SARS-CoV-2-Seroprävalenz in Deutschland

Eine bevölkerungsbezogene sequenzielle Studie in sieben Regionen

Hintergrund: Die Informationen zur Verbreitung der SARS-CoV-2-Infektionen beruhen bisher hauptsächlich auf den Daten der Gesundheitsämter. Es ist anzunehmen, dass hier ein Teil an asymptomatischen und milden Infektionen nicht erfasst wird.

Methode: Wir ermittelten die Seroprävalenz im Pandemieverlauf in Deutschland mit einer sequenziellen multi-lokalen Seroprävalenzstudie (MuSPAD). Nach dem Zufallsprinzip rekrutierten wir Teilnehmende in sieben Stadt- beziehungsweise Landkreisen, beginnend 07/2020, jeweils zu zwei Zeitpunkten im Abstand von 3–5 Monaten. Anhand von Blutproben wurden die Untererfassung gemeldeter Infektionen, die Infektionssterberate (IFR) und der Zusammenhang zwischen Seropositivität und demografischen, sozioökonomischen und gesundheitlichen Faktoren bestimmt sowie selbstberichtete Polymerasekettenreaktion(PCR)-/Antigen-Testergebnisse ausgewertet. Registrierung der Studie: DRKS00022335.

Ergebnisse: Die Seroprävalenz bei Ungeimpften lag von Juli bis Dezember 2020 bei 1,3–2,8 % und stieg zwischen Februar und Mai 2021 auf 4,1–13,1 % an. Bei Ungeimpften (35 %) lag die Seroprävalenz in Chemnitz bei 32,4 % (07/2021). Die Surveillance-Sensitivität-Ratio (SDR „surveillance detection ratio“) (Ratio angenommener Infektionen auf Grundlage der Seroprävalenz und der gemeldeten Infektionen) differierte zwischen den Studienorten zwischen 2,2–5,1 bis 12/2020 und 1,3–2,9 bis 06/2021 und nahm im Studienverlauf ab. Die IFR reichten von 0,8–2,4 % in allen Regionen außer in Magdeburg, wo 11/2020 ein Wert von 0,3 % ermittelt wurde. Geringere Bildung war mit höherer, Rauchen mit geringerer Seropositivität assoziiert. Von 8,5 Personen in Quarantäne war im Durchschnitt eine Person infiziert.

Schlussfolgerung: Die Seroprävalenz war nach der ersten Welle niedrig, stieg aber in der zweiten und dritten Welle erheblich an. Die Untererfassung nahm tendenziell im Verlauf der Pandemie ab.

Achtzehn Monate nach Pandemiebeginn beruhen Informationen über das Ausmaß der SARS-CoV-2-Infektionen in Deutschland immer noch weitgehend auf den COVID-19-Fällen, die den Gesundheitsbehörden gemeldet wurden. Die erste Welle im Frühjahr 2020 zeichnete sich durch niedrige altersstandardisierte Todesfallschätzungen und geringe Übersterblichkeit aus (1). Die zweite und dritte Welle von 10/2020 bis 04/2021 wiesen eine relevante Übersterblichkeit auf (2). Von zahlreichen in Deutschland veröffentlichten seroepidemiologischen Studien erfassen nur wenige die Allgemeinbevölkerung (3). Die meisten basieren auf einer selektiven Stichprobe und fokussieren auf Hotspots oder bestimmten nichtrepräsentativen Bevölkerungsgruppen (4, 5, 6, 7). Sie lassen daher keine Verallgemeinerung zu.

Da aktuelle Schätzungen der SARS-CoV-2-Infektionsaktivität in Deutschland möglicherweise unerkannte asymptomatische oder milde Infektionen nicht erfassen, sind sie folglich nicht zuverlässig (8, 9). Bevölkerungsbasierte Studien zur Messung von IgG-Antikörpern können:

• Aufschluss über die Anzahl von Personen mit früherer SARS-CoV-2-Exposition unabhängig von klinischer Manifestation geben
• die Infektionssterberate (IFR) bestimmen
• zur Beurteilung der Wirksamkeit bevölkerungsbasierter Interventionen beitragen
• Präventions- und Impfstrategien anleiten.

Um die Datenlücke über die Verbreitung von SARS-CoV-2 auszugleichen und bessere Vergleiche mit anderen Ländern zu ermöglichen, haben wir im Juli 2020 die „Multilokale und serielle Prävalenzstudie von Antikörpern gegen das SARS-2-Coronavirus in Deutschland“ (MuSPAD) ins Leben gerufen.

Methoden

Aufbau

Wir folgten dem WHO-Protokoll (10) für SARS-CoV-2-Seroprävalenzstudien und dem STROBE-Statement als Leitfaden für Beobachtungsstudien (11). MuSPAD ist eine bevölkerungsbasierte seroepidemiologische Studie, die die WHO-Empfehlungen hinsichtlich des Studiendesigns berücksichtigt und aus aufeinanderfolgenden Querschnittstudien mit Längsschnittkomponenten besteht (eSupplement: MuSPAD-Erhebungszeiträume, eSupplement-Grafik 1). Jedes Follow-up besteht aus einer neuen Querschnittsstudie. Der Erhebungszeitraum war 07/2020 bis 08/2021. Einwohnermeldeämter zogen Zufallsstichproben entsprechend der Alters- und Geschlechtsverteilung im Landkreis (LK)/Stadtkreis (SK) (12). Die nach Zufallsprinzip gezogenen Einwohner wurden postalisch eingeladen (Grafik, eSupplement: Datenerhebung).

Kasten

Mitwirkende (Collaborators)

Grafik

Zeitlicher Verlauf der gewichteten SARS-CoV-2-Seroprävalenz (SP), der Sterblichkeitsrate (IFR), des Untererfassungsfaktors (SDR)

Wir errichteten an jedem Ort Studienzentren (eSupplement-Grafik 2). Die Datenerhebung und Blutentnahme erfolgte nach standardisierten Arbeitsanweisungen (SOPs). Eingeladene Personen buchten Termine in den Zentren oder – falls symptomatisch, immobil oder gebrechlich – bei mobilen Teams. Personen mit selbstberichteten SARS-CoV-2-Infektionen wurden nicht ausgeschlossen.

Die Daten wurden mittels Prospective Monitoring and Management App (PIA) erhoben (13) (eSupplement: Datenerhebung).

Probenvorbereitung und Analyse

Die Blutentnahme erfolgte anhand von Serum-Gel-Monovetten mit Barcode. Nach Zentrifugation wurden die Proben bis zur Analyse bei 4–8 ° C gelagert. Spike-S1-spezifische IgGs wurden mit dem SARS-CoV-2-IgG-ELISA (ELISA, „enzyme-linked immunosorbent assay“) von Euroimmun gemessen.

Datenauswertung

Wir ermittelten die rohe und – hinsichtlich der Generalisierbarkeit der Ergebnisse – die gewichtete Prävalenz mit 95-%-Konfidenzintervallen (14) je Studienregion. Gewichtung wurde berechnet, indem der Anteil der Teilnehmenden und die Anzahl der Einwohner in jeder Alters- und Geschlechtsgruppe in der Allgemeinbevölkerung bestimmt und durch den Anteil in der Stichprobe dividiert wurde. Wir liefern Schätzungen der Seropositivität mit Unsicherheiten unter Berücksichtigung der Testleistung (Sensitivität [88,3 %]), Spezifität [99,2]) wie in (4) unter Anwendung von Bayes‘schen hierarchischen Modellen (15) (eSupplement: Testleistung).

In einer multivariablen logistischen Regressionsanalyse analysierten wir den Einfluss von Komorbiditäten, Wohnverhältnissen und arbeitsbezogenen Faktoren (Variablen wurden im Vorfeld festgelegt). Die erwarteten Infektionen wurden je Standort als Produkt von Seroprävalenz und Einwohnerzahl berechnet. Die Surveillance-Sensitivität (SDR, „surveillance detection ratios“) berechneten wir, indem wir die Anzahl der Personen, die nach den ermittelten Seroprävalenzschätzungen mutmaßlich infiziert waren, durch die Anzahl der als Fälle gemeldeten Personen (bis 14 Tage vor der Probenahme [die Entwicklung nachweisbarer Antikörper dauert etwa 2 Wochen]) dividierten. Wir bestimmten die Anzahl der Personen, die in Quarantäne gingen, um sicherzustellen, dass eine infizierte Person in Quarantäne ist (nnq) (eSupplement: Berechnung der Schätzungen). Als Quelle für die gemeldeten Fälle und Todesfälle dienten die Statistiken des Robert Koch-Instituts (RKI). Berücksichtigt wurden Daten bis zum Beginn des Studienzeitraums im jeweiligen Studienzentrum. Beschrieben werden die IFR, die sich aus den gemeldeten Todesfällen zum Zeitpunkt der Probenahme dividiert durch die erwartete Zahl von Infizierten entsprechend der Seroprävalenz je Standort errechnet (eSupplement: Berechnung der Schätzungen). Die Analysen wurden mit STATA (Version 14 und 16) und R Version 4.0.2 durchgeführt.

Ergebnisse

Teilnehmende

Die eGrafik zeigt die Anzahl der eingeladenen Personen, die Rückmeldungsquote und die Anzahl der im Datensatz enthaltenen Teilnehmenden.

eGrafik

Gewichtete Seroprävalenz bei ungeimpften Studienteilnehmern

Wir rekrutierten 18 638 Teilnehmende in ersten Beprobungszeiträumen in Reutlingen, Freiburg, Aachen, Osnabrück, Magdeburg, Chemnitz und Vorpommern-Greifswald (07/2020 bis 08/2021) und 18 210 Teilnehmende in einem zweiten Beprobungszeitraum (einige davon Follow-up-Teilnehmende) in denselben Regionen außer Vorpommern-Greifswald (10/2020 bis 08/2021) (eGrafik) im Alter von 18–99 Jahren. Die Rückmeldungsquote lag zwischen 15,3 % und 43,9 %. Für die vorliegende Analyse wurden die Daten von 25 712 Teilnehmenden ausgewertet, die zum ersten Mal dabei und noch nicht geimpft waren (eGrafik). Die Anteile der selbstberichteten chronischen Erkrankungen variierten zwischen den Regionen und den Erhebungszeiträumen, zum Beispiel reichte die Diabetesprävalenz von 4 % in Freiburg (08/2020) bis 10,1 % in Magdeburg (11/2021) (Tabelle 1, eSupplement-Tabelle 1). Der Anteil der Personen, die täglich rauchen, betrug 9,9 % in Freiburg (11/2020) und 23,8 % in Greifswald. 77 % Prozent der Teilnehmenden lebten in einem gemeinsamen Haushalt mit anderen Personen, davon 23,5 % mit Kindern, 17,6 % lebten allein. Der Anteil der Personen mit Hochschulbildung reichte von 38 % (Chemnitz) bis 70,2 % (Freiburg). Zwischen 61,9 % der Probanden in Magdeburg (11/2020) und 21 % in Aachen (02/2021) und Freiburg (11/2020) erfuhren keine Veränderungen im Arbeitsleben (eSupplement-Tabelle 1).

Tabelle 1

Merkmale der Probandinnen und Probanden für alle MuSPAD-Studienorte

Symptome, Exposition, Quarantäne und Tests

50 % aller Teilnehmenden berichteten, seit 02/2020 keine Symptome gehabt zu haben. Neun Prozent hatten Fieber, 22,2 % Husten, 22,3 % klagten über Müdigkeit und 4,6 % litten unter Anosmie (Tabelle 2, eSupplement-Tabelle 2).

Tabelle 2

Selbstberichte zu COVID-19-Symptomen, Quarantäne, Kontakt mit bestätigten Fällen und durchgeführten Tests

Elf Prozent gaben an, Kontakt zu bestätigten Fällen gehabt zu haben, und 15,4 % hatten sich in Quarantäne befunden (Tabelle 2). Haushaltsmitglieder von 25,1 % der Teilnehmenden und insgesamt 28,2 % der Teilnehmenden (n = 7 256; eSupplement-Tabelle 2) waren auf SARS-CoV-2 getestet worden (nach eigenen Angaben durch PCR-Tests oder Antigen-Schnelltests). 313 Teilnehmende (eSupplement-Tabelle 3) wurden positiv getestet (Euroimmun). Der Anteil jemals auf SARS-CoV-2-getesteter Haushaltsmitglieder variierte nach Region und Zeit zwischen 7,7 % in Reutlingen (07/2020) und 60,0 % in Greifswald (05/2021).

Tabelle 3

Multivariable Analyse der Merkmale der MuSPAD-Probanden mit Einfluss auf die SARS-CoV-2-Seroprävalenz für die Studienorte Reutlingen, Freiburg, Aachen, Osnabrück und Magdeburg

Schätzungen der Seroprävalenz

In der eSupplement-Tabelle 4 werden ungewichtete Seroprävalenzen angegeben. Gewichtet nach alters- und geschlechtsspezifischer Verteilung in der Allgemeinbevölkerung lagen die Seroprävalenzen in Reutlingen (07/2020) bei 2,6 %, in Freiburg (08/2020) bei 1,5 %, in Aachen (09/2020) bei 2,3 %, in Osnabrück bei 1,3 % und in Reutlingen (10/2020) bei 2,8 % sowie in Freiburg und Magdeburg (11/2020) bei 2,4 %. Nach Beginn der Impfkampagne lagen die gewichteten Seroprävalenzschätzungen für die Nichtgeimpften bei 5,4 % in Aachen (02/2021), 13,1 % in Chemnitz und 4,1 % in Osnabrück (03/2021), 6,0 % in Magdeburg (04/2021) und 11,6 % in Greifswald (05/2021). Der letzte beprobte Landkreis war Chemnitz (zweiter Durchgang, 07/2021); die gewichtete Seroprävalenz bei den Ungeimpften (n = 358, 11,6 % aller Teilnehmenden) betrug 32,4 % (Grafik, eSupplement-Tabelle 4).

Die um die Test-Performance bereinigten gewichteten Seroprävalenzschätzungen (eSupplement-Tabelle 5) lagen bei 2,0 % in Reutlingen (07/2020), 1,2 % in Freiburg (08/2020), 2,0 % in Aachen (09/2020), 1,1 % in Osnabrück (10/2020) und 2,1 % in Reutlingen (10/2020), 2,0 % in Freiburg und Magdeburg (11/2020), 5,2 % in Aachen (02/2021), 14,3 % in Chemnitz und 3,7 % in Osnabrück (03/2021), 9,2 % in Magdeburg (04/2021), 13,6 % in Greifswald (05/2021) und 37,4 % in Chemnitz (07/2021).

Die Seroprävalenz war altersabhängig und am höchsten in der Altersgruppe > 79 oder > 59 Jahre (eSupplement-Tabelle 4).

Sensitivität der Surveillance

Wir geben die Surveillance-Sensitivität als Verhältnis der durch serologische Analysen nachgewiesenen infizierten Fälle zu den gemeldeten Fällen an. Die Verhältnisse (berechnet auf Basis der gewichteten Seroprävalenzen) waren 4,1 (Reutlingen, 07/2020), 3,0 (Freiburg, 08/2020), 4,9 (Aachen, 09/2020), 2,6 (Osnabrück), 3,5 (Reutlingen, beide 10/2020), 5,1 (Magdeburg) und 2,2 (Freiburg, beide 11/2020), 1,8 (Aachen, 02/2021), 2,9 (Chemnitz) und 1,3 (Osnabrück, beide 03/2021), 2,8 (Magdeburg, 04/2021) sowie 2,9 (Greifswald, 05/2021) (Grafik, eSupplement-Tabelle 4). In Chemnitz betrug die SDR 4,5 bei Ungeimpften mit einem hohen Anteil an selbstberichteten bekannten SARS-CoV-2-Infektionen (17,3 %) (07/2021) (Grafik, eSupplement-Tabellen 2 und 4).

Schätzungen der Infektionssterblichkeit

Die IFR über alle Altersgruppen betrugen 1,3 % [95-%-Konfidenzintervall] [1,0; 1,7] (Reutlingen, 07/2020), 2,4 % [1,8; 3,3] (Freiburg, 08/2020); 1,0 % [0,7; 1,3] (Aachen, 09/2020), 1,6 % [1,2; 2,1] (Osnabrück, 10/2020) und 1,2 % [0,9; 1,6] (Reutlingen, 10/2020); 0,3 % [0,2; 0,4] (Magdeburg, 11/2020) und 1,7 % [1,1; 2,0] (Freiburg, 11/2020), 1,5 % [1,3; 1,8] (Aachen, 02/2021), 1,4 % [1,3; 1,6] (Chemnitz) und 1,9 % [1,5; 2,5] (Osnabrück, beide 03/2021); 1,2 % [0,8; 2,0] (Magdeburg, 04/2021), 1,2 % [1,0; 1,4] (Greifswald, 05/2021) und 0,8 % [0,7; 1,0] (Chemnitz, 07/2021). Die IFR waren in der ältesten Altersgruppe (> 79) am höchsten (eSupplement-Tabelle 4).

SARS-CoV-2-Exposition und Risiko der Seropositivität

Von 608 Personen, die angaben, zu einem früheren Zeitpunkt ein positives SARS-CoV-2-Testergebnis gehabt zu haben, umfasste die Spanne für positive Serologie in unserer Analyse 81 % in Freiburg/Greifswald bis 86 % in Chemnitz.

Vierzehn Prozent der Personen, die jemals unter Quarantäne gestellt worden waren, waren seropositiv, gegenüber 2,1 % der Personen, die nicht unter Quarantäne gestellt worden waren. Dies ergibt eine nnq von 8,5 [8,1; 8,8] Personen, die in Quarantäne mussten, um eine infizierte Person einzuschließen.

In einer logistischen Regression waren Teilnehmende, die angaben, in den vergangenen Monaten zwei typische COVID-19-Symptome gehabt zu haben, mit einer höheren Wahrscheinlichkeit seropositiv (adjustiertes Odds Ratio [aOR] 3,7; [3,2; 4,3]) (eSupplement-Tabelle 6).

Multivariable Analyse

Eine gewichtete logistische Regression unter Berücksichtigung der Clusterbildung nach Studienregion ergab Hinweise auf ein höheres Risiko für Seropositivität bei Teilnehmenden mit Hauptschulabschluss im Vergleich zu Teilnehmenden mit Abitur (aOR 1,7, [1,2; 2,4]). Das Risiko eines seropositiven Ergebnisses war bei täglichen Rauchern geringer (aOR 0,4 [0,3; 0,7]) (Tabelle 3).

Diskussion

Die in dieser Studie ermittelten Ergebnisse zur Seroprävalenz und IFR im Pandemieverlauf stehen im Einklang mit anderen verfügbaren bevölkerungsbezogenen Berichten aus Deutschland (16). Vergleichbare Studien in Deutschland weisen auf niedrige Seroprävalenzen zwischen 0,4 und 1,4 % mit einem Untererfassungsfaktor von 2–8 und einer IFR von 0,5 –1,5 % in Studien bis 11/2020 hin (4, 17, 18). Die Schätzungen in unserer Studie waren zwischen den Studienregionen in ähnlichen Zeiträumen ähnlich, insbesondere bis 11/2020. Dies ist gegensätzlich zu früheren Hotspot-Studien, durchgeführt in kleineren Gemeinden (17).

Bei Teilnehmenden, beprobt in Freiburg, Reutlingen, Aachen und Osnabrück bis 10/2020, resultierte die Mehrzahl der gemeldeten Fälle aus Infektionen während der ersten Welle, was auf Seroprävalenzen unter 3 % und einen Untererfassungsfaktor (SDR 3–5) während dieses Zeitraums hindeutet. In Studienorten, die entweder zum ersten oder zweiten Mal während und nach der zweiten und dritten Welle bis 05/2021 beprobt wurden (Reutlingen, Freiburg, Aachen, Chemnitz, Osnabrück, Vorpommern-Greifswald), waren weitere 2–10 % der Bevölkerung infiziert. Die vergleichbar hohe Seroprävalenz (> 30 %) bei Ungeimpften in Chemnitz (07/2021) bei einer Durchimpfungsrate von > 65 % von rekrutierten Personen ist teilweise auf Selbstselektion von Teilnehmenden mit bekannter Infektion zurückzuführen, kann aber auch ein Indikator für eine höhere Häufigkeit einer erworbenen Infektion bei Nichtgeimpften sein.

Die Untererfassung von Fällen während der ersten Monate der Pandemie war bei jungen Erwachsenen sowie bei 60- bis 79-Jährigen höher und nahm mit SDRs zwischen 1,3 und 2,9 nach 12/2020 deutlich ab. Die SDR im Juli in Chemnitz wurde aufgrund der hohen Zahl ungeimpfter Personen mit bekannter bestätigter SARS-CoV-2-Infektion wahrscheinlich überschätzt. Die Tendenz zu einer geringeren Untererfassung während der letzten Phase der Pandemie könnte darauf zurückzuführen sein, dass sich die Kriterien für den Anspruch auf und die Strategie für PCR-Tests sowie die Kapazitäten in Deutschland im Laufe der Zeit geändert haben, wobei letztere insbesondere nach 04/2020 und 12/2020 erhöht wurden (19, 20).

In den meisten Regionen lag die IFR in unseren Studienorten zwischen 1 % und 2,4 %, wobei der Unterschied hauptsächlich auf die Altersstruktur der Infizierten in diesen Orten zurückzuführen ist. Dies drückt sich auch in der altersspezifischen IFR der Studienorte aus, die mit früheren Schätzungen übereinstimmt (16). Die niedrige Schätzung der Gesamtinfektionssterblichkeit in Magdeburg (11/2020) erklärt sich größtenteils durch die Seroprävalenz, die den frühen Anstieg der Fälle während der zweiten Welle widerspiegelt, und durch unseren Stichtag für gemeldete Todesfälle, der zu früh lag, um die tatsächliche IFR zu zeigen. Hätten wir stattdessen einen Stichtag für gemeldete Todesfälle Ende Dezember gewählt, hätte die IFR mit den anderen Ergebnissen übereingestimmt und über 1 % gelegen (18).

Unsere Ergebnisse deuten darauf hin, dass ein niedriger Bildungsstand einer der wenigen Faktoren ist, die das Risiko einer Seropositivität erhöhen. Es hat sich gezeigt, dass ein niedrigerer Bildungsstand Barrieren hinsichtlich häuslicher Isolation schafft (21), wahrscheinlich, weil damit ein niedriger sozioökonomischer Status einhergeht und in bestimmten Berufsfeldern kein Arbeiten im Homeoffice möglich ist (22).

Wie frühere Studien zeigten (23), war die Seroprävalenz unter Rauchern niedriger als unter Nichtrauchern. Für die Infizierten ist Rauchen jedoch ein Risikofaktor für einen schwereren Krankheitsverlauf (24). Es ist möglich, dass dieses Ergebnis auf einen Selektionsbias zurückzuführen ist, da der Anteil der Raucher in unserer Studie insgesamt niedriger ist als in der deutschen Gesamtbevölkerung. Das bedeutet, dass sich unter den von uns rekrutierten Rauchern möglicherweise mehr gesundheitsbewusste Personen befinden mit einem geringeren Risiko, sich mit SARS-CoV-2 zu infizieren.

Mit einer nnq von 8,5 belegen wir eine hohe Effizienz bei der Ermittlung von Kontaktpersonen. Dies steht im Einklang mit Schätzungen der Sekundärinfektionsraten von 7,2 % bei denjenigen, die nicht im selben Haushalt leben, gegenüber 13,0 % bei denjenigen, die im selben Haushalt leben (16). Im Vergleich zur nnq der bevölkerungsweiten Kontaktmaßnahmen ist dieser Wert niedrig. Es gibt nur wenige Belege dafür, wie sich dies im Vergleich zu anderen Ländern darstellt, unterstreicht aber die wichtige Rolle einer effizienten Kontaktverfolgung während der Pandemie (25, 26, 27).

Zu den Stärken unserer Studie gehören die Größe der Stichprobe, der ortsübergreifende Ansatz und die Erhebungsstrategie. Zu den Limitationen zählt die aufeinanderfolgende Beprobung in den Orten; wir haben die Seroprävalenz nicht an allen Orten gleichzeitig gemessen. Die Messung der Untererfassung nach 12/2020 könnte überschätzt werden, da wir die Selbstselektion der Teilnehmenden mit Wissen oder Verdacht auf eine SARS-CoV-2-Infektion nicht berücksichtigt haben. Der Anteil der seropositiven Teilnehmenden, die auch einen positiven Test berichteten, deutet auf einen stärkeren Antikörperverlust in Regionen hin, in denen die zweite Probenahme nach einem größeren Zeitabstand erfolgte. Eine weitere Einschränkung besteht darin, dass unsere Ergebnisse nur für die erwachsene deutschsprachige Bevölkerung verallgemeinert werden können, da alle Studienmaterialien nur auf Deutsch verfügbar waren und wir nur erwachsene Personen einbezogen haben.

Wir haben Ergebnisse einer großen SARS-CoV-2-Seroprävalenzstudie in Deutschland vorgestellt, die eine niedrige Seroprävalenz von 07 bis 12/2020 und erhebliche zusätzliche Infektionen von 10/2020 bis 08/2021 zeigt. Der Untererfassungsfaktor ging nach 12/2020 zurück. Die IFR war in den meisten Regionen > 1 % und besonders hoch bei älteren Menschen. Angesichts der Heterogenität der altersspezifischen und regionalen Untererfassungsschätzungen empfehlen wir, Infrastrukturen, die Echtzeitschätzungen der bevölkerungsbezogenen Infektionsaktivität ermöglichen, aufzubauen, und in Modellierungen regionale altersspezifische Untererfassungsschätzungen einzubeziehen, um die Infektionsdynamik vorherzusagen.

Etikvotum
Wir erhielten am 21. 6. 2020 ein positives Votum der Ethikkommission der Medizinischen Hochschule Hannover (9086_BO_S_2020).

Danksagung

Wir bedanken uns herzlich bei den Landkreisen und Stadtkreisen für die Unterstützung unserer Studie und die gute Zusammenarbeit. Darüber hinaus danken wir unseren Kolleginnen Anne Ulrike Marzian, Angelika Rath, Christina Suckel und Nicole Grupe für die Dateneingabe und die Beantwortung der Fragen und Anliegen der Teilnehmenden, Astrid Hans für die administrative Unterstützung und Neha Warikoo für die Softwareunterstützung. Wir schätzen die Arbeit unserer Kolleginnen und Kollegen in den Laboren in Plauen und Osnabrück. Zudem danken wir Kevin Grigorian und der Johanniter-Unfall-Hilfe sowie Tim Balz und BOS112 für die Zusammenarbeit mit uns. Wir sind dankbar für die hervorragende technische Unterstützung von IPSOS bei der Terminvereinbarung. Unser größter Dank gilt allen Teilnehmenden, die ihr Blut und ihre Zeit gespendet haben.

Finanzierung

Diese Arbeit wurde von der Helmholtz-Gemeinschaft, dem Forschungs- und Innovationsprogramm Horizont 2020 der Europäischen Union (Förderkennzeichen 101003480) und aus internen Mitteln des HZI unterstützt. Der Serohub zum Aufbau eines Repositoriums zur gemeinsamen Nutzung von Daten aus Seroprävalenzstudien für SARS-CoV-2 (www.serohub.net) wurde vom Deutschen Zentrum für Infektionsforschung (DZIF) sowie vom Netzwerk für Universitätsmedizin (NUM) unterstützt.

Erklärung zur gemeinsamen Nutzung von Daten

Die für diese Studie verwendeten Daten können anderen akademisch Forschenden anonymisiert zur Verfügung gestellt werden. Folgende Datenvariablen werden dem Antragsteller zur Verfügung gestellt: Informationen über den Studienort, den Rekrutierungsstatus, Informationen über den Aufsatz, die Art der Bioprobe, demografische Informationen, selbst ausgefüllte diagnostische Anamnesen und Seroprävalenztestergebnisse. Für weitere Einzelheiten wenden Sie sich bitte an [e-mail]. Akademische Einrichtungen können die Daten über [e-mail] beantragen. Der Serohub ist die virtuelle Seroprävalenz-Forschungsumgebung, die fallbezogene Informationen der MuSPAD-Studie und anderer (inter-)nationaler Studien speichert. Das Antragsverfahren umfasst die Überprüfung der angestrebten Forschungsfrage und der Forschungsmethode. Nach der Genehmigung wird dem Antragsteller ein Link zur gemeinsamen Nutzung der Daten zugesandt. Die gemeinsam genutzten Daten entsprechen den internationalen Datenstandards (weitere Einzelheiten finden Sie unter www.covid19dataportal.org/support-data-sharing-covid19 im csv-Format).

Interessenkonflikt
Die Autoren erklären, dass kein Interessenkonflikt besteht.

Manuskriptdaten
eingereicht: 10. 5. 2021, revidierte Fassung angenommen: 8. 10. 2021

Anschrift für die Verfasser
Daniela Gornyk
Helmholtz-Zentrum für Infektionsforschung
Abteilung für Epidemiologie
Inhoffenstraße 7
38124 Braunschweig

Zitierweise
Gornyk D, Harries M, Glöckner S, Strengert M, Kerrinnes T, Heise JK, Maaß H, Ortmann J, Kessel B, Kemmling Y, Lange B, Krause G, on behalf of the MuSPAD Team: SARS-CoV-2 seroprevalence in Germany—a population-based sequential study in seven regions. Dtsch Arztebl Int 2021; 118. DOI: 10.3238/arztebl.m2021.0364 (online first).

Dieser Beitrag erschien online am 4. 11. 2021 (online first) unter www.aerzteblatt.de

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

Zusatzmaterial
eLiteratur, eGrafik, eSupplement:
www.aerzteblatt.de/m2021.0364 oder über QR-Code

Literatur

1. Vanella P, Basellini U, Lange B: Assessing excess mortality in times of pandemics based on principal component analysis of weekly mortality data—the case of COVID-19. Genus 2021; 77: 16

2. Statistisches Bundesamt: Number of deaths and excess mortality www.destatis.de/EN/Themes/Cross-Section/Corona/Society/population_death.html2021 (last accessed on 30 July 2021).

3. Pritsch M, Radon K, Bakuli A, et al.: Prevalence and risk factors of infection in the representative COVID-19 cohort Munich. Int J Environ Res Public Health 2021; 18: 3572

4. Santos-Hovener C, Neuhauser HK, Rosario AS, et al.: Serology- and PCR-based cumulative incidence of SARS-CoV-2 infection in adults in a successfully contained early hotspot (CoMoLo study), Germany, May to June 2020. Euro Surveill 2020; 25: 2001752

5. Streeck H, Schulte B, Kümmerer BM, et al.: Infection fatality rate of SARS-CoV2 in a super-spreading event in Germany. Nat Commun 2020; 11: 1–12

6. Fischer B, Knabbe C, Vollmer T: SARS-CoV-2 IgG seroprevalence in blood donors located in three different federal states, Germany, March to June 2020. Euro Surveill 2020; 25: 2001285

7. Aziz NA, Corman VM, Echterhoff AK, et al.: Seroprevalence and correlates of SARS-CoV-2 neutralizing antibodies from a population-based study in Bonn, Germany. Nat Commun 2021; 12: 1–10

8. Pan X, Chen D, Xia Y, et al.: Asymptomatic cases in a family cluster with SARS-CoV-2 infection. Lancet Infect Dis 2020; 20: 410–1

9. Rothe C, Schunk M, Sothmann P, et al.: Transmission of 2019-nCoV infection from an asymptomatic contact in Germany. NEJM 2020; 382: 970–1

10. World Health Organization: Population-based age-stratified seroepidemiological investigation protocol for coronavirus 2019 (COVID-19) infection. World Health Organization 2020.

11. von Elm E, Altman DG, Egger M, et al.: The Strengthening the Reporting of Observational studies in Epidemiology (STROBE) statement: guidelines for reporting observational studies. J Clin Epidemiol 2008; 61: 344–9

12. Winkler V, Leitzmann M, Obi N, et al.: Response in individuals with and without foreign background and application to the National Cohort in Germany: which factors have an effect? Int J Public Health 2014; 59: 555–63

13. Helmholtz-Zentrum für Infektionsforschung: Prospective assessment of Incident health events-App. www.info-pia.de/ (last accessed on 14 April 2021).

14. Statistische Ämter des Bundes und der Länder: Bevölkerung nach Geschlecht und Altersjahren (79) – Stichtag 31.12. – (ab 2011) regionale Tiefe: Kreise und krfr. Städte. www.regionalstatistik.de/genesis/online (last accessed on 8 March 2021).

15. Gelman A, Carpenter B: Bayesian analysis of tests with unknown specificity and sensitivity. J R Stat Soc Series C 2020; 69: 1269–83

16. Wymant C, Ferretti L, Tsallis D, et al.: The epidemiological impact of the NHS COVID-19 App. Nature 2021; 594: 408–12

17. Hippich M, Holthaus L, Assfalg R, et al.: A public health antibody screening indicates a 6-fold higher SARS-CoV-2 exposure rate than reported cases in children. Med (N Y) 2021; 2: 149–63.e4

18. Poethko-Müller C, Prütz F, Buttmann-Schweiger N, Fiebig J, Sarganas G, et al.: German and international studies on SARS-CoV-2 seroprevalence. J Health Monit 2020; 5(S4): 2–15.

19. Levin AT, Hanage WP, Owusu-Boaitey N, Cochran KB, Walsh SP, Meyerowitz-Katz G: Assessing the age specificity of infection fatality rates for COVID-19: systematic review, meta-analysis, and public policy implications. Eur J Epidemiol 2020; 35: 1123–38

20. Robert Koch-Institut: SARS-CoV-2 Auswertungen und Daten. www.ars.rki.de/Content/COVID19/Reports.aspx 2021(last accessed on 30 July 2021).

21. Sy KTL, Martinez ME, Rader B, White LF: Socioeconomic disparities in subway use and COVID-19 outcomes in New York City. Am J Epidemiol 2020; 190: 1234–42

22. Bezerra ACV, Silva CEMD, Soares FRG, Silva JAMD: Factors associated with people‘s behavior in social isolation during the COVID-19 pandemic. Cien Saude Colet 2020; 25: 2411–21

23. Farsalinos K, Barbouni A, Poulas K, Polosa R, Caponnetto P, Niaura R: Current smoking, former smoking, and adverse outcome among hospitalized COVID-19 patients: a systematic review and meta-analysis. TACD 2020; 11: 2040622320935765

24. Reddy RK, Charles WN, Sklavounos A, Dutt A, Seed PT, Khajuria A: The effect of smoking on COVID 19 severity: a systematic review and meta analysis. J Med Virol 2021; 93: 1045–56

25. Quilty BJ, Clifford S, Hellewell J, et al.: Quarantine and testing strategies in contact tracing for SARS-CoV-2: a modelling study. Lancet Public Health 2021; 6: e175–e83

26. Bradshaw WJ, Alley EC, Huggins JH, Lloyd AL, Esvelt KM: Bidirectional contact tracing could dramatically improve COVID-19 control. Nat Commun 2021; 12: 1–9

27. Kretzschmar ME, Rozhnova G, van Boven M: Isolation and contact tracing can tip the scale to containment of COVID-19 in populations with social distancing. Front Phys 2021; 8: 677

e1. EUROIMMUN Medizinische Labordiagnostika AG: Anti-SARS-CoV-2 ELISA (IgG). www.coronavirus-diagnostics.com/documents/Indications/Infections/Coronavirus/EI_2606_D_UK_A.pdf (last accessed on 17 December 2020).

e2. Patel EU, Bloch EM, Clarke W, et al.: Comparative performance of five commercially available serologic assays to detect antibodies to SARS-CoV-2 and identify individuals with high neutralizing titers. J Clin Microbiol 2021; 59

e3. Stan Development Team: RStan: the R interface to Stan. R package version 2.21.2. http://mc-stan.org/ 2020 (last accessed on 22 October 2021).

e4. Meredith M, Kruschke J: HDInterval: highest (posterior) density intervals. R package version 0.2.2. https://CRAN.R-project.org/package=HDInterval 2020 (last accessed on 22 October 2021).