ArchivDeutsches Ärzteblatt19/2020Epidemiologische Maßzahlen im Rahmen der COVID-19-Pandemie
Als E-Mail versenden...
Auf facebook teilen...
Twittern...
Drucken...

Hintergrund: Bei der Kommunikation der Auswirkungen von COVID-19 werden verschiedene epidemiologische Indikatoren genutzt, die unterschiedliche Stärken und Schwächen aufweisen.

Methode: Es wurde eine selektive Literaturrecherche durchgeführt, um die verwendeten Indikatoren zu identifizieren und geeignete Definitionen darzustellen. Für ausgewählte Länder wurden rohe und altersstandardisierte Indikatoren berechnet.

Ergebnisse: Der Anteil der Todesfälle („case fatality proportion“ [CFP]; Anzahl Todesfälle/Gesamtzahl Fälle) wird häufig verwendet, um die Schwere einer Krankheit abzuschätzen. Wird diese Größe zum Vergleich herangezogen, ist die Heterogenität bei der Erkennung und Registrierung von Fällen und Todesfällen zu beachten. In der frühen Phase einer Epidemie, wenn die Fallzahlen schnell steigen, ist die CFP verzerrt. Deshalb wurden verschiedene Varianten vorgeschlagen: die „bestätigte CFP“ (Anzahl Todesfälle/Gesamtzahl bestätigter Fälle) und die „verzögerungsadjustierte CFP“, die die Verzögerung zwischen der Infektion mit der Krankheit und dem Versterben infolge der Erkrankung berücksichtigt. Der Indikator Mortalität (Anzahl Todesfälle/Gesamtbevölkerung) hat auf den ersten Blick den Vorteil, dass er auf einer festen Bezugsgröße, der Gesamtbevölkerung, basiert. Während des Ausbruchs einer Krankheit steigen jedoch die kumulativen Todesfälle, die Gesamtbevölkerung bleibt aber stabil. Bei diesem Indikator muss daher die Phase der Epidemie berücksichtigt werden. Hierfür sind R0 und R(t) wichtige Indikatoren. R0 schätzt die maximale Ausbreitungsgeschwindigkeit einer Krankheit in einer Population ab, während R(t) die aktuelle Dynamik der Epidemie beschreibt. Die altersadjustierte Analyse der CFP zeigt, dass sich die Unterschiede zwischen den Ländern verringern, aber nicht vollständig verschwinden. Falls die Teststrategien aber vom Alter oder Schweregrad der Symptome abhängen, kann der Bias nicht vollständig eliminiert werden.

Schlussfolgerung: In der täglichen Kommunikation werden verschiedene Indikatoren für die Auswirkungen von COVID-19 auf Bevölkerungsebene verwendet. Angesichts der Bedeutung der Pandemie und der Kommunikation über diese müssen jedoch die Stärken und Grenzen jeder Kenngröße genau betrachtet werden.

LNSLNS

Die mit SARS-CoV-2 assoziierte Krankheit COVID-19 beeinflusst einen Großteil des privaten und beruflichen Lebens vieler Menschen. Die Erkrankung wurde erstmals in Wuhan (Provinz Hubei, China) berichtet und bis zum 16. 4. 2020 wurden weltweit 1 991 562 bestätigte Fälle gemeldet (1). Um zu beschreiben, wie sich die Infektion und die Krankheit auf die Bevölkerung auswirken, werden verschiedene epidemiologische Indikatoren herangezogen. Sie sollen helfen, die Situation zu erfassen und internationale Vergleiche durchzuführen. In diesem Beitrag werden häufig verwendete Indikatoren dargestellt und ihre Stärken und Grenzen diskutiert.

Methode

Es wurde eine selektive Literaturrecherche durchgeführt, um die verwendeten Indikatoren zu identifizieren und zu definieren. Um die Auswirkungen von SARS-CoV-2 zu vergleichen, wurden rohe und altersstandardisierte Indikatoren für verschiedene Länder berechnet. Die Segi-Weltbevölkerung wurde als Standardbevölkerung angenommen (2, 3). Häufig verwendete Begriffe aus der Infektionsepidemiologie, auf die im Text nicht näher eingegangen wird, sind in Tabelle 1 dargestellt.

In der Infektionsepidemiologie verwendete Indikatoren
Tabelle 1
In der Infektionsepidemiologie verwendete Indikatoren

Indikatoren basierend auf Fallzahlen

Eine Herausforderung während der COVID-19-Pandemie ist zunächst die Frage, wie ein Fall definiert wird, und anschließend, wie die Anzahl dieser Fälle korrekt geschätzt werden kann. Personen, die mit dem Virus in Kontakt kommen, werden im Allgemeinen dann als „infiziert“ angesehen, wenn sich das Virus in der Person repliziert und eine Reaktion des Körpers hervorruft (zum Beispiel durch das Immunsystem). Allerdings zeigt nicht jedes infizierte Individuum die gleiche Intensität der Symptome. Personen gelten als symptomatisch, wenn sie ein typisches Krankheitsbild aufweisen, als oligosymptomatisch, wenn nur geringe Symptome vorliegen, und als asymptomatisch, wenn keine Symptome vorliegen, obwohl die Person infiziert ist (4). Darüber hinaus wird nach Angaben der Welt­gesund­heits­organi­sation (WHO) und des Europäischen Zentrums für die Prävention und die Kontrolle von Krankheiten (ECDC) (5) ein Fall von COVID-19 auch dann als bestätigt definiert, wenn keine klinischen Anzeichen und Symptome aber eine Laborbestätigung vorliegen.

Wenn eine seroepidemiologische Untersuchung oder wiederholte virologische Tests (zum Beispiel durch Polymerasekettenreaktion [PCR]) der gesamten Population oder einer Stichprobe aus der Population nicht durchführbar sind (etwa weil kein serologischer Test verfügbar ist), besteht eine erhebliche Unsicherheit über die Gesamtzahl von Fällen. Tatsächlich kann nur ein kleiner Teil der asymptomatischen und oligosymptomatischen Fälle identifiziert werden, sodass die wirkliche Belastung in der Bevölkerung unbekannt bleibt.

Im Fall von COVID-19 kann der Anteil asymptomatischer Fälle aus zwei Studienpopulationen geschätzt werden, die als geschlossene Kohorten vollständig getestet wurden. Nishiura et al. (6) analysierten die Daten von 565 japanischen Bürgern, die nach Beginn des Ausbruchs aus Wuhan evakuiert wurden. Das japanische Institut für Infektionskrankheiten wertete die Daten von 3 711 Passagieren des Kreuzfahrtschiffes „Diamond Princess“ aus, an dessen Bord ein COVID-19-Ausbruch auftrat (7). Im ersten Fall waren 41,6 % (95-%-Konfidenzintervall: [16,7; 66,7%] der Fälle) der positiv getesteten Personen asymptomatisch (6), während es im zweiten Fall 51 % waren (7). Beide Studien basieren jedoch auf den Daten von Personen mit besonderen demografischen, gesundheitlichen (zum Beispiel Komorbiditäten) und sozioökonomischen Merkmalen, sodass die externe Validität (oder Generalisierbarkeit) der Ergebnisse fraglich ist. Außerdem muss die statistische Unsicherheit der Schätzungen berücksichtigt werden (siehe Breite des Konfidenzintervalls).

Anteil der Todesfälle unter den Infizierten

Der Anteil der Fälle mit leichten oder keinen Symptomen in der Bevölkerung – also der Anteil, der unzureichend gezählt wird – wirkt sich erheblich auf alle Indikatoren aus, die die Gesamtzahl der Fälle verwenden. Unter diesen Indikatoren wird am häufigsten die „case fatality proportion“ (CFP) (8) genutzt, das heißt der Anteil der Fälle, die aufgrund der Krankheit sterben:





Dieser Indikator wird häufig als Ratio oder als Rate bezeichnet, obwohl es sich formal um einen Quotienten („Proportion“) handelt (9). CFP kann verwendet werden, um die Schwere einer Krankheit abzuschätzen, aber nur dann, wenn die Gesamtzahl der Fälle einigermaßen zuverlässig geschätzt werden kann.

Die Heterogenität bei der Registrierung der Todesfälle wirkt sich auf den Zähler des Indikators aus, was beim Vergleich zwischen verschiedenen Ländern bedeutsam ist. Wenn ein Land zum Beispiel alle Todesfälle post mortem auf das Vorhandensein des Virus testet und die positiv getesteten als COVID-19-Todesfälle einstuft, führt dies zu einer Überschätzung der tatsächlichen CFP, falls nicht gleichzeitig alle Personen der Gesamtbevölkerung auf das Virus getestet werden. Darüber hinaus können COVID-19-Todesfälle unterschiedlich fehlklassifiziert werden, beispielsweise wenn Todesfälle ohne positives Testergebnis für SARS-CoV-19 in einigen Ländern als Lungenentzündung oder Influenza eingestuft werden, in anderen Ländern jedoch nicht (10).

In ähnlicher Weise kann die Heterogenität der Richtlinien zur Fallerkennung den Nenner der CFP beeinflussen. Daher sollte die CFP nur zum Vergleich von Ländern verwendet werden, die bei der Aufdeckung von Fällen dieselben Anstrengungen und Verfahren anwenden.

Um die Definition der Fälle zu vereinheitlichen, bietet es sich an, nur durch Labore bestätigte Fälle für den Nenner zu nutzen.

Die „bestätigte CFP“ wird dann wie folgt berechnet:




Dieser Indikator ist jedoch auch für internationale Vergleiche nicht immer geeignet, wenn unterschiedliche Teststrategien genutzt werden. Darüber hinaus sind sowohl die CFP als auch die bestätigte CFP während einer Epidemie verzerrt, da die Zeit zwischen dem Auftreten eines Falls und dem möglichen Tod nicht berücksichtigt wird. Wenn die täglichen Fallzahlen zu Beginn einer Epidemie exponentiell ansteigen, wird die CFP zunächst unterschätzt: Die Todesfälle an einem bestimmten Tag rekrutieren sich aus Personen, die mehrere Tage vorher infiziert wurden. Ein Vergleich der Todesfälle mit der Anzahl der Fälle am gleichen Tag ist also unzureichend. Die Größe dieser Verzerrung hängt von der Zeit zwischen Diagnose und Tod ab: Ist diese Zeit kurz, ist die Verzerrung weniger gravierend als dann, wenn diese Zeitspanne länger ist (wie es für COVID-19 angenommen wird) (11). Russell und Kollegen entwickelten daher eine um die Verzögerungszeit bereinigte CFP (CFPdel) (12):





Für COVID-19 wurde eine Verzögerungszeit von 7–14 Tagen angegeben (13). Die Verzögerung, mit der Fälle gemeldet werden, kann zusätzlich vom Meldesystem abhängen, auch dies muss beim Vergleich verschiedener Länder berücksichtigt werden (14).

Eine weitere Einschränkung des Vergleichs der CFP zwischen Populationen besteht darin, dass die Altersverteilung der Fälle nicht berücksichtigt wird. Es gibt Hinweise darauf, dass das Durchschnittsalter der bestätigten Fälle in Deutschland (47 Jahre) und Südkorea (44 Jahre) niedriger ist als in Italien (62 Jahre), Spanien (60 Jahre) und Schweden (60 Jahre) (Tabelle 2). Da die altersspezifische CFP bei COVID-19 mit zunehmendem Alter zunimmt (Tabelle 3), sind für Italien, Spanien und Schweden höhere CFP zu erwarten als für Deutschland und Südkorea. Um zu bewerten, welcher Anteil des Unterschieds bei den CFP durch die Altersverteilung der bestätigten Fälle erklärt werden kann, haben wir eine altersstandardisierte Version der CFP berechnet. Tabelle 2 zeigt rohe (bestätigte) CFP in Deutschland, Italien, Südkorea und Spanien sowie die altersadjustierten Werte. Die rohen Werte sind in Italien (12,6 %), Schweden (10,6 %) und Spanien (8,1 %) weitaus höher als in Deutschland (2,7 %) und Südkorea (2,2 %). Nach der Altersadjustierung verringern sich die Unterschiede zwischen den Ländern, obwohl die bereinigte CFP in Italien immer noch höher ist als in Schweden, Spanien, Deutschland und Südkorea (Tabelle 4).

Bestätigte Fälle und Todesfälle durch COVID-19 in Deutschland, Italien, Südkorea, Spanien und Schweden in verschiedenen Altersgruppen
Tabelle 2
Bestätigte Fälle und Todesfälle durch COVID-19 in Deutschland, Italien, Südkorea, Spanien und Schweden in verschiedenen Altersgruppen
Berichtete bestätigte Fälle, Todesfälle und rohe „bestätigte Fallsterblichkeit“ durch COVID-19 in Deutschland, Italien, Südkorea, Spanien und Schweden nach Altersgruppen (Daten vom 16. 4. 2020)
Tabelle 3
Berichtete bestätigte Fälle, Todesfälle und rohe „bestätigte Fallsterblichkeit“ durch COVID-19 in Deutschland, Italien, Südkorea, Spanien und Schweden nach Altersgruppen (Daten vom 16. 4. 2020)
Alterstandardisierte Fallsterblichkeit (CFP) und verzögerungszeitadjustierte CFP durch COVID-19 in Deutschland, Italien, Südkorea, Spanien und Schweden
Tabelle 4
Alterstandardisierte Fallsterblichkeit (CFP) und verzögerungszeitadjustierte CFP durch COVID-19 in Deutschland, Italien, Südkorea, Spanien und Schweden

Die CFPdel ist bei einer angenommenen Verzögerungszeit von sieben Tagen in Italien (CFPdel: 14,7 %) höher als in Spanien (CFPdel: 10,1 %) und viel höher als in Südkorea (2,2 %) und Deutschland (3,3 %) (Tabelle 2). Nach der Altersstandardisierung des CFPdel sind die verzögerungs- und altersbereinigten CFP in Südkorea (CFPdel-std: 0,8 %) mit denen in Deutschland (CFPdel = 1,0 %) kompatibel (Tabelle 4).

Indikatoren basierend auf der Gesamtbevölkerung

Mortalität

Ein weiterer Indikator, der zum Vergleich der Auswirkungen einer Epidemie auf die Bevölkerung in verschiedenen Regionen berechnet werden kann, ist die Mortalität (M), das heißt der Anteil (P) der Allgemeinbevölkerung, der aufgrund einer bestimmten Krankheit gestorben ist. Dies entspricht NICHT der üblichen Mortalitätsrate, die sich auf eine bestimmte Zeitspanne, zum Beispiel ein Jahr bezieht, die aber hier noch nicht berechnet werden kann.





Im Vergleich zur CFP hat die MP den Vorteil, sich auf einen bekannten Nenner, die Gesamtbevölkerung, zu stützen. Dies ist aber auch gleichzeitig die wichtigste Limitation der Berechnung während einer Epidemie: Der Nenner ist über die Zeit stabil, wohingegen die Anzahl der Todesfälle in frühen Phasen einer Epidemie exponentiell zunimmt. Daher hängt die MP stark von der Phase der Epidemie ab, mit der eine Bevölkerung zu einem bestimmten Zeitpunkt konfrontiert ist. Die MP ist daher kein geeigneter Indikator für den Vergleich verschiedener Populationen während einer Epidemie, obwohl es äußerst hilfreich sein wird, die kumulativen Auswirkungen der Epidemie auf eine Bevölkerung nach dem Ende der Epidemie zu bewerten.

In den frühen Stadien eines Ausbruchs werden viele Indikatoren ohne Nenner (also als Anzahl) dargestellt. Während dies auf den ersten Blick ungewöhnlich erscheint, werden Fälle und Todesfälle in dieser frühen Phase durch die Merkmale des Infektionserregers und nicht durch die Größe der Bevölkerung bestimmt (Kasten 1).

Indikatoren ohne Nenner
Kasten 1
Indikatoren ohne Nenner

Indikatoren für die Dynamik der Ausbreitung einer Infektion in einer Population

Häufig verwendete Indikatoren für die Ausbreitungsdynamik einer Infektion in einer Population sind (15):

  • die Basisfall-Reproduktionszahl (R0) und
  • die effektive (oder Nettofall-)Reproduktionszahl (R(t)).

R0 gibt die Anzahl der Personen an, auf die eine infizierte Person in ihrer infektiösen Periode die Infektion im Durchschnitt überträgt, wenn es in der Population keine Immunität und keine spezifischen Maßnahmen zur Infektionskontrolle gibt. Es ist ein theoretischer Indikator, der nur beurteilt werden kann, wenn sich eine neu auftretende Infektion zum ersten Mal in einer Population ausbreitet. R(t) stellt die Anzahl der Personen dar, auf die eine infizierte Person die Infektion im Durchschnitt in seiner infektiösen Periode überträgt – unter Berücksichtigung der aktuell eingesetzten Infektionskontrollmaßnahmen und dem Anteil immuner Personen in der Bevölkerung. Dieser Wert ändert sich im Laufe der Epidemie und kann auch von Region zu Region unterschiedlich sein. R0 wird für eine Infektion in einer bestimmten Population als konstant angenommen (8). Im einfachen Fall, kann R(t) berechnet werden, indem R0 mit dem Anteil an suszeptiblen Personen in einer Population multipliziert wird (je mehr Immune vorhanden sind, desto kleiner ist R(t)). Wenn wir zu einem bestimmten Zeitpunkt einen Anteil an suszeptiblen Personen von 80 % und einen R0 von 2,5 annehmen, dann ist





Sowohl R0 als auch R(t) sind direkt von der Zahl der für die Infektionsübertragung relevanten Kontakte abhängig, die eine Person pro Zeiteinheit hat. Änderungen im Kontaktverhalten wirken also direkt auf R(t) ein. Dieser Aspekt ist entscheidend für den Vergleich der Ausbreitung einer Infektion in verschiedenen Ländern. Mossong und Kollegen verglichen die tägliche Anzahl sozialer Kontakte in verschiedenen europäischen Ländern und zeigten, dass die tägliche Anzahl der Kontakte in Italien (Mittelwert: 19,8, Standardabweichung 12,3) mehr als doppelt so hoch war wie in Deutschland (Mittelwert: 8,0; Standardabweichung: 6,3) (16). Dies betraf insbesondere Kontakte von Kindern zu Personen über 65 Jahren. Bei der Interpretation der Ergebnisse dieser Studie ist jedoch Vorsicht geboten, da die Art der Datenerfassung in den verschiedenen Ländern unterschiedlich war.

R(t) ist ein wichtiger Indikator während der Ausbreitung einer Infektion in einer Population, da R(t) die Auswirkungen von Kontrollmaßnahmen berücksichtigt und die Geschwindigkeit beschreibt, mit der sich eine Infektion ausbreitet (15). Wenn R(t) > 1 ist, wird die Anzahl neuer Fälle (gemessen beispielsweise als neu gemeldete Fälle an einem Tag) weiter zunehmen. Diese Vergrößerung der infizierten Bevölkerung wird die Anzahl der suzeptibelen Personen verringern und dazu führen, dass R(t) schließlich unter 1 fällt. Wenn R(t) < 1 ist, beginnt das Ende der Epidemie (8). Dies geschieht auch dann, wenn die Kontakte zwischen Individuen gleichbleiben, da das Risiko für Begegnungen zwischen einem infizierten und einem suszeptiblen Individuum geringer ist. Wenn der suszeptible Teil der Bevölkerung klein genug ist, ermöglicht das verringerte Risiko eines Kontakts mit der Infektion einen indirekten Schutz für die verbleibenden suszeptiblen Personen. Dieses Phänomen wird als Herdenimmunität bezeichnet. Sie erfordert einen beträchtlichen Anteil immuner Personen in der Bevölkerung, auch Herdenimmunitätsschwelle (HIT) genannt. HIT ist spezifisch für eine Infektion und wird wie folgt berechnet:





Wenn R0 für COVID-19 zwischen 2,5 und 3,5 liegt, liegt HIT zwischen 60 und 71 %. Dies ist jedoch eine vereinfachte Logik, da Änderungen in der Grundgesamtheit nicht berücksichtigt werden. Nach Erreichen die HIT ist die Situation nicht statisch, da im Laufe der Zeit Personen, die gegen das Virus immun sind, altern und sterben, während Neugeborene keinerlei Immunität gegen das Virus haben. Im Laufe der Zeit wird sich der Anteil der immunen Personen an der Bevölkerung verringern, was eine neue Infektionswelle ermöglicht. Dies wurde zum Beispiel bei den klassischen, alle zwei Jahre auftretenden Masernepidemien (R0 = 15–18) beobachtet, bevor eine Impfung verfügbar war (17).

Das Verständnis der Dynamik einer Epidemie ist entscheidend für die Umsetzung wirksamer Strategien, mit denen die Ausbreitung und die Folgen einer Infektionskrankheit begrenzt werden können. Die im vorliegenden Beitrag diskutierten Indikatoren basieren auf den beobachteten Fällen und Todesfällen einer Krankheit in einer Bevölkerung und können nicht für Prognosen für die weitere Entwicklung verwendet werden. Um die weitere Dynamik der Infektionskrankheit vorherzusagen, werden typischerweise mathematische Modelle verwendet (Kasten 2).

Mathematische Modelle zur Simulation der Ausbreitung von Infektionen
Kasten 2
Mathematische Modelle zur Simulation der Ausbreitung von Infektionen

Diskussion und Schlussfolgerung

In diesem Artikel haben wir Indikatoren und epidemiologische Maßzahlen vorgestellt, die üblicherweise in der Risikokommunikation während der COVID-19-Pandemie verwendet werden. Modelle, mit denen der künftige Verlauf der Pandemie vorhergesagt werden kann, werden nur kurz erwähnt. Wir weisen hier auch auf die Notwendigkeit hin, dass die Indikatoren zusammen mit der demografischen Struktur der Bevölkerung des Landes und der betroffenen Fälle zu betrachten sind. Neben den unterschiedlichen Altersstrukturen ist auch die Verzögerungszeit, mit der Fallzahlen und Todesfälle gemeldet werden, beim Vergleich zu berücksichtigen. Ein weiteres Problem, das beim Ländervergleich miteinbezogen werden muss, ist das Stadium der Epidemie, in der sich ein Land befindet. Dies hängt auch mit den in jedem Land verabschiedeten Maßnahmen (und deren zeitlichen Abläufen) zusammen, beispielsweise in Bezug auf Grenzkontrollen oder Bemühungen bei der Isolierung der anfänglichen Cluster der Krankheit (18, 19). Darüber hinaus hängt die korrekte Identifizierung der Fälle von der Strategie des Testens und der Validität der Tests, insbesondere hinsichtlich deren Sensitivität und Spezifität, ab (20).

Die altersadjustierte Analyse der CFP zeigt, dass sich die Unterschiede zwischen den Ländern verringern, aber nicht vollständig durch unterschiedliche Altersstrukturen erklärbar sind. Falls die Teststrategien aber vom Alter oder dem Schweregrad der Symptome abhängen, kann der Bias nicht vollständig reduziert werden.

Die Gründe für die beobachteten Unterschiede in den Fallzahlen und Todeszahlen sind vielschichtig und alle Vergleiche müssen mit großer Vorsicht interpretiert werden.

Danksagung

Wir danken Dr. Annasara Carnahan und Dr. Emma Löf von der Public Health Agency von Schweden, Dr. Alexander Ullrich vom Robert Koch-Institut, den Korea Centers for Diseases Control and Prevention und der Task Force COVID-19 of Department Infectious Diseases – Istituto Superiore di Sanità (Italy) für ihre Unterstützung bei der Datenerhebung.

Interessenkonflikt
Die Autoren erklären, dass kein Interessenkonflikt besteht.

Manuskriptdaten
eingereicht: 14. 4. 2020, revidierte Fassung angenommen: 20. 4. 2020

Anschrift für die Verfasser
Dr. rer. physiol. Emilio Gianicolo
Institut für Medizinische Biometrie,
Epidemiologie und Informatik (IMBEI)
Universitätsmedizin Mainz
Obere Zahlbacher Straße 69
55101 Mainz
emilio.gianicolo@uni-mainz.de

Zitierweise
Gianicolo E, Riccetti N, Blettner M, Karch A:
Epidemiological measures in the context of the COVID-19 pandemic.
Dtsch Arztebl Int 2020; 117: 336–42.
DOI: 10.3238/arztebl.2020.0336

►Die englische Version des Artikels ist online abrufbar unter:
www.aerzteblatt-international.de

1.
World Health Organization: Coronavirus disease 2019 (COVID-19)
Situation Report – 87. 2020. www.who.int/docs/default-source/coronaviruse/situation-reports/20200416-sitrep-87-covid-19.pdf?sfvrsn=9523115a_2 (last accessed on 20 April 2020).
2.
Segi M: Cancer mortality for selected sites in 24 countries (1950–57). Sendai, Japan: Department of Public Health, Tohoku University of Medicine 1960.
3.
Esteve J, Benhamou E, Raymond L: Statistical methods in cancer research. Volume IV: Descriptive Epidemiology. IARC Sci Publ 1994; 128: 1–302.
4.
Casadevall A, Pirofski LA. Host-pathogen interactions: basic concepts of microbial commensalism, colonization, infection, and disease. Infect Immun 2000; 68: 6511–8 CrossRef MEDLINE PubMed Central
5.
European Centre for Disease Prevention and Control: Case definition and European surveillance for COVID-19, as of 2 March 2020. www.ecdc.europa.eu/en/case-definition-and-european-surveillance-human-infection-novel-coronavirus-2019-ncov2020 (last accessed on 22 April 2020).
6.
Nishiura H, Kobayashi T, Miyama, et al.: Estimation of the asymptomatic ratio of novel coronavirus infections (COVID-19). Int J Infect Dis 2020; pii:S1201–9712(20)30139–9 CrossRef
7.
Japanese National Institute of Infectious Diseases: Diamond princess COVID-19 cases 2020. www.niid.go.jp/niid/en/2019-ncov-e/9417-covid-dp-fe-02.html (last accessed on 22 April 2020).
8.
Kenneth J. Rothman SG, Timothy L. Lash: Modern epidemiology. 3rd edition. Philadelphia, USA: Lippincott, Williams & Wilkins 2008.
9.
Elandt-Johnson RC: Definition of rates: some remarks on their use and misuse. Am J Epidemiol 1975; 102: 267–71 CrossRef MEDLINE
10.
CDC Centers for Disease Control and Prevention: Provisional death counts for coronavirus disease (COVID-19) 2020. www.cdc.gov/nchs/nvss/vsrr/covid19/index.htm https://www.dgepi.de/assets/Stellungnahmen/Stellungnahme2020Corona_DGEpi-21032020-v2.pdf (last accessed on 22 April 2020).
11.
Lipsitch M, Donnelly CA, Fraser C, Blake IM, Cori A, Dorigatti I, et al.: Potential biases in estimating absolute and relative case-fatality risks during outbreaks. PLoS Negl Trop Dis. 2015; 9:e0003846 CrossRef MEDLINE PubMed Central
12.
Russell TW, J. H, Abbott S, Jarvis CI, van Zandvoort K, CMMID nCov working group, et al.: Using a delay-adjusted case fatality ratio to estimate under-reporting. CMMID 2020 (in press).
13.
Wilson N, A. K, Telfar Barnard L, Baker M: Case-fatality estimates for COVID-19 calculated by using a lag time for fatality. Emerg Infect Dis 2020; 10.3201/eid2606.200320 CrossRef PubMed Central
14.
Atkins KE, Wenzel NS, Ndeffo-Mbah M, Altice FL, Townsend JP, Galvani AP.: Under-reporting and case fatality estimates for emerging epidemics. BMJ 2015; 350: h1115 CrossRef MEDLINE PubMed Central
15.
Wallinga J, Teunis P. Different epidemic curves for severe acute respiratory syndrome reveal similar impacts of control measures. Am J Epidemiol 2004; 160: 509–16 CrossRef MEDLINE PubMed Central
16.
Mossong J, Hens N, Jit M, Beutels P, Auranen K, Mikolajczyk R, et al.: Social contacts and mixing patterns relevant to the spread of infectious diseases. PLoS Med. 2008; 5: e74 CrossRef MEDLINE PubMed Central
17.
Fine P, Eames K, Heymann DL. „Herd Immunity‘‘: A rough guide. Clin Infect Dis 2011; 52: 911–6 CrossRef MEDLINE
18.
Quilty B, Clifford S, Flasche S, Eggo RM, CMMID nCoV working group: Effectiveness of airport screening at detecting travellers infected with novel coronavirus (2019-nCoV). Euro Surveill 2020; 25(5). https://doi.org/10.2807/1560–7917.ES.2020.25.5.2000080 (last accessed on 22 April 2020) CrossRef MEDLINE PubMed Central
19.
Wells CR, Sah P, Moghadas SM, et al.: Impact of international travel and border control measures on the global spread of the novel 2019 coronavirus outbreak. PNAS 2020: 202002616 CrossRef MEDLINE PubMed Central
20.
Spix C, Blettner M. Screening: part 19 of a series on evaluation of scientific publications. Dtsch Arztebl Int. 2012;109: 385–90 CrossRef MEDLINE PubMed Central
21.
Deutsche Gesellschaft für Epidemiologie (DGEpi): Stellungnahme der Deutschen Gesellschaft für Epidemiologie (DGEpi) zur Verbreitung des neuen Coronavirus (SARS-CoV-2) 23. 2. 2020. www.dgepi.de/de/aktuelles/article/aktualisierte-stellungnahme-der-deutschen-gesellschaft-fuer-epidemiologie-dgepi-zur-verbreitung-des-neuen-coronavirus-sars-cov-2/1092020 (last accessed on 20 April 2020).
22.
Hethcote HW: The mathematics of infectious diseases. SIAM Review 2000; 42: 599–653 CrossRef
23.
Zhanwei D, Xiaoke X, Ye W, Lin W, Benjamin JC, Lauren Ancel: Serial interval of COVID-19 among publicly reported confirmed cases. 1. Emerg Infect Dis 2020; 26(6); https://doi.org/10.3201/eid2606.20035 (last accessed on 22 April 2020) CrossRef
24.
WHO-China Joint Mission. Report of the WHO-China Joint Mission on Coronavirus Disease 2019 (COVID-19). 2020. www.who.int/docs/default-source/coronaviruse/who-china-joint-mission-on-covid-19-final-report.pdf (last accessed on 20 April 2020).
25.
Linton NM, Kobayashi T, Yang Y, et al.: Incubation period and other epidemiological characteristics of 2019 novel coronavirus infections with right truncation: a statistical analysis of publicly available case data. J Clin Med. 2020; 9 (2) doi: 10.3390/jcm9020538 CrossRef MEDLINE PubMed Central
26.
He X, Lau EH, Wu P, Deng X, Wang J, Hao X, et al. Temporal dynamics in viral shedding and transmissibility of COVID-19. medRxiv. 2020:2020.03.15.20036707. Nat Med 2020; doi:10.1038/s41591–020–0869–5 CrossRef
Institut für Medizinische Biometrie, Epidemiologie und Informatik (IMBEI),
Universitätsmedizin Mainz: Dr. rer. physiol. Emilio Gianicolo, Nicola Riccetti,
Prof. Dr. rer. nat. Maria Blettner
Institut für klinische Physiologie, Nationales Forschungszentrum, Lecce, Italien:
Dr. rer. physiol. Emilio Gianicolo
Institut für Epidemiologie und Sozialmedizin, Universität Münster:
Prof. Dr. med. André Karch, MSc
Indikatoren ohne Nenner
Kasten 1
Indikatoren ohne Nenner
Mathematische Modelle zur Simulation der Ausbreitung von Infektionen
Kasten 2
Mathematische Modelle zur Simulation der Ausbreitung von Infektionen
In der Infektionsepidemiologie verwendete Indikatoren
Tabelle 1
In der Infektionsepidemiologie verwendete Indikatoren
Bestätigte Fälle und Todesfälle durch COVID-19 in Deutschland, Italien, Südkorea, Spanien und Schweden in verschiedenen Altersgruppen
Tabelle 2
Bestätigte Fälle und Todesfälle durch COVID-19 in Deutschland, Italien, Südkorea, Spanien und Schweden in verschiedenen Altersgruppen
Berichtete bestätigte Fälle, Todesfälle und rohe „bestätigte Fallsterblichkeit“ durch COVID-19 in Deutschland, Italien, Südkorea, Spanien und Schweden nach Altersgruppen (Daten vom 16. 4. 2020)
Tabelle 3
Berichtete bestätigte Fälle, Todesfälle und rohe „bestätigte Fallsterblichkeit“ durch COVID-19 in Deutschland, Italien, Südkorea, Spanien und Schweden nach Altersgruppen (Daten vom 16. 4. 2020)
Alterstandardisierte Fallsterblichkeit (CFP) und verzögerungszeitadjustierte CFP durch COVID-19 in Deutschland, Italien, Südkorea, Spanien und Schweden
Tabelle 4
Alterstandardisierte Fallsterblichkeit (CFP) und verzögerungszeitadjustierte CFP durch COVID-19 in Deutschland, Italien, Südkorea, Spanien und Schweden
1.World Health Organization: Coronavirus disease 2019 (COVID-19)
Situation Report – 87. 2020. www.who.int/docs/default-source/coronaviruse/situation-reports/20200416-sitrep-87-covid-19.pdf?sfvrsn=9523115a_2 (last accessed on 20 April 2020).
2. Segi M: Cancer mortality for selected sites in 24 countries (1950–57). Sendai, Japan: Department of Public Health, Tohoku University of Medicine 1960.
3.Esteve J, Benhamou E, Raymond L: Statistical methods in cancer research. Volume IV: Descriptive Epidemiology. IARC Sci Publ 1994; 128: 1–302.
4. Casadevall A, Pirofski LA. Host-pathogen interactions: basic concepts of microbial commensalism, colonization, infection, and disease. Infect Immun 2000; 68: 6511–8 CrossRef MEDLINE PubMed Central
5.European Centre for Disease Prevention and Control: Case definition and European surveillance for COVID-19, as of 2 March 2020. www.ecdc.europa.eu/en/case-definition-and-european-surveillance-human-infection-novel-coronavirus-2019-ncov2020 (last accessed on 22 April 2020).
6.Nishiura H, Kobayashi T, Miyama, et al.: Estimation of the asymptomatic ratio of novel coronavirus infections (COVID-19). Int J Infect Dis 2020; pii:S1201–9712(20)30139–9 CrossRef
7.Japanese National Institute of Infectious Diseases: Diamond princess COVID-19 cases 2020. www.niid.go.jp/niid/en/2019-ncov-e/9417-covid-dp-fe-02.html (last accessed on 22 April 2020).
8.Kenneth J. Rothman SG, Timothy L. Lash: Modern epidemiology. 3rd edition. Philadelphia, USA: Lippincott, Williams & Wilkins 2008.
9. Elandt-Johnson RC: Definition of rates: some remarks on their use and misuse. Am J Epidemiol 1975; 102: 267–71 CrossRef MEDLINE
10.CDC Centers for Disease Control and Prevention: Provisional death counts for coronavirus disease (COVID-19) 2020. www.cdc.gov/nchs/nvss/vsrr/covid19/index.htm https://www.dgepi.de/assets/Stellungnahmen/Stellungnahme2020Corona_DGEpi-21032020-v2.pdf (last accessed on 22 April 2020).
11.Lipsitch M, Donnelly CA, Fraser C, Blake IM, Cori A, Dorigatti I, et al.: Potential biases in estimating absolute and relative case-fatality risks during outbreaks. PLoS Negl Trop Dis. 2015; 9:e0003846 CrossRef MEDLINE PubMed Central
12.Russell TW, J. H, Abbott S, Jarvis CI, van Zandvoort K, CMMID nCov working group, et al.: Using a delay-adjusted case fatality ratio to estimate under-reporting. CMMID 2020 (in press).
13.Wilson N, A. K, Telfar Barnard L, Baker M: Case-fatality estimates for COVID-19 calculated by using a lag time for fatality. Emerg Infect Dis 2020; 10.3201/eid2606.200320 CrossRef PubMed Central
14. Atkins KE, Wenzel NS, Ndeffo-Mbah M, Altice FL, Townsend JP, Galvani AP.: Under-reporting and case fatality estimates for emerging epidemics. BMJ 2015; 350: h1115 CrossRef MEDLINE PubMed Central
15.Wallinga J, Teunis P. Different epidemic curves for severe acute respiratory syndrome reveal similar impacts of control measures. Am J Epidemiol 2004; 160: 509–16 CrossRef MEDLINE PubMed Central
16.Mossong J, Hens N, Jit M, Beutels P, Auranen K, Mikolajczyk R, et al.: Social contacts and mixing patterns relevant to the spread of infectious diseases. PLoS Med. 2008; 5: e74 CrossRef MEDLINE PubMed Central
17. Fine P, Eames K, Heymann DL. „Herd Immunity‘‘: A rough guide. Clin Infect Dis 2011; 52: 911–6 CrossRef MEDLINE
18. Quilty B, Clifford S, Flasche S, Eggo RM, CMMID nCoV working group: Effectiveness of airport screening at detecting travellers infected with novel coronavirus (2019-nCoV). Euro Surveill 2020; 25(5). https://doi.org/10.2807/1560–7917.ES.2020.25.5.2000080 (last accessed on 22 April 2020) CrossRef MEDLINE PubMed Central
19.Wells CR, Sah P, Moghadas SM, et al.: Impact of international travel and border control measures on the global spread of the novel 2019 coronavirus outbreak. PNAS 2020: 202002616 CrossRef MEDLINE PubMed Central
20.Spix C, Blettner M. Screening: part 19 of a series on evaluation of scientific publications. Dtsch Arztebl Int. 2012;109: 385–90 CrossRef MEDLINE PubMed Central
21.Deutsche Gesellschaft für Epidemiologie (DGEpi): Stellungnahme der Deutschen Gesellschaft für Epidemiologie (DGEpi) zur Verbreitung des neuen Coronavirus (SARS-CoV-2) 23. 2. 2020. www.dgepi.de/de/aktuelles/article/aktualisierte-stellungnahme-der-deutschen-gesellschaft-fuer-epidemiologie-dgepi-zur-verbreitung-des-neuen-coronavirus-sars-cov-2/1092020 (last accessed on 20 April 2020).
22. Hethcote HW: The mathematics of infectious diseases. SIAM Review 2000; 42: 599–653 CrossRef
23.Zhanwei D, Xiaoke X, Ye W, Lin W, Benjamin JC, Lauren Ancel: Serial interval of COVID-19 among publicly reported confirmed cases. 1. Emerg Infect Dis 2020; 26(6); https://doi.org/10.3201/eid2606.20035 (last accessed on 22 April 2020) CrossRef
24. WHO-China Joint Mission. Report of the WHO-China Joint Mission on Coronavirus Disease 2019 (COVID-19). 2020. www.who.int/docs/default-source/coronaviruse/who-china-joint-mission-on-covid-19-final-report.pdf (last accessed on 20 April 2020).
25. Linton NM, Kobayashi T, Yang Y, et al.: Incubation period and other epidemiological characteristics of 2019 novel coronavirus infections with right truncation: a statistical analysis of publicly available case data. J Clin Med. 2020; 9 (2) doi: 10.3390/jcm9020538 CrossRef MEDLINE PubMed Central
26. He X, Lau EH, Wu P, Deng X, Wang J, Hao X, et al. Temporal dynamics in viral shedding and transmissibility of COVID-19. medRxiv. 2020:2020.03.15.20036707. Nat Med 2020; doi:10.1038/s41591–020–0869–5 CrossRef

Leserkommentare

E-Mail
Passwort

Registrieren

Um Artikel, Nachrichten oder Blogs kommentieren zu können, müssen Sie registriert sein. Sind sie bereits für den Newsletter oder den Stellenmarkt registriert, können Sie sich hier direkt anmelden.

Avatar #565532
ChriZie
am Sonntag, 10. Mai 2020, 17:45

Harte Daten?

Alle hier aufgezählten Daten sind aus der Perspektive einer evidenzbasierten Medizin nicht wirklich belastbar, denn sie sind samt und sonders abhängig von der Strategie bei der Testdurchführung. Die Richtlinien des RKI und konsekutiv der KVen für die Testung und die Modalitäten bei der Durchführung wurden im Laufe der Pandemie mehrfach geändert: In Niedersachsen gab es am Anfang zur Anmeldung von Testpatienten eine Fax-Hotline (nach 2 Tagen eingestellt), dann eine Telefonhotline (bei der ich drei Stunden in der Warteschlange gehangen habe, nach 2 Wochen eingestellt) und jetzt ein Anmeldeformular im Intranet der KV. Bis zur Durchführung der Tests vergingen initial 48-76 Stunden, auf das Ergebnis musste dann noch mal 2 Tage gewartet werden. Wir haben deshalb über unser eigenes Labor getestet (16 Stunden bis zum Ergebnis), andere Praxen vor Ort mangels Schutzkleidung gar nicht. Inzwischen dürfte sich die Lage deutlich entspannt haben, wir hatten in den letzten 2 Wochen keine Verdachtsfälle mehr. Für Risiskogruppen (Pflegeheim- und Krankenhaus) gibt es 3 Monate nach Ausbruch immer noch keine Teststrategie, von den 500.000 Tests, die wöchentlich in Deutschland bearbeitet werden könnten, werden nicht einmal die Hälfte veranlasst. Exakte Daten über die Anzahl der durchgeführten Tests, auch der negativen??? Fehlanzeige!
Die Erkankungsfälle sind demzufolge völlig ungeeignet, um die Ausbreitung der Erkrankung zu beschreiben, weder die Gesamtfallzahl noch R0. Bei den Todesfällen kann man wohl derzeit davon ausgehen, dass alle im stationären Setting mit Infektionszeichen Verstorbenen getestet werden, aber wer zu Hause oder im Pflegeheim stirbt, entgeht einer Testung. Andereseits werden hier alle COVID-Sterbefälle erfasst, sowohl die an als auch die mit COVID-19 Verstorbenen. Die einzig verlässliche Kenngröße ist die Gesamtzahl der Sterbefälle in der Bevölkerung bzw. die Übersterblichkeit, aus der ja z.B. auch vom RKI die mehr als 20.000 Influenza-Sterbefälle der Saison 2017/18 berechnet wuden (und nicht aus gesicherten Influentza-Diagnosen, wie oft irrtümlich kolportiert wird!) Im European Mortality Monitoring Project werden die Sterbefallzahlen altersspezifisch europaweit erfasst, mangels solider Daten aus unserem hochgelobten föderalen System nicht von ganz Deutschland, sondern exemplarisch nur aus Hessen und Berlin. Ein Blick auf die Z-Werte (sowohl gesamt als auch alterspezifisch aufgelistet) gibt mehr Aufschluss über den aktuellen Stand der Pandemie und den Erfolg einzelner Länder als die (inzwischen ja endlich eingestellten) Pressekonferenzen des RKI. Allen interessierten Kolleginnen und Kollegen sei ein Blick auf die Seite EuroMomo.com wärmstens empfohlen!
Dipl.med. Christoph Ziemer, Hausarzt, Niedersachsen
Themen:
Anzeige

Alle Leserbriefe zum Thema

Stellenangebote