Prof. Dr. Christof Kuhbandner von der Universität Regensburg und Prof. Dr. Matthias Reitzner von der Universität Osnabrück veröffentlichten in Royal Society Open Science (2025) den Artikel „Regional patterns of excess mortality in Germany during the COVID-19 pandemic: A state-level analysis” (Regionale Muster der Übersterblichkeit in Deutschland während der COVID-19-Pandemie: Eine Analyse auf Bundesländerebene).

Mithilfe versicherungsmathematischer Lebenserwartungstabellen und bevölkerungsbereinigter Modelle zur erwarteten Sterblichkeit untersuchten die Autoren die Übersterblichkeit in den 16 Bundesländern Deutschlands von April 2020 bis März 2023, um festzustellen, welche Faktoren – COVID-19-Infektionen, Todesfälle, Impfquoten, Demografie oder Politik – die Sterblichkeitsmuster am besten erklären. Ihre umstrittenste Erkenntnis: Im dritten Pandemiejahr stieg die Übersterblichkeit stark an, während die COVID-19-Todesfälle zurückgingen, was zu einer statistischen Entkopplung führte, die positiv mit den Impfquoten korrelierte, selbst nach Bereinigung um die Sterblichkeit des Vorjahres. Obwohl kein Kausalzusammenhang festgestellt wurde, sind die Korrelationen dennoch beunruhigend.

Studienkonzept: Übersterblichkeit auf Ebene der Bundesstaaten in drei „Pandemiejahren“

Diese beobachtende Modellstudie analysierte Mortalitätsdaten für drei Zeiträume:

• P1: April 2020 bis März 2021
• P2: April 2021 bis März 2022
• P3: April 2022 bis März 2023

Die Forscher berechneten die erwarteten Todesfälle anhand der Sterbetafeln für 2017–2019, wandten Korrekturfaktoren für die Sterblichkeit auf Bundes- und Landesebene an und setzten die Übersterblichkeit in Beziehung zu: COVID-19-Todesfällen, PCR-bestätigten Fällen, Impfquoten (zwei- und dreifach), Altersstruktur, Armut, BIP, Vertrauen in Institutionen und Strenge der Politik. Die Autoren verwendeten außerdem Change-Score-Modelle und ANCOVA, um zeitinvariante Störfaktoren und die Übersterblichkeit des Vorjahres zu kontrollieren.

Ergebnisse: Korrelation zwischen frühen COVID-Todesfällen, später Entkopplung und ein Impfstoff-Paradoxon

1. Die ersten zwei Jahre: Die Übersterblichkeit korrelierte stark mit den COVID-19-Todesfällen (r = 0,96 und r = 0,89). Dennoch überstiegen die COVID-19-Todesfälle die Übersterblichkeit bei weitem (z.B. 78.185 COVID-Todesfälle gegenüber 22.405 Übersterblichkeits-Todesfällen in P1). Die Studie nennt Fehlklassifikationen oder Auswirkungen der Pandemie-Maßnahmen als mögliche Erklärungen.

2. Drittes Jahr: Es trat ein „neuer Antriebsfaktor” auf. Die COVID-19-Todesfälle gingen zurück, die Infektionen sanken, aber die Übersterblichkeit stieg von ~26.973 auf ~78.493. Die Korrelationen mit den COVID-19-Ergebnissen lösten sich auf (r = 0,32, ns).

3. Korrelation mit Impfungen:

• In P3 korrelierten höhere Impfquoten mit einer höheren Übersterblichkeit (r = 0,65, p = 0,006).
• Die Change-Score-Analyse für P2→P3 ergab r = 0,93, p < 0,001, selbst nach Bereinigung um die vorherige Sterblichkeit.
• In Bundesstaaten mit höheren Impfquoten war auch ein geringerer Rückgang der COVID-19-Todesfälle und der Letalitätsraten zu verzeichnen.

Die Autoren weisen wiederholt darauf hin, dass Korrelation nicht gleichbedeutend mit Kausalität ist und dass versteckte Störfaktoren weiterhin möglich sind. Statistisch gesehen war die Impfung jedoch der einzige konsistente Prädiktor für eine erhöhte Übersterblichkeit im dritten Jahr.

Voreingenommenheit und Interpretation: Wo die Studie vorantreibt – und wo sie sich zurückzieht

Stärken:

• Transparente Methodik, vollständig basierend auf Bundesstatistiken.
• Behandelt zeitinvariante Störfaktoren rigoros mithilfe von versicherungsmathematischen Modellen und ANCOVA.

Mögliche Signale für Voreingenommenheit (TSN Bias Meter)

• Framing-Verzerrung: Obwohl die Autoren keine Kausalität behaupten, betont der Artikel stark die paradoxe positive Korrelation mit Impfstoffen, während alternative Hypothesen für die Sterblichkeit im dritten Jahr (z.B. verzögerte medizinische Versorgung, Belastung des Gesundheitswesens, Klimaextreme, Sequenzierungsverzerrungen) weniger Gewicht erhalten.
• Selektive Kontextualisierung: Die Diskussion stellt Daten aus randomisierten Studien zur Gesamtmortalität in den Vordergrund, die mRNA-Impfstoffe kritisch betrachten, und zitiert Mortalitätsanalysen, die in der Mainstream-Epidemiologie umstritten sind.
• Zu wenig diskutierte Nenner: Es ist bekannt, dass sich die Validität der PCR-bestätigten „Infektionsraten” und der administrativen COVID-19-Todesfallzahlen nach 2022 verschieben wird, dennoch behandeln die Autoren sie als stabile Vergleichskennzahlen.

Haben die Autoren also einen Zusammenhang zwischen Impfungen und überhöhter Sterblichkeit untersucht?

Ja – direkt, umfassend und wiederholt. Die Studie analysiert ausdrücklich die Impfquoten als Prädiktor für überhöhte Sterblichkeit, findet statistisch signifikante positive Zusammenhänge im dritten Jahr und kommt zu dem Schluss, dass dieses Muster „die Notwendigkeit einer dringenden Untersuchung potenzieller unbeabsichtigter Auswirkungen von Impfungen oder anderer bisher vernachlässigter Sterblichkeitsfaktoren unterstreicht“.

Fazit

Diese Studie liefert moderat starke Belege für einen unerwarteten, statistisch robusten Zusammenhang zwischen Impfquoten und Übersterblichkeit im dritten Pandemiejahr in Deutschland – ohne jedoch einen Kausalzusammenhang herzustellen. Ihr wichtigster Beitrag ist methodischer Natur: Sie hebt eine Entkopplung zwischen COVID-19-Todesfällen und Übersterblichkeit nach 2022 hervor und fordert neue Untersuchungsansätze. Ihre größte Einschränkung ist interpretativer Natur: Korrelationsmuster sind keine Erklärungen, und die Fragestellung tendiert zu impfstoffzentrierten Hypothesen, während alternative Ursachen nur teilweise untersucht werden.

Zusammenfassend lässt sich sagen, dass die Studie berechtigte Bedenken aufwirft – diese jedoch nicht ausräumt – und eine tiefgreifendere, multidisziplinäre Untersuchung des Anstiegs der Übersterblichkeit in Deutschland in den Jahren 2022–2023 fordert.

TrialSite Evidence Strength Indicator™ 2.0

• Methodische Stringenz. Punkte: 7/10 – Starke versicherungsmathematische Modellierung. Ökologische Korrelationen schränken kausale Schlussfolgerungen ein.
• Konsistenz und Effektgröße. Punkte: 6/10 – Große Effektgrößen in P3, aber inkonsistent über die Jahre hinweg.
• Externe Validität. Punkte: 5/10 – Ökologische Daten auf Bundesstaatenebene, Verallgemeinerbarkeit ungewiss.
• Index der Folgen für den Menschen. Punkte: 8/10 – Hoher Einsatz. Ergebnisse könnten sich auf die Politik zur Impfstoffsicherheit auswirken.
• Pluralismus-Index. Punkte: 5/10 – Begrenzte Untersuchung von Erklärungen für die P3-Mortalität, die nicht mit Impfstoffen zusammenhängen.
• Transparenz und Offenlegung. Punkte: 9/10 – Vollständige offene Daten, klare Methodik, Offenlegung der KI.
• Zusammenfassung („gewichtet“). Punkte: 6,5/10 (~65 %) – Wichtige Signale, Kausalität nicht bewiesen, weitere Untersuchungen erforderlich.

Quelle: TS News

Telegram zensiert nicht! Wenn du diese Information wichtig findest, kannst du Legitim auf Telegram kostenlos abonnieren: hier anmelden (Telegram herunterladen)