgezeichnet (Diagramm 2 und 3), die entweder mehr oder weniger Auswirkung, im Fall von Google “Klicks”, fördert. Das gleiche Konzept kann verwendet werden, um COVID-19-assoziierte Fälle und Todesfälle sowohl vor als auch nach der Behandlung zu analysieren (vor und nach der Einführung der öffentlichen Impfung) und so die Auswirkungen dieser Politik auf die Entwicklung der Fälle und Todesfälle zu bestimmen.

Die Autoren dieses Pakets haben andere dazu ermutigt, dieses Paket auf innovative Weise zu nutzen:

Gleichzeitig könnte unser Ansatz für viele andere Anwendungen verwendet werden, die kausale Schlussfolgerungen beinhalten. Beispiele hierfür sind Probleme in den Wirtschaftswissenschaften, der Epidemiologie, der Biologie oder den politischen und sozialen Wissenschaften. Mit der Veröffentlichung des R-Pakets CausalImpact hoffen wir, einen einfachen Rahmen für all diese Bereiche zu schaffen. Strukturelle Zeitreihenmodelle werden in einer zunehmenden Anzahl von Anwendungen bei Google verwendet, und wir gehen davon aus, dass sie sich auch in vielen anderen Analysebereichen als nützlich erweisen werden (Brodersen et al., 2015, S. 271).

Jedes Diagramm, das von diesem Paket erstellt wird, enthält drei Abbildungen und die folgenden Informationen:

Abbildung 1 Original: Originaldaten mit kontrafaktischer Darstellung

Abbildung 2 Punktweise: Tägliche Auswirkungen, nach oben oder unten über die Zeit

Abbildung 3 Kumulativ: Summe aller täglichen Auswirkungen im Zeitverlauf

Vertikale graue gestrichelte Linie: Beginn der Behandlung

Schwarze durchgezogene Linie: Tatsächlich erfasste Daten

Blaue gestrichelte Linie: Vorhersage des Bayes’schen Modells für den Verlauf der Daten auf der Grundlage der vorherigen Beobachtungen und der Kontrollregionen

Hellblaue Füllung um die blaue Linie: statistisches Konfidenzniveau, engere Füllung = mehr Vertrauen in die Schätzung

Es ist wichtig hervorzuheben, dass die Einführung des Impfstoffs selbst in verschiedenen Ländern in unterschiedlichem Tempo, unter verschiedenen Bevölkerungsgruppen mit unterschiedlichen Gesundheitsstandards und Komorbiditäten sowie mit verschiedenen Arten von experimentellen Injektionen stattgefunden hat. Dies sind nur einige der vielen verwirrenden Variablen, die bei der Betrachtung öffentlicher Maßnahmen und ihrer Wirksamkeit in verschiedenen Ländern eine Rolle spielen.

Angenommenes kurzfristiges Risiko vs. langfristiges Verhalten

Bei der Analyse der öffentlichen Politik geht es nicht darum, wie der Einzelne auf die Umsetzung der öffentlichen Politik reagiert (dafür sind klinische Studien da), sondern vielmehr darum, wie das Verhalten der Masse auf diese Umsetzung der öffentlichen Politik reagiert. [LINK: Wenn Sie mehr über Studien zum Massenverhalten erfahren möchten, lesen Sie bitte hier, hier, hier, hier und hier]. Aus Sicht der öffentlichen Politik war die Verabreichung von Impfstoffen, auch wenn sie vielleicht schrittweise über verschiedene Altersgruppen/Berufsgruppen hinweg eingeführt wurde, eine landesweite Massenkampagne, bei der viele Regierungen die Verwendung dieser Impfstoffe bis zum Alter von 5 Jahren vorschrieben oder versuchten, dies zu tun. Das ist stumpfsinnige öffentliche Politik und sollte nach Ansicht dieses Autors auch so bewertet werden. Aus politischer Sicht wurde die administrative Entscheidung getroffen, der Bevölkerung Impfstoffe aufzudrängen oder nicht (eine binäre Entscheidung), daher ist die Verwendung des CausalImpact-Pakets angebracht.

Ergebnisse

Nach dieser Analyse der Daten für 145 einzelne Länder zeigen die Ergebnisse, dass in mehr als 80 % der Länder die öffentliche Politik der Massenimpfung mit neuartigen Impfstoffen gegen ein neuartiges Coronavirus die Zahl der Krankheits- und Todesfälle nicht zu senken scheint, sondern sie sogar über das hinaus erhöht, was das Bayes’sche Modell vorhergesagt hätte. In einigen Ländern ist dieser Effekt sehr ausgeprägt (z. B. Vietnam, Mongolei, Thailand, Kambodscha, Seychellen), wo es Länder gibt, in denen es vor der Massenimpfung über ein Jahr lang fast keine Fälle oder Todesfälle gab, und die dann mit der Massenimpfung beginnen und einen sprunghaften Anstieg der Fälle und Todesfälle verzeichnen. Es gibt viele mögliche Gründe für diese Ergebnisse, die andere Forscher bereits vor Beginn der Massenimpfkampagnen erörtert und/oder vor ihnen gewarnt haben, darunter undichte Impfstoffe, eine von vornherein geringe absolute Risikominderung, eine schwächende Wirkung auf das Immunsystem, eine Reaktion auf das Spike-Protein-Zytotoxin, die im Krankenhaus als COVID-19-ähnliche Symptome auftreten kann und daher als COVID-19-Fälle und -Todesfälle bezeichnet wird, massenhafte falsch-positive Tests, eine Unwirksamkeit der Impfstoffe gegen neue Varianten und andere. Diese und weitere Möglichkeiten werden weiter untersucht.

Was auch immer der Grund sein mag, es handelt sich um ein Versagen der öffentlichen Politik, die nicht die von den politischen Entscheidungsträgern versprochenen Ergebnisse erzielt hat. Um das ganze Ausmaß der Fehler in Bezug auf die öffentliche Politik und die Absicht der Medien zu verstehen, muss man sich die Seiten 66-99 der Studie ansehen, um das Ausmaß der Daten aus der ganzen Welt zu erkennen, aber hier sind einige Beispiele für die oben genannten Länder:

Vietnam: +1099% kausaler Einfluss des Impfstoffs auf die Gesamtzahl der Fälle pro Million

Seychellen: +1978% Kausale Wirkung des Impfstoffs auf die Gesamtzahl der Fälle pro Million

Mongolei: +3391% Kausale Wirkung des Impfstoffs auf die Gesamtzahl der Fälle pro Million

Laos: +6955% Kausale Wirkung des Impfstoffs auf die Gesamtzahl der Fälle pro Million

Im Rahmen einer Sekundäranalyse der Ergebnisse zur “kausalen Wirkung” wurde in dieser Studie auch berücksichtigt, wie lange die Impfstoffe in der Bevölkerung im Umlauf waren und wie viele Impfstoffe verabreicht worden waren, um die Möglichkeit zu berücksichtigen, dass die schrittweise Einführung nach Altersgruppen die Auswirkungen auf COVID-19-assoziierte Fälle oder Todesfälle beeinflussen könnte. Die Studie ergab keinen Zusammenhang zwischen der Dauer der Verabreichung der Impfstoffe in der Bevölkerung und den “kausalen Auswirkungen” der Impfung. Die einzige mäßige Assoziation (rho = 0,34, p = 0,001) war die positive Assoziation zwischen mehr Impfstoffen in der Bevölkerung und mehr “kausalen Auswirkungen” auf die Fälle. Mit anderen Worten, das Einzige, was wir anhand dieser Daten mit Sicherheit sagen können, ist, dass mehr Impfstoffe = mehr Auswirkungen auf die Zunahme der Fälle. Dieser Zusammenhang zwischen der Gesamtzahl der verabreichten Impfstoffe und der Zunahme der Todesfälle war statistisch nicht signifikant.

Diese Ergebnisse wurden Ende Oktober 2021 gewonnen und schließlich Mitte November 2021 auf den Preprint-Server hochgeladen. Die Vorhersagefähigkeit des in CausalImpact verwendeten Bayes’schen Algorithmus zeigt hier seine Stärke. Er war in der Lage, vor Beginn der großen Wintergrippesaison in der nördlichen Hemisphäre und genau zu Beginn von Omikron vorherzusagen, dass mehr Impfstoffe in den Ländern mit mehr Auswirkungen auf die Fälle, aber nicht unbedingt mit mehr Auswirkungen auf die Todesfälle verbunden sind/wären. Das ist fast genau das, was wir in diesem Winter in den Ländern Europas und Nordamerikas und im hochgeimpften Israel gesehen haben, wobei Israel die schlechtesten Ergebnisse aufwies (es ist auch das Land mit der höchsten Impfquote).

Kausalität und zukünftige Forschung

Die Ergebnisse dieser Studie sind zeitliche Anzeichen für Kausalität, was das erste Kriterium der Bradford-Hill-Kriterien für Kausalität ist (d. h. akute sekundäre Wirkung). Das zweite Kriterium besagt, dass die Ergebnisse der Kausalität aus anderen Beweisen oder Mechanismen vorhersehbar sein müssen. Dies wurde zum Teil dadurch bewiesen, dass die Zahl der Fälle und Todesfälle als direkte Folge der Verabreichung von Impfstoffen gestiegen ist, wie von vielen vorhergesagt.

Ob dieses zweite Kriterium erfüllt ist oder nicht, könnte anhand einer Reihe von biomechanisch vorhersagbaren Markern für Komplikationen und unerwünschte Ereignisse im Zusammenhang mit diesen neuartigen Impfstoffen weiter geprüft werden. Zu diesen Daten könnten gehören: Myokarditis/Perikarditis bei jungen Menschen, Herzinfarkte bei jungen Menschen, Schlaganfälle bei jungen Menschen, Krebs, Autoimmunkrankheiten, Anzeichen einer verminderten Reaktion des Immunsystems (z. B. Wiederauftreten von Viren wie Gürtelrose, Herpes usw.) und viele andere Variablen. Diese Daten reichen viele Jahre oder Jahrzehnte zurück und würden daher eine sehr gute Vorhersagekapazität für den in CausalImpact verwendeten Bayes-Algorithmus bieten. Wenn es einen dramatischen Anstieg der Raten dieser vorhergesagten Ergebnisse gibt, nachdem diese öffentliche Behandlung eingeleitet wurde, würde dies das zweite Kausalitätskriterium mit viel mehr unterstützenden Beweisen erfüllen. Diese Studien sind bereits im Gange und werden fortgesetzt, sobald mehr Daten aus den Jahren 2021 und 2022 verfügbar sind.

Kurzum, wir brauchen wie immer mehr wissenschaftliche Forschung, um diese Ergebnisse zu bestätigen oder zu widerlegen. Ziel dieser Studie war es, einen allgemeinen weltweiten Überblick über die Auswirkungen von Massenimpfungen während einer Pandemie mit Atemwegsviren zu gewinnen. Dies geschah in der Hoffnung, Bereiche für künftige spezifische Forschungen anzuregen, die mithilfe der in diesem Papier beschriebenen Methode der Analyse der kausalen Auswirkungen angegangen werden können. Außerdem sollte diese Studie die Aufmerksamkeit von Wählern und politischen Entscheidungsträgern auf die Daten und die ethischen Aspekte der Auswirkungen dieser experimentellen öffentlichen Maßnahmen lenken.