Arzt erklärt, was mit Covid-19 Fallzahlen nicht stimmt – Collective Evolution
Quelle: Doctor Explains What’s Wrong With Covid-19 Case Counts – Collective Evolution
Lockdown-Maßnahmen und andere Anordnungen werden wieder einmal, so scheint es, aufgrund der Anzahl der Fälle durchgesetzt, die in mehreren Ländern auf der ganzen Welt aufzutauchen scheinen. Trotz der Tatsache, dass eine schwindelerregende Menge von Ärzten und Wissenschaftlern, die von den Mainstream-Medien nie Aufmerksamkeit erhalten, vollständig gegen diese Maßnahmen sind und behaupten, daß sie mehr schaden als nützen, erlegen Gesundheitsbehören Menschen weiterhin Zwangsmaßnahmen auf – unter Androhung von Geldbußen und Gefängnisstrafen bei Nichteinhaltung.
Es gibt eine Vielzahl von Fragen, die von der wissenschaftlichen und medizinischen Gemeinschaft aufgeworfen werden, die die Informationen, die wir von den Mainstream-Medien hinnsichtlich Covid-19 erhalten, in Frage stellen. Eine dieser Fragen dreht sich um die Anzahl der COVID-19-Fälle und die Tests, die verwendet werden, um festzustellen, wie viele Fälle es gibt.
Vor nicht allzu langer Zeit haben 22 Forscher ein Papier veröffentlicht, in dem sie darlegen, warum der PCR-Test ihrer Meinung nach nicht effektiv genug ist, um COVID-19-Fälle zu identifizieren, sodass es zu einer erheblichen Anzahl von falsch-positiven Ergebnissen kommen kann. Die stellvertretende Amtsärztin von Ontario, Kanada, Dr. Barbara Yaffe, erklärte kürzlich, dass COVID-19-Tests mindestens 50 Prozent falsch-positive Ergebnisse liefern können. Das bedeutet, dass Menschen, die positiv auf COVID getestet werden, die Krankheit möglicherweise gar nicht haben.
Im Juli schrieb Professor Carl Heneghan, Direktor des Zentrums für evidenzbasierte Medizin an der Universität Oxford und unverblümter Kritiker der aktuellen britischen Reaktion auf die Pandemie, einen Artikel mit dem Titel „Wie viele Covid-Diagnosen sind falsch positiv?“. Er argumentierte, dass der Anteil der positiven Tests, die falsch sind, auch in Großbritannien bis zu 50 % betragen könnte.
Bereits 2007 veröffentlichte Gina Kolata in der „New York Times“ einen Artikel darüber, wie die Ausrufung von Viruspandemien aufgrund von PCR-Tests in einem Desaster enden kann. Der Artikel trug den Titel „Faith in Quick Test Leads to Epidemic That Wasn’t“.
In diesem Beitrag möchte ich Ihre Aufmerksamkeit auf einen Artikel lenken, der von Dr. Robert Hagen für „MedPage Today“ geschrieben wurde. Er arbeitete an der „Lafayette Orthopaedic Clinic“ in Indiana und ist kürzlich in den Ruhestand getreten. Er ist außerordentlicher Professor an der Indiana University.
Was mit den Covid-19-Fallzahlen nicht stimmt
Wie die Base-Rate-Täuschung das Bild der Krankheitsaktivität auf einem College-Campus in Indiana trüben kann
Die Schwere der COVID-19-Infektion in den USA lässt sich nicht leugnen, aber die Anzahl der gemeldeten positiven Tests kann zu Verwirrung führen – vor allem für diejenigen unter uns in Universitätsstädten.
Die meisten von uns im Gesundheitswesen haben ein recht gutes Verständnis von Mathematik, sind aber nicht sehr versiert auf dem Gebiet der Statistik. Leider hat das mangelnde Verständnis des statistischen Prinzips der Base Rate Fallacy/des Falsch-Positiv-Paradoxons zu einigen verwirrenden Zahlen geführt.
Ein klassischer Artikel aus dem Jahr 1978 im „New England Journal of Medicine“ zeigt dieses Problem auf. Die Forscher stellten 60 Harvard-Ärzten und Medizinstudenten eine scheinbar einfache Frage: Wenn ein Test zum Nachweis einer Krankheit mit einer Prävalenz von 1/1.000 eine Falsch-Positiv-Rate von 5 % hat, wie hoch ist dann die Chance, dass eine Person mit einem positiven Ergebnis tatsächlich die Krankheit hat?
Nur 14% gaben die richtige Antwort, also 2%, die meisten antworteten mit 95%.
Der Basisratentrugschluss/das falsch-positiv-Paradoxon leitet sich vom Bayes-Theorem ab. Wenn die Inzidenz einer Krankheit in einer Population niedrig ist, werden, sofern der verwendete Test keine sehr hohe Spezifität aufweist, mehr falsch-positive als richtig-positive Ergebnisse ermittelt. Der Unterschied in den Zahlen kann recht eklatant sein und ist sicherlich nicht per se verständlich.
Wir haben in der Vergangenheit aus den routinemäßigen PSA-Tests und Mammographien gelernt, dass ein positiver Test in einer Screening-Situation im Kontext betrachtet werden muss. Die Inzidenz einer Krankheit in der Bevölkerung, die man testet, ist extrem wichtig für die Genauigkeit.
Die Purdue-Universität hat im späten Frühjahr die Entscheidung getroffen, den Präsenzunterricht für die Herbstsaison wieder aufzunehmen. Purdue ist eine große Forschungsuniversität mit einem starken Schwerpunkt auf MINT-Ausbildung. Viele dieser Kurse beinhalten Praktika, Laborsitzungen und Gruppenprojekte, die eine persönliche Anwesenheit erfordern.
Ein ausgeklügelter Plan wurde umgesetzt, einschließlich einer von allen Studenten unterzeichneten Verpflichtung, sich korrekt zu verhalten, Masken zu tragen und soziale Distanz zu wahren. Es wurde beschlossen, jede Woche Stichproben bei 10 % der Studenten und Mitarbeiter durchzuführen. Da es an der Purdue Universität 50.000 Mitarbeiter und Studenten insgesamt gibt, werden jede Woche 5.000 Tests durchgeführt. Der Zweck der stichprobenartigen Tests war die Überwachung, um Studenten und Mitarbeiter zu korrektem Verhalten anzuhalten.
Die Gesundheitsbehörde des Bundesstaates Indiana riet von einem Stichprobenprogramm ab, da sie der Meinung war, dass die Genauigkeit der Daten insgesamt schwierig wäre. In unserem Bezirk kam es zu einer Vermischung der Daten von Personen, die MIT Symptomen getestet wurden, mit den zufällig getesteten Purdue-Studenten OHNE Symptome. Die Base Rate Fallacy/das Falschpositiv-Paradoxon wird leider ignoriert, wenn man so vorgeht.
Bis zu diesem Punkt hat Purdue zufällige Tests bei etwa 1.000 Studenten pro Wochentag durchgeführt. Von diesen sind etwa 35 pro Tag positiv, laut dem Dashboard der Universität. Studenten, die positiv getestet werden, müssen sich in einem Wohnheim isolieren oder nach Hause gehen. Diejenigen, die sich dafür entscheiden, nach Hause zu gehen, lassen oft einen weiteren Test bei ihrem persönlichen Arzt durchführen. Wenn diese Tests negativ ausfallen, entsteht erhebliche Verwirrung.
Bislang haben 90 % der positiv getesteten Studenten keine Symptome entwickelt. Nur einer wurde ins Krankenhaus eingeliefert und keiner ist gestorben. Hätte Purdue sich entschieden, alle 50.000 Studenten und Mitarbeiter wöchentlich zu testen, wäre die 10-fache Anzahl an positiven Tests pro Woche gemeldet worden. Wären diese Daten mit den Tests der symptomatischen Personen vermischt worden, hätte es sicherlich einen Aufschrei des zufälligen Beobachters gegeben dahingehend, alles wieder zu schließen. Doch diese Zahlen wären nur repräsentativ für die Positivität der Massentests, nicht für die Prävalenz der infizierten Patienten.
Diese 35 Studenten, die täglich positiv getestet werden, werden zu den Gesamtzahlen unseres Landkreises addiert (viele dieser positiven Tests des Kreises werden bei Personen mit COVID-19-Symptomen durchgeführt). Somit sieht es so aus, als ob sich die Anzahl der positiven Tests in unserem Bezirk verdoppelt hätte, seit Purdue im August mit dem Präsenzunterricht begann.
Die Zahlen haben unser Bezirksgesundheitsamt veranlasst, vorsichtig zu sein. Restaurantbesuche, Sportveranstaltungen und andere große Versammlungen werden wieder stärker eingeschränkt, als es die staatlichen Anforderungen verlangen.
Ohne die Spezifizität des Tests zu kennen, ist die Anzahl dieser positiven Ergebnisse, die falsch-positiv sind, unbekannt.
Wenn die Spezifizität eines Tests 95 % beträgt, gibt es bei einer Population mit einer Krankheitsinzidenz von 2 % – wie z. B. gesunde College-Studenten und -Mitarbeiter – aufgrund der Base Rate Fallacy/des Falschpositiv-Paradoxons 5 falsch-positive Ergebnisse auf 2 richtig-positive Ergebnisse (die tatsächliche Inzidenz von aktivem COVID-19 bei Studenten im College-Alter ist nicht bekannt, wird aber nach Daten der Indiana University/Fairbanks auf weniger als 0,6% geschätzt). Selbst die Verwendung eines Tests mit 99 % Spezifizität bei einer Bevölkerungsinzidenz von 1 % führt zu 10 falsch-positiven Ergebnissen für je 9 richtig-positive Ergebnisse.
Wenn man den gleichen Test bei Patienten mit COVID-19-Symptomen anwendet, weil deren Erkrankungshäufigkeit 50 % oder mehr beträgt, muss der Test nicht perfekt sein. Selbst bei Verwendung eines Tests mit nur 90 % Spezifizität wird die Anzahl der falsch-positiven Ergebnisse viel geringer sein.
Die tatsächliche Sensitivität und Spezifizität der COVID-19-Tests sind nicht bekannt, da diese Tests von der FDA im Rahmen einer Notfallautorisierung genehmigt wurden. Die Angaben der Hersteller sind von der Behörde noch nicht bestätigt worden.
Die Tests sind „gut genug“ für die Diagnose von Patienten mit Symptomen, aber nicht annähernd so effektiv, wenn sie für ein stichprobenartiges Testprogramm verwendet werden.
Da diese Gruppen nicht separat ausgewiesen werden, haben wir wirklich keine Ahnung, was in unserer Stadt los ist. Glücklicherweise führt Purdue sein eigenes Dashboard und mit einigen Berechnungen können ihre Daten aus den Bezirksdaten extrahiert werden, um uns eine grobe Schätzung zu geben. Auch wegen der zusätzlichen Tests, die zur Verfügung stehen, führt Indiana jetzt bis zu 40.000 COVID-Tests pro Tag durch. Vor acht Wochen waren es noch 20.000 Tests pro Tag. Unser Staat hat eine Bevölkerung von 6,5 Millionen. Durch diese erhöhte Anzahl von Tests werden nun 4 % der Bevölkerung von Indiana jede Woche auf COVID-19 getestet.
Purdue hat die Verwendung eines seriellen Testprotokolls diskutiert. Antigen-Tests werden bei der Zufallsbevölkerung eingesetzt, mit anschließenden bestätigenden PCR-Tests für jeden, der zunächst positiv getestet wird. Dies sollte die Anzahl der falsch-positiven Ergebnisse verringern und hoffentlich verhindern, dass so viele unter Quarantäne gestellt werden.
Sicherlich steigen die Positivitätsraten hier an. Kontaktpersonen sagen positiven Getesten, die nirgendwo isoliert werden können, dass sie in der Notaufnahme ihres Krankenhauses untersucht werden sollen. Könnte das der Grund für die vermehrten Krankenhauseinweisungen sein? Vor einer Woche wurden in unseren beiden örtlichen Krankenhäusern mit zusammen 350 Betten 18 Patienten mit einer COVID-Diagnose aufgenommen. Die Zahl der COVID-Todesfälle in Indiana liegt bei durchschnittlich 23 pro Tag, aber auch diese Zahl steigt an.
Es ist also alles sehr verwirrend. Idealerweise würden die Personen, die MIT Symptomen getestet werden, getrennt von denen, die zufällig OHNE Symptome getestet werden, gemeldet werden.
Personen, die durch Kontaktverfolgung identifiziert wurden und sich in der Nähe eines COVID-Patienten MIT Symptomen aufhalten (>10% Inzidenz von positiven COVID-Tests), wären eine weitere Kategorie und diejenigen, die durch Kontaktverfolgung identifiziert wurden und sich in der Nähe einer positiv getesteten Person OHNE Symptome aufhalten (>1% Inzidenz von COVID), wären eine vierte.
Werfen Sie alle diese vier Gruppen zusammen, wenn Sie wollen, aber verstehen Sie bitte, dass Sie dann kein wahres Bild von dem bekommen, was vor sich geht. Wir müssen Äpfel mit Äpfeln und Orangen mit Orangen vergleichen, anstatt aus dem Ganzen nur Obstsalat zu machen. Schlechte Entscheidungen können aufgrund eines Missverständnisses von Statistiken getroffen werden.
