Dies ist der erste Artikel einer dreiteiligen Serie. Die anderen finden Sie hier:
Abstract
In meinen Analysen der Verdachtsmeldungen auf Nebenwirkungen der Covid-19-Impfstoffe, die vom US-amerikanischen System VAERS öffentlich bereitgestellt werden, machte auch ich die bekannte Beobachtung, dass mehr als 95% aller Verdachtsfälle auf schwere Nebenwirkungen für eine kleine Minderheit von weniger 5% der in VAERS vermeldeten Chargen aller Impfstoffhersteller gemeldet wurden.
Einige Beobachter kamen zur Schlussfolgerung, dass jeder einzelne Hersteller, Pfizer/BioNTech, Moderna und Janssen, wohl extreme Schwankungen in der Chargenqualität haben müsse (schlechte Herstellungspraktiken) oder mit der Zusammensetzung (vorsätzlich) experimentiere und es daher besonders gefährliche Chargen gäbe, daher die Sprechweise von den “Bad Batches”.
In diesem Artikel möchte ich zunächst einmal Indizien gegen diese Bad-Batch-Theorie aufführen und alternative Erklärungsmöglichkeiten erörtern. Im zweiten Artikel werde ich Faktoren untersuchen, die darauf Einfluss nehmen, ob ein Verdachtsfall überhaupt gemeldet wird. Im abschließenden Artikel werde ich eine bessere Erklärung für die Beobachtungen liefern, die zur Bad-Batch-Theorie geführt hatten, bestätigende Indizien aufführen und Schlussfolgerungen ziehen, die deutlich gravierender sind als die Bad-Batches-Theorie selbst.
Definitionen
Lassen Sie mich zuerst einige Begriffe festlegen, um Missverständnisse meiner Aussagen zu vermeiden, wie zum Beispiel den Unterschied zwischen einem Verdachtsfall und einer Nebenwirkung und die verschiedenen Arten von Meldungen, die ich fand.
Verdachtsfall: "Jegliches unpassende medizinische Vorkommnis, das sich im Zuge einer Behandlung mit einem therapeutischen Produkt ergeben kann, dass aber nicht notwendigerweise eine kausale Beziehung mit der Behandlung hat." [International Conference on Harmonisation of Technical Requirements for Registration of Pharmaceuticals for Human Use.]
Nebenwirkung: Ein peripherer oder Folgeeffekt, insbesondere ein Folgeeffekt eines Medikaments oder einer Therapie. [Medical Dictionary]
Schwerer Verdachtsfall: Ein Verdachtsfall von Tod, lebensbedrohlichem Vorkommniss, Hospitalisierung, Behinderung oder dauerhaftem Schaden, angeborener Fehlbildung, Geburtsfehler oder Schwangerschaftsabbruch.
Verabreichungsfehler: Tausende VAERS-Berichte beziehen sich nur auf die Verabreichung von Impfstoffen, bei denen Fehler unterlaufen sind, wie unzulässige Lagerungsbedingungen oder Anwendungsfehler, die sich nicht in gesundheitlichen Problemen äußerten, wie Überdosis, Unterdosis, falsche Lösung und so weiter. Zum Zweck der korrekten Zählung wirklicher Verdachtsfälle auf Nebenwirkungen habe ich diese ausgelassen.
Impfdurchbruch: Jegliche Meldung eines positiven Covid-Tests nach der Covid-Impfung. Da ich mich auf → Wirkliche Verdachtsfälle (s.u.) konzentriere, ignoriere ich, wie bald nach der Impfung der Impfdurchbruch erfolgte.
Wirklicher Verdachtsfall: Eine VAERS-Meldung, die sich weder auf einen → Impfdurchbruch bezieht, noch ein reiner → Verabreichungsfehler ist.
Ungültige Meldung: Die CDC prüft VAERS-Berichte markiert sie im Zweifelsfall als ungültig. Solche Meldungen habe ich in der Analyse ausgelassen.
Beobachtung A: Meldungskonzentration
Mit dem Online-Service CDC WONDER kann jeder Internetnutzer Datenabfragen auf der VAERS-Website durchführen, z.B. über Verdachtsfälle zu Covid-19-Impfstoffen, und Statistiken erstellen, z.B. zu welchen Impfstoffchargen wie viele Verdachtsfälle gemeldet wurden. Eine entsprechende Anfrage zeigt als Ergebnis, dass 95% aller schweren Verdachtsfälle sich auf nur 5% der gespeicherten Chargennummern konzentrieren. Ein zweiter Blick auf die fünfstellige Zahl verwendeter Chargennummern zeigt allerdings, dass VAERS-Meldungen Tausende von Lese- oder Tippfehlern und Zusatzangaben enthalten. Diese Daten zu bereinigen und filtern ist ein Prozess, der immer noch nicht befriedigend abgeschlossen ist, aber am Ende zu einer Liste von weniger als 2.000 echten Chargennummern führen sollte.
Hier ein Diagramm der Anzahl schwerer wirklicher Verdachtsfallmeldungen pro Charge. Jeder senkrechte Balken repräsentiert eine Impfstoffcharge und die Länge des Balkens zeigt die Anzahl der Verdachtsfälle an, die für diese Charge gemeldet wurde. Geordnet sind die Balken nach Verdachtsmeldungen in absteigender Zahl:
Am oberen (linken) Ende der Chargenliste (die ich die “meistgemeldeten Chargen” nenne), gibt es 198 Chargen, von denen jede Einzelne mehr als 1,000 Meldungen enthält, doch für die meisten Chargen gibt es so gut wie keine Meldungen.
Wie kann das sein? Mehrere Faktoren beeinflussen die Anzahl der Verdachtsfälle, die für eine Charge gemeldet werden:
Chargengröße: Für eine Charge, die eine größere Anzahl an Impfdosen enthält, ist es normal, dass sie eine größere Zahl von Verdachtsmeldungen erzeugt. Das ist ein Gutfall, in dem jeder Beteiligte sich verhält wie erwartet.
Chargenqualität: Wenn eine Charge, z.B. aufgrund von Dosierungsexperimenten, schädlicher ist als eine andere, kann sie eine größere Zahl von Verdachtsfällen erzeugen. Das ist ein Schlechtfall, in dem Hersteller fahrlässig oder gar illegal gehandelt haben.
Meldequalität: Nicht jeder mögliche Verdachtsfall wird auch gemeldet, es gibt eine große Dunkelziffer an ungemeldeten Fällen. Wenn ein großer Teil einer Charge Menschen verabreicht wird, die stärker geneigt sind, Verdachtsfälle zu melden, wird diese Charge eine größere Anzahl von Meldungen verursachen. Dieser Fall ist insofern ungünstig, dass die Meldesysteme nicht so funktionieren wie erwartet.
Indem man zwei der obigen Faktoren konstant hält und den anderen variieren lässt, kann man folgende drei Theorien aufstellen:
Theorie 1: “Bad Batches”: Starke Schwankungen in Chargenqualität bei ähnlichen Chargengrößen und Meldequalität
Theorie 2: “Giga Batches”: Stark unterschiedliche Chargengrößen bei gleichbleibender Qualität der Chargen und Meldungen
Theorie 3: “Melde-Cluster”: Stark unterschiedliche Meldequalität für unterschiedliche Chargen bei gleichbleibender Chargengröße und -qualität
Natürlich sind Kombinationen möglich, bei denen zwei oder alle drei Faktoren stark schwanken. Doch lassen Sie uns erst einmal versuchen, herauszufinden, ob eine der drei oben genannten Theorien zutreffen könnte.
Im folgenden werde ich diese Theorien detaillierter beschreiben, Erwartungen ableiten, diese mit Analysen (Beobachtungen) prüfen und Schlussfolgerungen ziehen, welche Theorien von den Beobachtungen bestätigt oder widerlegt werden. Doch lassen Sie mich zuerst zeigen, welche Beobachtung über die oben beschriebene Meldungskonzentration hinaus zur Bad-Batches-Theorie geführt hatte, sogar zur Unterstellung von vorsätzlichem Handeln:
Beobachtung B: Schwerepyramide
Lassen Sie uns unteruchen, ob es einen Zusammenhang zwischen Chargennummer und Anzahl der schweren Verdachtsmeldungen geben könnte. Jedes Quadrat repräsentiert eine Charge. Sie sind nach ihrer Chargennummer alphabetisch sortiert von links nach rechts, und die Position in der senkrechten stellt die Anzahl schwerer Nebenwirkungen für diese Charge dar. Für die drei in den USA zugelassenen Covid-19-Impfstoffe erhält man die folgenden Diagramme. Was wie eine dicke verschmierte blaue Linie auf der x-Achse aussieht, ist die Verschmelzung vieler Quadrate für die 95% der Chargen mit minimaler Anzahl schwerer Verdachtsmeldungen:
Einigen Beobachtern sehen die Diagramme zu struktiert aus, um zufällig zu sein, insbesondere die von Pfizer/BioNTech und Moderna. Daher führten sie weitere Analysen durch und formulierten die folgende Theorie:
Theorie 1: Bad Batches
Mike Yeadon und Craig Pardekooper hatten den Verdacht, dass das Rezept oder die Qualität der Batches schwankt. Sie vermuteten sogar, dass jede Charge eine dedizierte, dem Hersteller bekannte Giftigkeit habe, die sogar in die Chargennummer hineinkodiert wäre. Schließlich beurteilten sie das als vorsätzliche Dosierungsexperimente, die an der Bevölkerung ohne deren Wissen – geschweige denn Zustimmung – durchgeführt werden.
In Folge wurde eine Website How Bad is My Batch erzeugt, die jedem Besucher anbietet, die Nummer der Impfstoffcharge zu prüfen, die ihm/ihr verabreicht werden soll, um “schlechte” Chargen zu meiden.
Ich habe diese Funde ebenfalls verifiziert und viel Zeit in deren Untersuchung gesteckt. Doch mit meinen eigenen Analysen und Gegenproben kam ich zu einem anderen Ergebnis, das ich in dieser Artikelserie erläutern werde.
Theorie 2: Giga-Batches
Wenn jede Dosis einer Charge die gleichen Eigenschaften hat, aber eine Charge unterschiedlich viele Dosen enthält, ist zu erwarten, dass die Anzahl der Verdachtsmeldungen proportional zur Chargengröße ist. Also sollte eine Charge, die eine doppelt so große Zahl an Impfstoffdosen enthält wie eine andere, auch doppelt so viele Verdachtsmeldungen auslösen.
Da einige Charge extrem viel größer sein müssten als die Mehrheit, um diese Beobachtungen zu erklären, nenne ich sie Giga-Batches.
Leider veröffentlichen die Hersteller nicht die Größen ihrer Chargen. Schätzungen für die Größen einer Standarcharge reichen von 300.000 bis zu 1.700.000 Dosen.
Theorie 3 Report-Cluster
Es ist zulässig, über die Chargen hinweg ähnliche Konsistenz und Qualität zu erwarten, da Impfstoffhersteller stark reguliert sind. Die Marktzulassung eines Impfstoffes gilt nur für eine feststehende Rezeptur, die in klinischen Studien geprüft wurde. Änderungen an der Rezeptur oder signifikante Variierung der Konzentration der Inhaltsstoffe werden als Verfälschungen betrachtet und bestraft, egal ob vorsätzlich oder aufgrund von Produktionsfehlern.
Wenn darüber hinaus die Chargen eine ähnliche Größe haben, muss ein weiterer Faktor die Anzahl der Verdachtsfallmeldungen beeinflussen.
Ein sehr offensichtlicher aber meist vernachlässigter Faktor ist der Unterschied zwischen Auftreten und Meldung eines Verdachtfalles. Viele Studien haben die Dunkelziffer von VAERS-Meldungen untersucht and berechnen Faktoren von mindestens 5, viele um die 40, einige sogar bis 100. Das bedeutet, dass nur 1–20% aller aufgetretenen Verdachtsfälle ihren Weg bis ins VAERS-System finden. Falls einmal ein Faktor auftritt, der die Melderate für eine Charge erhöht, zum Beispiel von 1% auf 8%, werden für diese Charge 8 mal mehr Verdachtsfälle gemeldet als für die anderen Chargen, obwohl alle die gleiche Größe und die gleichen Inhaltsstoffe haben.
Könnte das tatsächlich passieren? I denke ja und werde es in Artikel 3 dieser Serie belegen.
Beobachtung C: Exzessive Meldungslosigkeit
Am unteren Ende der Chargenliste (“am seltensten gemeldete Chargen”), gibt es 4,750 batches für die nur ein einziger Verdachtsfall gemeldet wurde, das sind 59% aller Batches, zu denen es Meldungen gab! Für 90% aller Chargen gab es weniger als 8 Meldungen. Das folgende Diagramm stellt die Meldungsanzahl von links nach rechts und die Anzahl von Chargen, für die es eine solche Anzahl von Meldungen gibt, von unten nach oben dar:
Das ist eine schwieriger Prüfstein für alle Theorien:
Falls die Giga-Batches-Theorie zutrifft, müssen wir davon ausgehen, dass die Chargen, die nur 1–7 Meldungen verursachen, die Standardchargengröße repräsentieren. Diese gilt also für 90% aller Chargen und veranlasst durchschnittlich 1,7 Verdachtsfälle pro Charge. Im Gegensatz dazu gibt es für die meistgemeldeten Chargen mehr als 5.000 Meldungen. Diese Chargen müssten demnach 3.000 mal größer als die Standardcharge sein, um eine solche Zahl an Meldungen bewirken zu können. Das macht wirtschaftlich keinen Sinn und erscheint produktionstechnisch nicht praktikabel. Ich werte das als ein Indiz gegen die Giga-Batches-Theorie.
Interpretiert man die Beobachtung gemäß der Bad-Batch-Theorie, muss die durchschnittlich vorgefundene Zahl von 1,7 Verdachtsfällen für 90% der Chargen als Referenzwert für eine sichere und effektive Charge betrachtet werden. Eine größere Zahl von Verdachtsfällen müsste als Ergebnis einer höheren “Giftigkeit” betrachtet werden. Das würde aber auch bedeuten, dass die am häufigsten gemeldeten Chargen mit 5.000 Fällen eine Giftigkeit haben müssten, die 3.000 mal größer is als der Referenzwert. Das wäre eine so extreme Überdosis im Vergleich zur gut funktionierenden Referenz, dass sie keinen Sinn ergibt für medizinische Erwägungen, wie z.B. Feindosierung. Auf der anderen Seite verpflichtet die Gute Herstellungspraxis Firmen zu extrem hohen und konsistenten Qualitätsansprüchen, so dass 200 Chargen einer desaströsen Qualität kaum jemals auftreten könnten. Meiner Meinung nach ist das ein Indiz gegen die Bad-Batch-Theorie.
Wenn die Report-Cluster-Theorie zutrifft, würde das bedeuten, dass für jede der vielen Tausend Chargen Tausende von Verdachtsfällen ungemeldet blieben und nur 5% der Chargen ein angemessenes Maß an Meldetätigkeit erfahren haben.
Beobachtung D: Durchbruchssymmetrie
VAERS liefert auch Meldungen von Impfdurchbrüchen, also lassen Sie uns ein Gedankenexperiment machen: Angenommen, die Bad-Batches-Theorie ist korrekt, können wir folgende Effekte erwarten:
Wenn 95% der “harmlosen” Chargen Plazebo-Chargen wären (z.B. Isotonische Kochsalzlösung) die keinen Schaden verursachen können, gäbe es für sie sehr wenige Verdachtsfallmeldungen, aber hunderte oder Tausende von Impfdurchbruchmeldungen.
Hätten die “schlechten” Chargen eine sehr hohe Dosis von Wirkstoffen, die einen höheren Immunisierungseffekt verursachen, sollten die Chargen mit einer größeren Zahl an Verdachtsmeldungen gar keine, oder zumindest nur wenige Impfdurchbrüche verzeichnen.
Auch eine Kombination dieser Beobachtungen ist möglich.
Im folgenden Diagramm, stelle ich jede Charge als senkrechte Linie dar, geordnet nach sinkender Zahl wirklicher Verdachtsfälle. Senkrecht wird die Zahl ihrer schweren wirklichen Verdachtsfälle in Blau dargestellt und die Zahl ihrer Durchbruchsmeldungen darüber in Orange. Das Diagramm habe ich auf die 524 Chargen beschränkt, für die es mindestens je 3 Meldungen der dargestellten Arten gab:
Offensichtlich werden die Erwartungen nicht erfüllt: Alle Chargen mit einer großen Zahl von Meldungen schwerer wirklicher Verdachtsfälle verzeichnen auch eine große Zahl an Impfdurchbrüchen. Bei den vermeintlich “schwachen” Chargen gibt es so gut wie keine Durchbruchsmeldungen.
Für mich ist das ein starkes Indiz gegen die Bad-Batches-Theorie. Die logischste Erklärung für diese Beobachtung ist die Giga-Batch-Theorie, aber auch die Melde-Cluster-Theorie ist plausibel: Es gibt einige Chargen, die besonders viel Beachtung gefunden haben, sowohl in der Meldung von wirklichen Verdachtsfällen, als auch in der Meldung von Impfdurchbrüchen.
Beobachtung E: Durchbruchspyramide
Im vorigen Abschnitt haben wir gesehen, dass die Zahl gemeldeter Impdurchbrüche ungefähr proportional zur Anzahl gemeldeter schwerer wirklicher Verdachtsfälle ist. Es wäre doch sehr interessant, das Diagramm von “Beobachtung B: Schwerepyramide” zur Betrachtung von Impfdurchbrüchen zu verwenden!
Unten finden Sie die Schwerepyramiden links, die Durchbruchspyramiden rechts, in der ersten Reihe die Daten für Pfizer/BioNTech, in der zweiten für Moderna und in der dritten Reihe für Janssen.
Das ist eine sehr harte Gegenprobe für die Bad-Batches-Theorie, da es bei einem Schwerediagramm einfach ist, Vorsatz zu schlussfolgern, denn liegt in der Hand des Herstellers, was “in einer Charge steckt”. Für ein Durchbruchsdiagramm ist eine Vorsatzschlussfolgerung absurd, da der Hersteller keinen Einfluss auf das Infektionsgeschehen nehmen kann. So ähnliche Muster in beiden Betrachtungen zu finden, macht “Beobachtung B: Schwerepyramide” wertlos, die als Hauptindiz für eine vorsätzliche Giftigkeit von Chargen angeführt wurde. Sie beweist, dass zufällige Ereignisse, außerhalb der Kontrolle der Hersteller, dazu führen können, dass die Meldedaten wie geplant aussehen.
Beobachtung F: Kein Kommentar
Die Bad-Batches-Theorie hat so viel Publicity erlangt, dass die Impfstoffhersteller ein vitales Interesse daran haben sollten, die Anschuldigungen zu widerlegen, um Zweifel gegenüber ihren Impfstoffen und juristische Konsequenzen zu vermeiden.
Für jeden Hersteller ist es nur eine Arbeit von Minuten, die Größe ihrer gemeldeten Chargen zu überprüfen. Hätten sie dabei herausgefunden, dass die erhöhten Meldungszahlen für ihre Chargen nur dadurch entstanden sind, dass sie signifikant größer sind als der Rest, hätten sie diese Information einfach veröffentlichen können, damit die intuitiv verständliche Giga-Batch-Theorie bestätigt und die Bad-Batch-Theorie wäre zusammengebrochen.
Nun, das taten sie nicht, und ich werte das als Indiz gegen die Giga-Batch-Theorie.
Beobachtung G: Herstellersymmetrie
Wie oben erwähnt, ist es eine Straftat, die Rezeptur eines Medikaments nach der Zulassung zu ändern, und auch Qualitätsprobleme werden geahndet als Verfälschungen. Es erscheint mir sehr unwahrscheinlich, dass alle drei Hersteller in grob fahrlässiger oder sogar krimineller Weise handeln. Stattdessen interpretiere ich das als Indiz, dass die Beobachtungen nicht das Ergebnis des Verhaltens der Hersteller, sondern der Melder ist.
Beobachtung H: Alterseffekt
Eine bessere Erklärung, warum für eine Charge mehr Fälle gemeldet werden als für eine andere, liegt nicht in der Chargennummer, sondern im Alter der Geimpften. Eine Darstellung aller Chargen mit mindestens 10 schweren wirklichen Nebenwirkungen zeigt eine klare Korrelation zwischen dem mittleren Alter der mit einer Charge geimpften und der resultierenden Anzahl schwerer wirklicher Verdachtsmeldungen: Jedes Quadrat repräsentiert eine Charge, seine x-Koordinate das Median-Alter der Personen, die mit dieser Charfe geimpft wurden, die y-Koordinate für die Anzahl der schweren wirklichen Verdachtsfälle, die für diese Charge gemeldet wurden.
Vom Standpunkt der Bad-Batches-Theorie aus stellt diese Diagramm vor allem die “schlechten Chargen” dar, dennoch ist es eine weitere Beobachtung, die die Bedeutung der Schwerepyramide verringert, indem sie zeigt, dass das Alter der Geimpften (außerhalb der Kontrolle der Hersteller) wichtiger ist für die Zahl schwerer wirklicher Verdachtsfälle als die Chargennummer (in der Kontrolle der Hersteller). Daher ist dies zumindest ein Indiz gegen den Vorsatzaspekt der Bad-Batches-Theorie.
Auch in diesem Diagramm wird für jede Altersgruppe wird eine weite Spanne von Meldungszahlen beobachtet. Sie kann des Ergebnis unterschiedlicher Einflussfaktoren sein: Statistische Effekte, unterschiedliche Chargengrößen, unterschiedliche Chargenqualität oder unterschiedliches Meldeverhalten.
Fazit
Lassen Sie uns alle Theorien, Beobachtungen und Schlussfolgerungen von oben zusammenfassen:
Ich finde, das sind bei weitem ausreichende Indizien, um die Bad-Batch-Theorie fallen zu lassen. Die Indizenlage gegen die Giga-Batch-Theorie ist etwas schwach, doch die Tatsache, dass keiner der Hersteller sie nutzte, um die 'Bad-Batches'-Behauptungen zu widerlegen, erweckt Verdacht.
Meiner Meinung nach ist die Melde-Cluster-Theorie einen genaueren Blick wert, den ich in den nächsten zwei Artikeln wagen werde. Bitte lesen Sie weiter in “Der steinige Weg zu einer Verdachtsfallmeldung”.
Bleiben Sie dabei, bleiben Sie kritisch, und hören Sie niemals auf, selbst zu denken,
Leonard Frey
(Pseudonym)