Direkt zum Hauptbereich

Richtig rechnen mit dem Impfrisiko: 30 Tote unter 60 wäre vermutlich mehr als an COVID sterben würden

Kritiker*innen des Impfstopps von AstraZeneca (AZ) verweisen auf das „sehr geringe Risiko“, dass  sie aus dem Verhältnis von 1,6 Millionen geimpften und 7 bekannten Fällen von Sinusvenenthrombose schließen. Dieses „sehr geringe Risiko“ rechtfertige nicht den Impfstopp, da der Schaden für „die Allgemeinheit“ überwiege.

Durchgerechnet wird das aber bislang nicht. Hier also die Frage: Wie viele Tote durch Impfung wären zu viel? 

Ein absolutes Obermaß liegt sicherlich da, wenn mehr Menschen durch die Impfung sterben würden als ohne sie. Es muss klar sein, dass dies die theoretische Obergrenze ist. Nicht vergessen sollte man, dass bei einer Impfung nicht Kranke geheilt werden, sondern Gesunde einem Risiko ausgesetzt werden und dafür ein anderes Risiko verringert wird. Der potentielle Schaden ist für den Einzelnen (je nach Vorerkrankungen und so weiter) schnell größer als der persönliche Nutzen. Ob sich jemand impfen lässt, sollte also immer eine eigene und freie Entscheidung auf Basis von möglichst guten Informationen sein.

Im aktuellen Fall haben wir bislang 3 Todesfälle durch Sinusthrombose auf ca. 1,6 Millionen geimpfte, was einem Faktor von 1,875 Toten auf 1 Millionen entspricht.

Wie hoch ist das Risiko, ohne Impfung an COVID zu sterben? Da die Pandemie ziemlich genau ein Jahr läuft und die Impfung vermutlich jedes Jahr aufgefrischt werden muss, können wir die bisherigen Todeszahlen nehmen. Das ist bereits eine sehr ungünstige Prognose, da man eigentlich davon ausgehen muss, dass die Todeszahlen heute, wo wir mehr über COVID wissen und die Behandlung besser funktioniert und unterschiedliche Maßnahmen getroffen werden, die Todeszahlen deutlich niedriger wären. Umgekehrt ist es unwahrscheinlich, dass die Situation noch einmal schlechter wird als im letzten Jahr. Die Maßnahmen wirken ja angeblich also ist die Gefahr sicherlich geringer. Auf jeden Fall ist klar, dass das Risiko nach Alter sehr unterschiedlich ist. Betrachten wir die Altersgruppe der unter 60-Jährigen. Das sind ca. 65 Millionen Menschen und das RKI gibt bislang 2.435 Todesfälle in dieser Altersgruppe an, wobei wir inzwischen wissen, dass nur 82% der Todesfälle an COVID gestorben sind. Das Risiko für die U60-Gruppe an COVID zu sterben ist also 1997 zu 65 Millionen, was einem Faktor von 30,723 Toten auf 1 Millionen entspricht. Also deutlich höher als der angenommene Risikofaktor der Impfung.

Aber: Die Impfung wird nicht immer wirken, kann aber immer Nebenwirkungen auslösen. Das PEI gibt die Wirksamkeit von AZ mit 60% an.

Wenn wir also alle 65 Millionen in der U60-Gruppe impfen, dann werden 39 Millionen vor COVID geschützt, 26 Millionen sind trotz Impfung nicht geschützt und haben also das Risiko von 30,723 zu einer Millionen trotzdem an COVID zu sterben. 

Wenn wir davon ausgehen, dass die komplette U60-Gruppe mit AZ geimpft wird, dann hätten wir also bei den 39 Millionen 73 Tote durch die Impfung (1,875*39) und bei den 26 Millionen, bei denen die Impfung nicht wirkt, 799 COVID-Tote (30,723*26) und 49 Impftote (1,875*26). In der Summe wären das 921 Tote, also weniger als die Hälfte der 1997 Toten, die wir ohne Impfung annehmen würden.

Wieviele der 1,6 Millionen geimpften müssten theoretisch sterben, damit die Summer höher ist als die 1997?

Das Erfahren wir durch die Lösung der folgenden Ungleichung

mit 

t = Anzahl der Impftoten (3)

a = Anzahl der Geimpften in Millionen (1,6)

n = Bevölkerung in der Altersgruppe in Millionen (65)

e = Effektivität der Impfung (0,6)

c = Covidtote in der Altersgruppe pro 1 Millionen (30,723)

Die Zahlen in den Klammern zeigen das oben ausgeführte Beispiel.


Und diese Ungleichung lässt sich sehr schön vereinfachen:



=
=
=

=

D.h., wenn die Anzahl der Impftoten größer ist als die Anzahl der Geimpften multipliziert mit der Rate der Covidtoten in der Altergrupe multipliziert mit der Effektivität der Impfung, dann sterben mehr Menschen durch die Impfung als sie Menschenleben schützen kann.
Im konkreten Fall ist diese Grenze bei 29,49 erreicht. Sollte sich also herausstellen, dass 30 oder mehr Menschen von den 1,6 Millionen geimpften an der Impfung gestorben sind bzw. im laufenden Jahr sterben, dann hätte die Impfung bereits mehr Leben gekostet als sie in einem Jahr schützen kann.
Ich hoffe, diese Rechnung macht deutlich, dass 3 Fälle bereits ziemlich viel ist, wenn 30 auf jeden Fall zu viel ist.

Natürlich kann man die Zahlen, die ich in die Formel einsetze anzweifeln und anpassen. Die Wirksamkeit ist vielleicht höher, die COVID-Sterblichkeit bei unter 60-Jährigen vermutlich geringer als angenommen... 
Das eigentliche Problem besteht darin, dass wir es mit unbekannten Nebenwirkungen zu tun haben. Wer kann ausschließen, dass nicht noch weitere tödliche Nebenwirkungen im Laufe des Jahres auftreten? Angesichts der jetzt schon sehr geringen Marge, wann der Punkt erreicht ist, dass mehr Menschen an der Impfung sterben als durch sie gerettet werden sollte man meiner Meinung aus gesamtgesellschaftlicher Sicht auf eine Impfung von unter 60-Jährigen verzichten. Was umgekehrt aber nicht heißt, dass die Impfung eine große Gefahr für den Einzelnen wäre.
Defenitiv sollte man nicht einfach über ein „sehr geringes Risiko“ reden, weil dieses Risiko eben mit dem ebenfalls sehr geringem Risiko verglichen wird, dass man mit und ohne Impfung an COVID stirbt.






Beliebte Posts aus diesem Blog

Deep-Dive Impfeffektivität: Eine kritische Datenanalyse der RKI-Berechnungen / Teil 1: Die Methode

Die Einschätzung, wie effektiv die COVID-Impfung ist, ist eine der politisch relevantesten Kennzahlen derzeit. Insbesondere für die Einschätzungen der Angemessenheit einr Impfpflicht ist diese Zahl extrem wichtig. In der Vergangenheit hat sich immer wieder gezeigt, dass die Berechnungen des RKI nicht in jeder Hinsicht eindeutig sind, sondern auf vielen Annahmen beruhen, die man auch kritisch hinterfragen kann und muss. Für die politische Datenwissenschaft ist es daher essenziell, diese Berechnungen nachvollziehbar zu machen. In diesem Beitrag wird das methodische Vorgehen des RKI zur Berechnung der Impfeffektivität analysiert. Die Informationen dazu entstammen den RKI-Wochenberichten .  In einem zweiten Teil habe ich die konkreten Berechnungen des RKI so weit wie möglich rekonstruiert und kann daher zeigen, wie stark die Ergebnisse schwanken, wenn Annahmen leicht verändert werden. Meine Erkenntnisse aus der folgenden Analyse: Das RKI verwendet zur Berechnung der Impfeffektivität di...

#RTutorial: Using R to Harvest the Twitter STREAM API

Initializing the Twitter API In this tutorial, the so called STREAMING-API from Twitter is used. This API provides real-time access to Twitter, so the results are dependent from what is actually going on, right now. Before we start, we have to initialize the Twitter-API. To use the Twitter API, a consumer key and consumer secret is required. Therefore, you have to register as a developer who is creating a Twitter app. Create a Twitter account and then sign in at https://apps.twitter.com/. The account has to be verified with a phone number. This can be done on the Twitter webpage in the account settings. Fill in name, description and any valid URL with leading “http://”. It is important NOT to provide any call-back URL, because otherwise the registration from R will not function. After this, you can see a summary of your newly created app with a link to “manage keys and access tokens”. The consumer key and consumer secret that can be found there have to be copied into the following R-...

Zwischen #AfDErfolg und Medienberichten gibt es einen kausalen Effekt - und der lässt sich berechnen

BuzzFeed Deutschland  hat Daten zusammengetragen, mit denen sich der Einfluss der Medien auf die Umfragewerte der AfD berechnen lässt. Wir zeigen, dass es einen statistischen Kausalzusammenhang zwischen der Häufigkeit der Berichte über die AfD und ihren Umfragewerten gibt. Hierfür verwenden wir Granger-Causality-Analyse. Das Ergebnis ist, dass vier bis fünf Wochen, nachdem vermehrt über die AfD berichtet wurde auch die Umfragewerte signifikant steigen. Was ist in den Daten Die Daten enthalten vor allem eine Zeitreihe mit wöchentlichen Aktivitäten zur Suche „AfD“ bei Google News (über Google Trends bezogen) und die Umfrageergebnisse der Afd in den Umfragen der Institute EMNID, Forschungsgruppe Wahlen, GMS, Infratest dimap, Forsa, INSA/YouGov und Allensbach. Aus diesen Werten haben wir einen wöchentlichen Durchschnitt gebildet. AfD-Umfragen/Google News, absolut Die absoluten Werte geben erst einmal keinen Aufschluss über einen Zusammenhang. Die Analyse Zeitreihen h...