Neue Studie: Lockdowns verhindern Covid Todesfälle nicht

Die Zahl der Studien, die belegen, dass die nicht-pharmazeutischen Maßnahmen und die Abschaffung von Demokratie und Grundrechten nicht zu niedrigeren Covid-Mortalitäts- und Infektionsraten führen, werden immer mehr. Lockdows und scharfe Maßnahmen bringen nicht mehr als die Einhaltung einfacher Hygiene-Regeln.

Die wohl meistzitierte Studie war die der vier Stanford Wissenschaftler unter Führung des Top-Medizin-Wissenschaftler John Ioannidis. Darin wurde belegt, dass die strikteren Maßnahmen von 8 Ländern wie USA, UK, Deutschland und weiteren gegenüber den von Schweden und Südkorea keinen Vorteil gebracht haben. Die Studien werden immer zahlreicher, in dieser Sammlung von AIER, die auf dem neuesten Stand gehalten wird, finden sich derzeit 31 Veröffentlichungen.

Vorige Woche wurde eine weitere Untersuchung in Scientific Reports in Nature veröffentlicht die mit einem etwas anderen Ansatz ermittelt. Untersucht wird, ob das Ausmaß, in dem die Menschen zu Hause blieben (gemessen anhand von Google-Mobilitätsdaten), mit der Covid-Sterblichkeit in verschiedenen Ländern in Verbindung steht. Hier ist ein Auszug aus dem Abstract:

Es wurden Länder mit mehr als 100 Todesfällen und mit einem Healthcare Access and Quality Index von mindestens 67 eingeschlossen. Die Daten wurden vorverarbeitet und analysiert anhand der Differenz zwischen der Anzahl der Todesfälle pro Million zwischen zwei Regionen und der Differenz zwischen dem Prozentsatz des Verbleibs zu Hause. … Nach der Vorverarbeitung der Daten wurden 87 Regionen auf der ganzen Welt einbezogen, was 3.741 paarweise Vergleiche für die lineare Regressionsanalyse ergab. Nur 63 (1,6%) Vergleiche waren signifikant. Mit unseren Ergebnissen konnten wir nicht zeigen, dass die COVID-19-Mortalität durch den Aufenthalt zu Hause in etwa 98% der Vergleiche nach den epidemiologischen Wochen 9 bis 34 reduziert wird.“

Und weiter:

Wir waren nicht in der Lage, die Variation der Todesfälle pro Million in verschiedenen Regionen der Welt durch soziale Isolation zu erklären, hier analysiert als Unterschiede im Aufenthalt zu Hause, im Vergleich zur Baseline. In den restriktiven und globalen Vergleichen waren nur 3% bzw. 1,6% der Vergleiche signifikant unterschiedlich.“

Die Autoren erklären, dass dies mit den Ergebnissen anderer übereinstimmt, und kritisieren die modellbasierten Studien, die zu anderen Schlussfolgerungen kommen.

Unsere Ergebnisse unterscheiden sich von denen, die von Flaxman et al. veröffentlicht wurden. Die Autoren wendeten eine sehr komplexe Berechnung an, dass NPIs 3,1 Millionen Todesfälle in 11 europäischen Ländern verhindern würden. Die unterschiedlichen Ergebnisse lassen sich durch verschiedene Herangehensweisen an die Daten erklären. Während Flaxman et al. eine konstante Reproduktionszahl (Rt) annahmen, um die Gesamtzahl der Todesfälle zu berechnen, die letztendlich nicht eintrat, berechneten wir die Differenz zwischen der tatsächlichen Zahl der Todesfälle zwischen zwei Ländern/Regionen. Die von Flaxman et al. veröffentlichten Projektionen wurden von anderen Autoren bestritten. Kuhbandner und Homburg beschrieben die zirkuläre Logik, die diese Studie beinhaltet. Flaxman et al. schätzten die Rt aus täglichen Todesfällen im Zusammenhang mit SARS-CoV-2 unter der a priori Einschränkung, dass sich die Rt nur zu den Zeitpunkten ändern darf, an denen Interventionen wirksam werden. Im Falle einer endlichen Population sinkt die effektive Reproduktionszahl jedoch automatisch und notwendigerweise im Laufe der Zeit, da die Zahl der Infektionen sonst die Zahl der infizierbaren Personen übersteigen würde.“

Die gleiche Erklärung für die Diskrepanz kann auf andere Publikationen angewendet werden, in denen mathematische Modelle zur Vorhersage von Ergebnissen erstellt wurden. Die meisten dieser Studien befassten sich mit COVID-19-Fällen und nicht mit beobachteten Todesfällen. Trotz ihrer Einschränkungen sind beobachtete Todesfälle zuverlässiger als neue Falldaten. Weitere Erklärungen für unterschiedliche Ergebnisse in der Literatur, neben methodischen Aspekten, könnten in der Komplexität der Virusdynamik begründet sein, in der Interaktion mit der Umwelt, oder sie könnten mit einem saisonalen Muster zusammenhängen, das zufällig zur gleichen Zeit etabliert wurde, als die Infektionsraten aufgrund der saisonalen Dynamik zu sinken begannen. Es ist unklug zu versuchen, einen komplexen und multifaktoriellen Zustand mit den dazugehörigen ständigen Veränderungen mit einer einzigen Variable zu erklären. „

Man würde vermuten, dass der vermehrte Aufenthalt zu Hause die Übertragung einer Infektionskrankheit signifikant reduziert. Es ist aber nicht einmal beweisbar, dass Lockdowns bei Unterdrückung der Ausbreitung „funktionieren“. Die Vorstellung, dass Lockdowns nicht einmal das erreichen, was sie erreichen sollten, wurde auch bei der Arbeit von Ioannidis von einigen Kritikern bezweifelt. Aber Studie um Studie belegt genau das. Und diese belegt es basierend auf der Untersuchung der Bewegungsdaten und nicht nur, ob die Regierung es eine Einschränkung der Bewegung vorschreibt. Und sie findet keinen Zusammenhang mit Covid-Todesfällen. Das scheint also auszuschließen zu sein.

Ein Grund wird sein, dass ein Großteil der Ausbreitung, vor allem die, die zu schwerer Krankheit und Tod führt, in Krankenhäusern und Pflegeheimen stattfindet. Etwa die Hälfte oder teils sogar erheblich mehr der Covid-Todesfälle wird in Pflegeheimen registriert. Untersuchungen haben gezeigt, dass weder Besucher noch Personal die Überträger des Virus waren. Aber wenn ein Bewohner ins Spital zu Dialyse oder Untersuchung muss, dann kommt es häufig anschließend zu Clustern im Heim. Wie Schulschließungen und die Sperre von Restaurants und Geschäften das verhindern sollen ist wirklich nicht einzusehen.

Und natürlich kommt das Leben nicht völlig zum Stillstand und viele Unternehmen und Behörden arbeiten nicht nur aus dem Home Office. Es scheint, dass dieses Maß an Interaktion ausreicht, damit das Virus etwa die gleiche Anzahl von Menschen erreicht, insbesondere bei denjenigen, die anfällig für schwere Krankheiten sind, unabhängig davon, welche andere Interaktion vermieden wird. Bekannt ist das Beispiel aus dem Jahr 1973, wo es nach 17 Wochen völliger Isolation in der Antarktis zu einem Ausbruch einer Corona-Erkältungswelle in der Forschungsstation kam.

Masken haben auch nur einen geringen oder gar keinen Einfluss auf die Übertragung wie mittlerweile eine Reihe größerer Studien gezeigt haben.

Man könnte meinen, dass es asymptomatische infizierte Personen sind, die die Krankheit unbemerkt verbreiten, denn das ist die Botschaft, die die Regierung verkündet hat. Im Gegensatz zu frühen Berichten wie etwa die mit falschen Behauptungen operierende Studie von Christian Drosten von dem Besuch der vermeintlich gesunden Chinesin bei Webasto, zeigen neuere Studien, dass asymptomatische Träger, wie bei anderen Viren auch, kaum infektiös sind und höchstens 0,7 % der Übertragung ausmachen. Was auch immer der Grund für die Verbreitung von Atemwegsinfektionen ist, die Daten sind konsistent und klar. Lockdowns (einschließlich des freiwilligen Verbleibs zu Hause) sind nicht mit einer Reduzierung der Covid-Mortalität oder der Infektionsraten verbunden. Diese neue Studie ist nur ein weiterer Beleg für diese Tatsache.

Bild von Ri Butov auf Pixabay

Alle aktuellen News im TKP Telegram Channel

Unterstütze unabhängigen Journalismus mit einer Spende via PayPal


Stanford Studie mit Top Medizin-Wissenschaftler Ioannidis zeigt keinen Nutzen von Lockdowns

Eine Bilanz der Maskenpflicht – Nutzen versus Schaden

Lockdown 3 – vorsätzliche und fortgesetzte Verfassungswidrigkeit

Lockdown Bilanz 2020 – Schweden versus USA und EU

8 Kommentare zu „Neue Studie: Lockdowns verhindern Covid Todesfälle nicht

  1. „Masken haben auch nur einen geringen oder gar keinen Einfluss auf die Übertragung wie mittlerweile eine Reihe größerer Studien gezeigt haben.“

    Der größte Witz bei dem Masken-Märchen ist ja der, dass da (wenn man annimmt, dass Masken schützen würden) irgendwo die Annahmen drinsteckt, dass die Viren, wenn sie von der Maske aufgehalten würden (auf der Innenseite oder der Außenseite), sie sich danach „in Luft auflösen müssten“. Die Alternative wäre, dass die Viren sich auf der Maske ANSAMMELN!

    Wenn eine Maske (wie mW meistens der Fall) nicht antiviral beschichtet ist, gibt es keinen Grund, warum die Viren auf der Maske die Eigenschaften verlieren sollten, die sie vorher auch im Aerosol hatten. Logischerweise würden die Viren dann, beim Abdunsten des Wasseranteils des Aerosolpartikels, wieder frei und entweder eingeatmet oder im Raum verteilt.

    Kurz: das „Masken-würden-etwas-bewirken-können“-Märchen beruht auf der mystischen, antiwissenschaftlichen Vorstellung, dass Viren nach Kontakt mit einer Maske irgendwie spurlos verschwinden würden oder wenigstens ihrer Eigenschaften beraubt werden würden. Man könnte von „Magic Masks“ sprechen da sie irgendwie Viren ver- oder wegzaubern können müssten.

    1. Gut ausformuliert – danke Ihnen. Nur kommen logisches Denken und prüfen heute nicht mehr vor, bei den meisten Ärzten nicht, den Lehrern, den Juristen etc. allen, die ein Hochschulstudium abgeschlossen haben sollte der Beruf aberkannt werden, wenn sie das Corona Narrativ weiter aufrecht erhalten!
      Mal sehen, ob, wenn diese Herrschaften mit der Impfumg dran sind, „der A .. auf Grundeis geht“, wie man so schön sagt. Denn informiert dürften m.E. alle sein, ohnen Ausnahme!

      Der B E W E I S

      „Das RKI fragt, wie wir schon gesehen haben, nicht, ob Ansteckungsgefahr besteht, sondern nimmt einfach alles als Fälle, was die PCR-Tests als positive Fälle liefern — und das zu 100 Prozent! Von zu 100 Prozent richtigen Testergebnissen auszugehen bedeutet aber, völlig falsche Inzidenzzahlen zu liefern.

      Viele Menschen glauben in Unkenntnis der mathematischen Zusammenhänge, dass zum Beispiel Testungen, die zu 99 Prozent richtige Ergebnisse auswerfen, keine große Fehlerquelle darstellen können. Aber das ist falsch!

      Es ist deshalb falsch, weil die Fehlerquote der Tests, auf sehr viele Menschen angewandt, eben eine sehr große Zahl von falsch Positiven auswerfen wird, wenn fast alle gesund sind, die getestet werden.

      Die Begründung für die Schutzhaft ist damit klar und eindeutig und vor unser aller Augen als falsch enttarnt! Das Geheimpapier der Corona-„Pandemie“-Steuerung kann mit einem einfachen mathematischen Schlüssel entziffert werden. (…)

      Für jedes winzige tausendstel Prozent, um das die Spezifität absinkt, reduziert sich auch die Inzidenzzahl um 1 (…)

      Nur bei der völlig absurden — und in ihrer Wirkmächtigkeit gemeingefährlichen — Annahme einer Spezifität von 100 Prozent ist die Inzidenzzahl 198. Nimmt man eine Spezifität an, die nur um ein tausendstel Prozent reduziert wurde, also 99,999 Prozent, so sinkt die Inzidenzzahl von 198 auf 197 (15). Nimmt man eine Spezifität von 99,9 Prozent an, so beträgt die Inzidenzzahl — wohlgemerkt in der heißesten Phase der „Pandemie“ — nur mehr 98 anstatt der vom RKI angegebenen Inzidenzzahl von 198 (16). Und nimmt man eine Spezifität von 99,802 Prozent an, so sind alle angeblich positiv Getesteten verschwunden. Es gilt dann, die Inzidenzzahl ist NULL (17). (…)

      Man sieht, wie das Absinken der Spezifität (18) um nur 0,2 Prozent ein Verschwinden der bisher höchsten vom RKI gemessenen Inzidenzzahl bewirkt. Aus 198 wird NULL!“

      Quelle:
      http://blauerbote.com/2021/03/12/der-beweis-der-betrug-mit-den-inzidenzzahlen-ist-geradezu-bizarr/

  2. Der B E W E I S

    „Das RKI fragt, wie wir schon gesehen haben, nicht, ob Ansteckungsgefahr besteht, sondern nimmt einfach alles als Fälle, was die PCR-Tests als positive Fälle liefern — und das zu 100 Prozent! Von zu 100 Prozent richtigen Testergebnissen auszugehen bedeutet aber, völlig falsche Inzidenzzahlen zu liefern.

    Viele Menschen glauben in Unkenntnis der mathematischen Zusammenhänge, dass zum Beispiel Testungen, die zu 99 Prozent richtige Ergebnisse auswerfen, keine große Fehlerquelle darstellen können. Aber das ist falsch!

    Es ist deshalb falsch, weil die Fehlerquote der Tests, auf sehr viele Menschen angewandt, eben eine sehr große Zahl von falsch Positiven auswerfen wird, wenn fast alle gesund sind, die getestet werden.

    Die Begründung für die Schutzhaft ist damit klar und eindeutig und vor unser aller Augen als falsch enttarnt! Das Geheimpapier der Corona-„Pandemie“-Steuerung kann mit einem einfachen mathematischen Schlüssel entziffert werden. (…)

    Für jedes winzige tausendstel Prozent, um das die Spezifität absinkt, reduziert sich auch die Inzidenzzahl um 1 (…)

    Nur bei der völlig absurden — und in ihrer Wirkmächtigkeit gemeingefährlichen — Annahme einer Spezifität von 100 Prozent ist die Inzidenzzahl 198. Nimmt man eine Spezifität an, die nur um ein tausendstel Prozent reduziert wurde, also 99,999 Prozent, so sinkt die Inzidenzzahl von 198 auf 197 (15). Nimmt man eine Spezifität von 99,9 Prozent an, so beträgt die Inzidenzzahl — wohlgemerkt in der heißesten Phase der „Pandemie“ — nur mehr 98 anstatt der vom RKI angegebenen Inzidenzzahl von 198 (16). Und nimmt man eine Spezifität von 99,802 Prozent an, so sind alle angeblich positiv Getesteten verschwunden. Es gilt dann, die Inzidenzzahl ist NULL (17). (…)

    Man sieht, wie das Absinken der Spezifität (18) um nur 0,2 Prozent ein Verschwinden der bisher höchsten vom RKI gemessenen Inzidenzzahl bewirkt. Aus 198 wird NULL!“

    Quelle:
    http://blauerbote.com/2021/03/12/der-beweis-der-betrug-mit-den-inzidenzzahlen-ist-geradezu-bizarr/

    1. Sie haben schon recht dass die Testergebnisse Quatsch sind!
      Noch dazu wenn mit den Schnelltest der „tatsächlich infiziert“ Pool erhöht wird, und dann mit dem PCR Test mit hoher Vortestwahrscheinlichkeit (Praevalenz), die Positivenrate zwecks Massnahmenterrorismus groß genug ist!
      Allerdings geht es mehr um die Sensivität.
      Und um die Praevalenz! Bei Krankheitsanzeichen ist der PCR Test zum Abgleichen der Möglichkeiten ein Zusatzinstrument.
      Aber auch wenn der PCR Test dann genauer ist, misst er dennoch nur Abfälle von Viren.
      Im Falle des Falles, je nach Ct wert ist ev. in einem Drittel der Nachweisbarkeitszeit so etwas wie vermehrbare Viren vorhanden. (Petrischale)
      Dazu kommt noch, dass anfangs 3 Gensequenzen mit dem Test gesucht wurden. Und nunmehr oft nur mehr eine! Das E-Gen das eventuell auch auf andere Coronaviren oder sonst etwas anspricht! Alle 3 werden durch das ebenfalls viel missbrauchte Mutationsgeschehen nicht mehr verwendet.
      Um aus einer großen Masse, einzelnes, spezielles herauszufinden ist er jedenfalls ungeeignet.
      Zur Not sind Schnelltests (am besten 2 aus verschiedener Produktion ev. vor und nach dem Besuch von Gefährdeten) eine Methode die abgekauft werden könnte und die dieselben vor den schnöden Mülleimer bewahrt, wenn diese schon in Massen eingekauft wurden. Und vielleicht hilft das auch PflegerInnen aus den Raumanzügen. Denen könnten auch die Tests nach T-Helferzellen etc. helfen. Mit Heimleitern die schon mal etwas von Zivilcourage gehört haben oder ist diese nach einem Jahr endgültig durch den Wolf oder Nervhammer gegangen.
      Gefährdete sind auch noch durch viele anderen Erreger gefährdet und wir wagen zu bezweifeln das sich alles testen lässt. Viele Besuche mit viel Aufenthalt im Freien und mit Vorsicht sind trotzdem immer zu empfehlen.

      Hier ist nochmals der RKI Rechner zum Durchspielen der Gegebenheiten.

      https://rki-wiko.shinyapps.io/test_qual/

      Positiver Vorhersagewert: Eine Person hat ein positives Testergebnis. Wie wahrscheinlich ist sie tatsächlich infiziert?

      Negativer Vorhersagewert: Eine Person hat ein negatives Testergebnis. Wie wahrscheinlich ist sie tatsächlich nicht infiziert?

      Spezifität: Bei wie viel % der getesteten Nicht-Infizierten wird keine Infektion angezeigt (negatives Testresultat)?

      Sensitivität: Bei wie viel % der getesteten Infizierten wird ein Verdacht auf Infektion angezeigt (positives Testresultat)?

      Die Berechnungen des Tools illustrieren, dass die Aussagekraft von Antigen-Schnelltests stark vom Anteil der Infizierten unter den getesteten Personen (Vortestwahrscheinlichkeit) sowie von der Sensitivität und Spezifität der Tests abhängt.

      Die voreingestellten Werte im Rechenbeispiel gehen von einer Sensitivität von 60% und einer Spezifität von 97% aus. Zudem wird angenommen, dass 0.22% der Getesteten tatsächlich infiziert sind, wenn bei einer 7-Tage-Inzidenz von 35 pro 100 000 ungezielt getestet wird und ca. 33% der Infizierten im Meldewesen erfasst werden. Daraus resultieren entsprechende Werte für den positiven und den negativen Vorhersagewert. Diese Werte hängen jedoch stark von weiteren Variablen ab (Testzeitpunkt; Qualität der Probennahme; Qualität des verwendeten Tests).

      Wenn jemanden noch etwas zu diesen Tests einfällt bitte diese Infos nicht vorenthalten.
      Wir werden nämlich gerade zu „Tode“ getestet!

    2. @rudi&maria fluegl

      Bedanke mich herzlich für Ihre Ausführungen!!!
      Schönes Wochenende, darf man wünschen?
      Grüße Sie!

    3. Das ist meines Erachtens falsch (ich weiß nicht, ob Sie da irgendwas zitieren oder das selbst so sagen) und spiegelt den Kern der verbreiteten Desinformation wider:

      „Spezifität: Bei wie viel % der getesteten Nicht-Infizierten wird keine Infektion angezeigt (negatives Testresultat)?“

      „Sensitivität: Bei wie viel % der getesteten Infizierten wird ein Verdacht auf Infektion angezeigt (positives Testresultat)?“

      Nein. Die Spezifität gibt nur an bei wie viel % der Genschnipsel-freien PROBEN(!) keine Genschnipsel angezeigt werden (negatives Testresultat)

      Nein. Die Sensivität gibt nur an bei wie viel % der PROBEN, die Genschnipsel enthalten, werden diese angezeigt.

      Indem wir (Sie, ich, andere) die falschen Narrative der Lügenmedien übernehmen (ein Test, der die Anwesenheit von Genschnipseln in einer Probe anzeigt sage irgend etwas über den Infektionsstatus einer Person aus), sei es aus Unachtsamkeit oder weil wir zitieren, betreiben wir deren Geschäft.

      Der PCR-Test sagt NICHTS über den Infektionsstatus einer Person aus. GARNICHTS! Und selbst wenn eine Person Krankheitssymptome hat, kann aus einem positiven PCR-Test nicht auf Covid-19 geschlossen werden, da SARSCOV2 einfach ein „Mitläufer“ bei anderen Infektionen sein kann.

  3. Vorige Woche wurde eine weitere Untersuchung in Scientific Reports in Nature veröffentlicht die mit einem etwas anderen Ansatz ermittelt. Untersucht wird, ob das Ausmaß, in dem die Menschen zu Hause blieben (gemessen anhand von Google-Mobilitätsdaten), mit der Covid-Sterblichkeit in verschiedenen Ländern in Verbindung steht.

    Junk science:
    https://osf.io/63efj/

    Um festzustellen, ob der Ansatz tatsächlich einen Effekt von Lockdowns erkennen kann, konstruierten wir einen Datensatz mit fünf hypothetischen Ländern, in denen Änderungen der Mobilität (oder das Fehlen derselben) einen offensichtlichen Effekt auf die Sterblichkeit hatten (Abbildung 1). Als wir diesen Datensatz durch das Jupyter-Notebook laufen ließen, war keiner der Vergleiche statistisch signifikant bei p < .05 (Abbildung 2). Nach den Kriterien der Autoren würde dies bedeuten, dass auch für unseren handgefertigten Datensatz kein Effekt von Lockdowns gefunden werden konnte.

    Ein Durchlauf eines Datensatzes mit Zufallsdaten (Abbildung 3) durch das Notebook ergab, dass einer von zehn Vergleichen bei p < .05 statistisch signifikant war (Abbildung 4). Nachdem ich den Hauptautor um einen Datensatz gebeten hatte, der den Effekt von Lockdowns zeigen könnte, schickte er einen Datensatz mit zwei Ländern, für den das Notebook tatsächlich einen p-Wert von < .0001 ausgibt (Abbildung 5, oben). Das Hinzufügen von ein wenig Rauschen zu dem Datensatz führte jedoch wieder zu einem nicht signifikanten Ergebnis (Abbildung 5, unten). Der Quellcode und die Datensätze können in unserem GitHub-Repository [6] gefunden werden. Dies deutet darauf hin, dass die vorgeschlagene Methode a) einen Effekt von Lockdowns nicht zuverlässig erkennen kann, selbst wenn er existieren sollte, b) sinnvolle Daten nicht von zufälligen Werten unterscheiden kann und c) anfällig für Rauschen in den Daten ist. Insgesamt scheint dies den Ansatz ungeeignet zu machen, um selbst offensichtliche Effekte eines Lockdown in künstlichen oder realen Daten zu erkennen.

Kommentar verfassen