EudraVigilance - Probleme beim Zählen der Fälle

2021-10-26

Frank Siebert

Korrektur: EudraVigilance – Die verschwundenen Daten

Wer denkt, es sei doch einfach aus einer Datenbank wie EudraVigilance ¹ einen Line-Report für die jeweiligen sogenannten COVID-19-Impfstoffe zu ziehen und diese dann auszuwerten, der irrt.

Die Fußnote 7. "The FDA-approved drug ivermectin inhibits the replication of SARS-CoV-2 in vitro" wurde nachträglich hinzu gefügt.

Der Hinweis, dass dieser Artikel auch eine Korrektur für den Artkel "RKI – COVID-19 Impfquoten-Monitoring in Deutschland (COVIMO)" darstellt, wurde nachträglich hinzu gefügt.

Der Download ist da noch der einfachste Teil, und theoretisch muss man ja nur die Zeilen der jeweiligen Downloads zählen, und kennt dann die Anzahl der Fälle.

Ich habe am 22. Oktober 2021 die Daten für schwere Fälle (Filter im Line-Report) für die europäische Wirtschaftszohne (ebenfalls ein Filter im Line-Report) für AstraZeneca, Jenssen, Moderna und BioNTech herunter geladen.

Wir schauen jetzt einmal nur auf AstraZeneca und BioNTech. Die Betrachtung soll auch als Korrektur des Artikels "EudraVigilance – Die verschwundenen Daten" ² betrachtet werden, auch wenn sich die Grundaussage dieses Artikels durch die Korrektur nicht ändert, wohl aber das Ausmaß des Schwundes.

Die verwendeten Linux-Befehle bei der Auswertung können im Schriftartikel gesehen werden.

$ wc -l AstraZeneca-Severe-EEA-2021-10-22.csv 
40399 AstraZeneca-Severe-EEA-2021-10-22.csv
$ wc -l Comirnaty-Severe-EEA-2021-10-22.csv 
85599 Comirnaty-Severe-EEA-2021-10-22.csv

Die reine Zeilenzahl gibt uns 40.399 schwere Nebenwirkungsfälle für AstraZeneca und 85.599 schwere Nebenwirkungsfälle für BioNTech an. Aber stimmt dies auch?

Dies ist natürlich die falsche Frage, denn wir wissen ja, dass diese Zahlen nicht stimmen. Es gibt ja keine 100%ige Rückmeldequote. Aber gibt dies die korrekte Information zu den Rückmeldungen?

$ cat AstraZeneca-Severe-EEA-2021-10-22.csv | \
> grep "ASTRA" | grep "COMIR" | wc -l
223
$ cat Comirnaty-Severe-EEA-2021-10-22.csv | \
> grep "ASTRA" | grep "COMIR" | wc -l
258

Filtert man die Zeilen der beiden Dateien für AstraZeneca und BioNTech sowohl nach "ASTRA" als auch nach "COMIR", dann zeigt sich, dass die AstraZeneca Datei 223 Sätze enthält, welche sich sowohl auf AstraZeneca als auch BioNTech beziehen. Die BioNTech Datei enthält 258 solcher Datensätze. Offensichtlich gibt es Datensätze, welche beide Inokulantien referenzieren. Die Datensätze werden aber nicht in beiden Line-Reports gleichermaßen ausgegeben, denn offensichtlich herrscht in den beiden Datenfiles keine Einigkeit darüber wie viele gemeinsame Datensätze es gibt.

$ cat Comirnaty-Severe-EEA-2021-10-22.csv | \
> grep "ASTRA" | grep -v "COMIR" | wc -l
5

Filtert man nach Datensätzen mit "ASTRA" ohne "COMIR", dann erscheinen 5 Datensätze im der BioNTech Datendatei die gar nichts mit Comirnaty zu tun zu haben.

Wer schon öfters mal mit einer Datenbank gearbeitet hat, der wird sich über solche Report-Ergebnisse wundern. Wenn ich doch nach Datensätzen zu Comirnaty frage, warum gibt mir die Datenbank Zeilen mit aus, welche nichts mit Comirnaty zu tun haben?

$ cat Comirnaty-Severe-EEA-2021-10-22.csv | grep -v "TOZIN" | wc -l
1

Filtert man nach Datensätzen, die nicht "TOZIN" beinhalten, dann findet man heraus, dass wohl doch alle Einträge dieser Datei mit BioNTech zu tun haben, außer der Kopfzeile der Datei. Offensichtlich ist es besser nach dem neuen Namen TOZINAMERAN zu fragen als nach COMIRNATY. Dies bringt uns einen gewaltigen Schritt weiter.

$ cat AstraZeneca-Severe-EEA-2021-10-22.csv | \
> grep "ASTRA" | grep "TOZIN" | wc -l
227
$ cat Comirnaty-Severe-EEA-2021-10-22.csv | \
> grep "ASTRA" | grep "TOZIN" | wc -l
263

Mit dem neuen Wissen finden wir dann auch noch mehr überlappende Datensätze. Deren Anzahl stimmt allerdings in den beiden herstellerspezifischen Dateien noch immer nicht überein, wie es eigentlich erwartbar gewesen wäre. Auch wenn natürlich in der kurzen Zeitspanne zwischen dem Export der beiden Dateien neue Datensätze hinzu gekommen sein können.

Jeder Datensatz verfügt über einen eindeutigen Schlüssel, und wir können uns jeweils eine Schlüsseldatei für die überlappenden Datensätze erstellen lassen und diese Schlüssel vergleichen. Um sicher zu gehen, sortieren wir die Schlüssel.

$ cat AstraZeneca-Severe-EEA-2021-10-22.csv | \
> grep "ASTRA" | grep "TOZIN" | grep -o \
> "EU-EC-[0-9][0-9][0-9][0-9][0-9][0-9][0-9][0-9][0-9][0-9][0-9]" | \
> sort > asac20211022
$ cat Comirnaty-Severe-EEA-2021-10-22.csv | \
> grep "ASTRA" | grep "TOZIN" | grep -o \
> "EU-EC-[0-9][0-9][0-9][0-9][0-9][0-9][0-9][0-9][0-9][0-9][0-9]" | \
> sort > csac20211022

Mit den beiden Schlüsseldateien können wir dann einen Vergleich auf der Basis der Datensatzschlüssel durchführen.

$ diff asac20211022 csac20211022 | grep "^<" | wc -l
38
$ diff asac20211022 csac20211022 | grep "^>" | wc -l
74
$ wc -l asac20211022 
227 asac20211022
$ wc -l csac20211022 
263 csac20211022

Laut diesem Vergleich enthält die AstraZeneca Datei 38 Schlüssel mit auf beide Inokulantien bezogenen Datensätzen, welche nicht in der BioNTech Datei stehen. Umgekehrt sind es 74 Datensätze. Die jeweilige Gesamtzahl der Schlüssel ermöglicht es, die Anzahl der gemeinsamen Schlüssel der beiden Dateien als 189 zu berechnen (227-38 = 263-74 = 189).

In einer Ermittlung aller schweren Nebenwirkungsfälle würden diese 189 Fälle daher doppelt gezählt, wenn man einfach nur die Zeilen der jeweiligen Line-Reports zählt und zusammen addiert.

Bei zusammen über 120.000 schweren Fällen spielen diese 189 doppelt gezählten Fälle allerdings nicht wirklich eine Rolle. Eine deutlich höhere Unsicherheit ist weiterhin durch die Frage gegeben, ob die Fallzahl mit 100/13tel oder mit 100 oder mit welchem anderen Wert dazwischen multipliziert werden muss, um der tatsächlichen Zahl schwerer Nebenwirkungsfälle für AstraZeneca und BioNTech nahe zu kommen.

Dennoch ist es wichtig, sich dieser Eigenarten der Line-Reports von EudraVigilance bewußt zu sein, denn nur dann kann man bei kritischen Rückfragen darauf verweisen, dass diese Eigenarten keinen nennenswerten Unterschied in der Betrachtung machen. Dieser Fehler liegt in der Größenordnung von 2 Tausendsteln, während wir bei der Erfassung der Daten bereits davon ausgehen müssen, dass nur 13/100tel bis 1/100tel der schweren Fälle erfasst werden.

Machen wir jetzt die Gesamtbetrachtung der aktuell in EudraVigilance geführten Fälle:

$ wc -l AstraZeneca-Severe-EEA-2021-10-22.csv 
40399 AstraZeneca-Severe-EEA-2021-10-22.csv
$ wc -l Comirnaty-Severe-EEA-2021-10-22.csv 
85599 Comirnaty-Severe-EEA-2021-10-22.csv
$ wc -l Janssen-Severe-EEA-2021-10-22.csv 
4770 Janssen-Severe-EEA-2021-10-22.csv
$ wc -l Moderna-Severe-EEA-2021-10-22.csv 
14000 Moderna-Severe-EEA-2021-10-22.csv

Zusammen ergibt dies in etwa 144.000 schwere Nebenwirkungsfälle für den europäischen Wirtschaftsraum in der Datenbank. Bei optimistischer Betrachtung ergibt dies 1.108.000 Fälle schwerer Nebenwirkungen, bei pessimistischer Betrachtung sind es 14.400.000.

Genaueres wissen wir nicht, wer es genauer zu wissen glaubt, darf dies bitte nachvollziehbar darlegen.

Wir sehen auch, dass nicht jeder bei der Zweitinokulation das gleiche gespritzt bekommt wie bei der Erstinokulation. Es findet allerdings nicht in einem Umfang statt, der eine Auswertung nach Inokulat verhindert. Allerdings kann dies im Laufe der Jahre bei der dritten, fünften oder zehnten Inokulation durchaus einen Umfang erreichen, der die weitere Auswertung nach Inokulat irgendwann deutlich erschwert.

Wie sieht es nun mit dem Verschwinden von Daten aus? Betrachten wir die Bewegung vom 14. Oktober bis 22. Oktober.

$ cat AstraZeneca-Severe-EEA-2021-10-14.csv | grep -o \
> "EU-EC-[0-9][0-9][0-9][0-9][0-9][0-9][0-9][0-9][0-9][0-9][0-9]" | \
> sort > as20211014
$ cat Comirnaty--Severe-EEA-2021-10-14.csv | grep -o \
> "EU-EC-[0-9][0-9][0-9][0-9][0-9][0-9][0-9][0-9][0-9][0-9][0-9]" | \
> sort > cs20211014
$ cat Comirnaty-Severe-EEA-2021-10-14.csv | grep -o \
> "EU-EC-[0-9][0-9][0-9][0-9][0-9][0-9][0-9][0-9][0-9][0-9][0-9]" | \
> sort > cs20211014
$ cat Comirnaty-Severe-EEA-2021-10-22.csv | grep -o \
> "EU-EC-[0-9][0-9][0-9][0-9][0-9][0-9][0-9][0-9][0-9][0-9][0-9]" | \
> sort > cs20211022
$ cat AstraZeneca-Severe-EEA-2021-10-22.csv | grep -o \
> "EU-EC-[0-9][0-9][0-9][0-9][0-9][0-9][0-9][0-9][0-9][0-9][0-9]" | \
> sort > as20211022
$ diff as20211014 as20211022 | grep "^<" | wc -l
98
$ diff as20211014 as20211022 | grep "^>" | wc -l
971
$ diff cs20211014 cs20211022 | grep "^<" | wc -l
427
$ diff cs20211014 cs20211022 | grep "^>" | wc -l
4366

Wir sehen bei AstraZeneca sind etwa 10% der Anzahl der Datensätze verschwunden, welche im gleichen Zeitraum hinzu kamen. Bei BioNTech sieht es in etwa genauso aus.

Betrachten wir den Zeitraum vom 26. August bis zum 22. Oktober.

$ cat AstraZeneca-Severe-EEA-2021-08-26.csv | grep -o \
> "EU-EC-[0-9][0-9][0-9][0-9][0-9][0-9][0-9][0-9][0-9][0-9][0-9]" | \
> sort > as20210826
$ cat Comirnaty-Severe-EEA-2021-08-26.csv | grep -o \
> "EU-EC-[0-9][0-9][0-9][0-9][0-9][0-9][0-9][0-9][0-9][0-9][0-9]" | \
> sort > cs20210826
$ diff as20210826 as20211022 | grep "^<" | wc -l
890
$ diff as20210826 as20211022 | grep "^>" | wc -l
7257
$ diff cs20210826 cs20211022 | grep "^<" | wc -l
2662
$ diff cs20210826 cs20211022 | grep "^>" | wc -l
28110

Für AstraZeneca und BioNTech gilt offenbar auch über den längeren Zeitraum ungefähr die 10% Regel. Natürlich wissen wir es nicht genauer. Wie viele der in dem Zeitraum hinzugefügten Datensätze sind auch in diesem Zeitraum wieder gelöscht worden? Wir wissen es nicht, denn wir haben ja nur Momentaufnahmen über einen Report aus der Datenbank erhalten.

Mit häufigeren Daten-Downloads könnten wir ein genaueres Bild zu den Löschungen erhalten, und vielleicht ließen sich so 20% oder sogar 30% verschwundene Daten ermitteln. Wir wissen dies nicht und können es nicht wissen.

Aber 10% Datenschwund ist ja bereits hinreichend, um dies als problematisch zu betrachten. Und egal, mit wie viel Aufwand wir versuchen würden, den Schwund genau zu beobachten, läge die größere Unsicherheit weiterhin auf der Frage, wie viel Prozent der Fälle denn eigentlich erfasst wurden. . Im Verlauf dieser Betrachtung habe ich herausgefunden, dass ich in meinem Artikel "Zahlen zur STIKO-Empfehlung: COVID-Injektionen auch für Kinder" ³ einen saublöden Fehler gemacht habe.

Offenbar wollte ich ursprünglich die Datensätze aller Inokulantien in einer Datei zusammenführen, um eine Auswertung mit LibreOffice durchzuführen. Doch LibreOffice ging mit der Datenmenge nicht so gut um, so dass ich auf die Datenextraktion auf der Konsole ausgewischen bin. Leider habe ich dabei die zusammengeführte Datei als Datendatei für Comirnaty verwendet, was natürlich zu einen erheblichen Fehler führt.

Mit obigen Ausführung korrigiere ich zunächst meine früheren Aussagen zum Umfang des Datenschwundes auf EudraVigilance, ohne dass das Kernproblem deshalb verschwindet. ⁴

Dokumentation der EudraVigilance Filter-Werte

Dokumentation ist ein wichtiger Punkt, um bei wiederholten Betrachtungen eine Vergleichbarkeit der Datensätze zu haben.

Darum hier zunächst die Dokumentation der Filter-Parameter für die jeweiligen Line-Reports. Alle nicht dokumentierten Filter werden auf dem Default belassen.

Todesfälle

• Geographic Origin=European Economic Area
• Reported Suspected Reaction=Accidental death;Apparent death;Brain death;Cardiac death;Cell death;Clinical death;Foetal death;Maternal death affecting foetus;Maternal death during childbirth;Premature baby death;Sudden cardiac death;Sudden death;Sudden infant death syndrome;Sudden unexplained death in epilepsy;Death;Death neonatal
• Gateway Date=2021

Schwere Fälle

• Seriousness=Serious
• Geographic Origin=European Economic Area
• Gateway Date=2021

Korrektur: Zahlen zur STIKO-Empfehlung: COVID-Injektionen auch für Kinder

Es folgt hier nun noch eine Korrektur der Zahlen zur STIKO-Empfehlung. ⁵

Auch wenn es am grundsätzlichen Ergebnis nichts ändert, folge ich hier meinem Versprechen, gefundene Fehler zu berichtigen. Die Korrektur ändert nichts daran, dass es völliger Irrsinn ist die 12 bis 17 Jährigen zu inokulieren. Auch nach dieser Korrektur sprechen die Wahrscheinlichkeiten gegen eine Inokulation der 18 bis 59 Jährigen. Und auch das Problem der politischen Datenverzerrung, besonders bei den über 59 Jährigen, bleibt bestehen und verhindert eine klare Aussage für Inokulationen in dieser Altersgruppe. Auch nach dieser Korrektur stehen sich die Risiken nicht als Alternativen gegenüber, da die Inokulationen die Erkrankung nicht dauerhaft verhindert.

Diese Ergebnisse waren und sind stabil genug, um auch einen saublöden und nicht unerheblichen Fehler, wie ich ihn leider gemacht habe, zu überstehen.

Die Normalisierung bleibt wie in dem Artikel Zahlen zur STIKO-Empfehlung: COVID-Injektionen auch für Kinder beschrieben.

Die Zahlen des RKI ergeben unverändert die folgenden COVID-19 Risiko-Wahrscheinlichkeiten für die verschiedenen Altersgruppen im Verlauf von 52 Wochen (also ungefähr ein Jahr):

• Ein gemeldeter Fall zu werden:
  • Altersgruppe 0: 15/1.000
  • Altersgruppe 1 - 4: 19/1.000
  • Altersgruppe 5 - 11: 26/1.000
  • Altersgruppe 12 - 17: 34/1.000
  • Altersgruppe 18 - 59: 39/1.000
  • Altergruppe 60+: 25/1.000

Wobei es nicht wirklich etwas aussagt, wenn man ein Meldefall wird. Ein PCR-Test hat ein positives Ergebnis gezeigt. Eine Aussagekraft hat dieser Test im Einzelfall nicht wirklich. Vielleicht ist es ein false-positive, vielleicht stammen die gefundenen Molekülketten von SARS-CoV-2 Resten, vielleicht stammen sie von etwas anderem, vielleicht stammen sie tatsächlich von einem replikationsfähigen SARS-CoV-2.

Leider gilt das gleiche Fragezeichen bei den Hospitalisierungen, denn auch hier entscheidet ein PCR-Test, ob man als COVID-19-Fall gezählt wird, es sei denn die Diagnose als COVID-19-Fall findet bei entsprechenden Symptomen ohne Test statt. Bei Todesfällen reicht es sogar, wenn man irgendwann vorher ein positiver Test-Fall war.

Dennoch, hier das unveränderte Risiko ein sogenannter

• COVID-19 Hospitaliersierungsfall zu werden:
  • Altersgruppe 0: 13/10.000
  • Altersgruppe 1 - 4: 25/100.000
  • Altersgruppe 5 - 11: 18/100.000
  • Altersgruppe 12 - 17: 34/100.000
  • Altersgruppe 18 - 59: 13/10.000
  • Altergruppe 60+: 56/10.000

Demgegenüber beträgt das korrigierte Risiko eines schweren Schadens nach sogenannter COVID-19-Impfung (52 Wochen - 3 Dosen):

• Optimistisch: 46/10.000
• Pessimistisch: 58/1.000

Und das unveränderte Risiko ein sogenannter

• COVID-19 Todesfall zu werden:
  • Altersgruppe 0: 39/10.000.000
  • Altersgruppe 1 - 4: 96/100.000.000
  • Altersgruppe 5 - 11: 58/100.000.000
  • Altersgruppe 12 - 17: 34/100.000.000
  • Altersgruppe 18 - 59: 57/1.000.000
  • Altergruppe 60+: 23/10.000

Demgegenüber beträgt das korrigierte Risiko eines Todes nach sogenannter COVID-19-Impfung (52 Wochen - 3 Dosen):

• Optimistisch: 63/1.000.000
• Pessimistisch: 82/100.000

Da ich schon beim Korrigieren war, habe ich noch eine Kleinigkeit korrigiert. In der ursprünglichen Fassung habe ich die Wahrscheinlichkeit für den Schaden durch eine Inokulation einfach mit 3 multipliziert um die Wahrscheinlichkeit auf 52 Wochen zu berechnen.

Auf der einen Seite steigt aber wohl mit jeder weiteren Inokulation die Wahrscheinlichkeit eines schweren Schadens, da unbemerkte Schäden dennoch dauerhaft sein können, z.B. bei einer Myokarditis, und weitere Inokulationen additiv bleibende Schäden hinzufügen können, bis der Schaden schließlich schwer wird.

Mit jeder weiteren Inokulation steigt also im Grunde die Wahrscheinlichkeit eines Schadens. Auf der anderen Seite hatte ich diesen Aspekt in meinem Artikel bewusst ignoriert und ignoriere ihn in dieser Korrektur weiterhin. Ich darf daher, um dies korrekt zu ignorieren, nicht einfach die Schadenswahrscheinlichkeit/Inokulation mit 3 multiplizieren, sondern muss es als Bernoulli-Prozess ⁶ berechnen.

Der einzige Zahlenwert, der sich hierdurch merklich geändert hat, ist die pessimistische Wahrscheinlichkeit für einen schweren Schaden durch Inokulation von 60/1.000 auf 58/1.000. Für die anderen Zahlenwerte spielt diese Umstellung keine Rolle, außer dass auch sie nun formal korrekt errechnet wurden.

Die gleiche Korrektur gilt für die Lotto-Wahrscheinlichkeiten von einem Feld über 52 Wochen mit jeweils 2 Ziehungen. Eine relevante Änderung der Werte ergab dies auch dort erwartungsgemäß nicht.

Ich betone, dass die jetzt neu errechneten Werte Korrekturen auf den Zahlen vom 26. August darstellen, und ich damit meiner Pflicht zur Fehlerkorrektur nachkomme. Eine erneute Berechnung mit neueren Zahlen war hier nicht der Fokus und ich bin auch nicht wirklich motiviert diese durch zu führen, da je bereits die Zahlenbasis zu dieser Berechnung leider in Frage zu stellen ist.

Warum verschwinden Todesmeldungen aus EudraVigilance? Warum gelten einmal positiv getestete auch bei Tod nach Gesundung als COVID-19 Tote? Warum sind hospitalisierte ohne COVID-19 Symptome COVID-19 Patienten nur weil ein PCR-Test positiv ist?

Trotz dieser politischen Verzerrungen der Zahlenbasis gäben die Zahlen für alle Altersgruppen unter 60 keinen Grund sich - in Gänsefüßchen - "Impfen" zu lassen, selbst wenn die Inokulationsstoffe halten würden was sie versprechen.

In der Altersgruppe 60+ haben die Verzerrungen, besonders in der Kategorie Tod, die stärkste Wirkung. Wer sich dieser gezielten Verzerrungen bewusst ist, kann eine vorbeugenden Injektion auch für diese Altersgruppe nicht mehr empfehlen, zumal es weniger gefährliche und wirksamere Vorbeugemöglichkeiten gibt, zum Beispiel mit Ivermectin , was nebenbei auch gegen Parasitenbefall wirkt und gegen andere virale Erkrankungen ebenfalls vorbeugt, weil es ganz allgemein den Prozess der viralen Replikation unterbindet ⁷ . Anders als die Inokulationsstoffe gegen COVID-19 verhindert Ivermectin damit auch dessen weitere Übertragung an andere Personen.

Für zwei der Altersgruppen hier denn noch die Wahrscheinlichkeiten im optimistischen Vergleich. Im pessimistischen Vergleich schneiden die sogenannten Impfstoffe schlechter ab.

18 - 59

Für die Altersgruppe 18 - 59 ist das Risiko einer Hospitalisierung wegen COVID-19 3,5 mal weniger wahrscheinlich als ein schwerer Impfschaden ⁸ und 5 Richtige im Lotto sind 1,3 mal wahrscheinlicher.

In dieser Altersgruppe ist ein Tod an oder mit COVID-19 1,1 mal weniger wahrscheinlich als ein Tod durch COVID-Injektion und 5 Richtige im Lotto sind 30 mal wahrscheinlicher.

12 - 17

Diese Altersklasse war in dem Artikel der eigentliche Fokus der Betrachtung.

Für die Altersgruppe 12 - 17 ist das Risiko einer Hospitalisierung wegen COVID-19 13,5 mal weniger wahrscheinlich als ein schwerer Impfschaden ⁹ und 5 Richtige im Lotto sind 5 mal wahrscheinlicher.

In dieser Altersgruppen ist ein Tod an oder mit COVID-19 188 mal weniger wahrscheinlich als ein Tod durch COVID-Injektion und der Gewinn des Lottojackpots ist mehr als doppelt so wahrscheinlich.

Die einzelnen Werte und deren Berechnung lassen sich in dem LibreOffice Spreadsheet nachvollziehen. Für Hinweise auf Fehler bin ich immer dankbar.

Grafik zu den Wahrscheinlichkeiten

Hier ist noch die korrigierte Grafik zu den Wahrscheinlichkeiten in logarithmischer Ansicht, damit etwas erkennbar ist.

Wer den Vergleich der Wahrscheinlichkeiten mit den Lottowahrscheinlichkeiten nicht scheut und seit Jahrzehnten keine 5 Richtige oder besser erzieht hat, obwohl er mehr als ein Feld 2 mal die Woche tippt, kommt an der Frage nicht vorbei: "Was soll der ganze Hirnriss?"

Korrektur: RKI – COVID-19 Impfquoten-Monitoring in Deutschland (COVIMO) – 7. Report

Die Korrekturen in in diesem Artikel betreffen auch Aussagen im Artikel "RKI – COVID-19 Impfquoten-Monitoring in Deutschland (COVIMO) – 7. Report" ¹⁰ . Das Wesen dieser Aussagen bleibt korrekt, auch wenn die angegebenen Zahlen hier korrigiert wurden.

Fazit

Wie ich versprochen hatte, die Kernaussagen bleiben trotz der Korrektur unverändert bestehen. Dennoch war es natürlich wichtig, auf meinen Fehler hin zu weisen.

Neue Erkenntnisse haben sich aus diesen Korrekturen nicht ergeben. In der Zukunft wäre ohne die sogenannten "Impfstoffe" ein weiteres Sinken der ohnehin geringen Risiken durch COVID-19 zu erwarten, denn dies ist der normale und anerkannte Verlauf der Anpassung eines Virus an den Menschen. Sollte das Gegenteil eintreten, so wird der Grund bei den sogenannten "Impfstoffen" zu suchen sein, welche in diesen natürlichen Prozess der Anpassung eingreifen und einen besonderen Mutationsdruck auf das Spike-Protein ausüben, während sie gleichzeitig NK- B- und T-Zellen reduzieren, welche wichtige Funktionen bei der Erkennung noch unbekannter Erreger, deren frühen Beseitigung und deren Memoierung haben.

Eine Alle-Gründe übergreifende Beobachtung von Hospitalisierungen getrennt nach Inokulationsstatus könnte Aufschluss darüber geben, ob Inokulierte jetzt oder demnächst öfter hospitalisiert werden, wie es die Schäden am Immunsystem leider erwarten lassen, welche nun beliebigen Erregern eine größere Chance geben zu zu schlagen.

Die von mir ermittelten Werte ignorieren bekannte und von mir aufgeführte Verfälschungen der Daten, ich betone die optimistische Betrachtung der gemeldeten Nebenwirkungen und ignoriere auch die beobachteten 10% Datenverlust.

Andere Betrachtungen, welche nicht so zurückhaltend sind, können auf erheblich andere Werte kommen, wie wir in dem Artikel "Warum “Impfen” wir Kinder gegen COVID-19?" ¹¹ bereits gesehen haben.

Keine solche Betrachtung kann den Anspruch erheben korrekt zu sein, denn es muss jedem klar sein, dass bereits die Datenbasis nicht korrekt ist und niemals korrekt sein wird. Mir war es daher ein Anliegen mit der optimistischen Grenzwertbetrachtung zu zeigen, dass sogar deren Ergebnis gegen eine Inokulation in den Altersgruppen unter 60 spricht. Und ein noch größeres Anliegen war es mir zu zeigen, dass es für alle unter 18 kompletten Irrsinn darstellt.

Unter Berücksichtigung der Datenverzerrungen ist es nicht unwahrscheinlich, dass auch die Altersgruppe 60+ wohl besser nicht inokuliert werden sollte, und gegen die Inokulation der besonders gefährdeten mehrfach schwer Erkrankten spricht bereits deren geschwächter Zustand und die Existenz besser verträglicher vorbeugender Behandlungsmöglichkeiten.

Unter Berücksichtigung der toxischen Eigenschaften der Spikes , welche Dank Injektion im Körper erzeugt werden, ist das ganze Thema der sogenannten Impfstoffe, ohne dass ein Blick auf Zahlen nötig wäre, sowieso komplett hirnverbrannt.

Erkenntnisse haben immer vorläufigen Charakter und sind immer individueller Natur . Sie selbst entscheiden, ob Sie Erkenntnisse anderer als Meinung übernehmen oder ob Sie sich Erkenntnisse selbst erarbeiten. Meine Quellenangaben sollen Ihnen bei letzterem eine Hilfestellung geben, Sie sollten aber immer auch weitere Quellen verwenden.

Glauben Sie nicht, auch nicht mir, sondern prüfen Sie und schlussfolgern Sie selbst.

Fußnoten

Kategorie:COVID-19 Kategorie:Impfung Kategorie:Spike_Protein Kategorie:Pfizer Kategorie:Robert-Koch-Institut