Die identifizierten Spektakulärer Aufstieg van plotselinge en onverwachte Duitse overlijdens in 2021 zou voortkomen uit fouten in de data. Het waren op het oog zeker onwaarschijnlijk sensationele cijfers en tegelijkertijd: als iets zo weinig voorkomt als 'sudden death', dan zie je al snel verdubbelingen of meer als er ook maar iets beweegt op dat vlak. Daarbij: de data waren afkomstig van een excellent overheidsinstituut en de betrokken analist Tom Lausen is uitstekend thuis in de materie. Diverse onafhankelijke reviews bevestigden zijn bevindingen in grote lijnen.
Natuurlijk werd er ook hevig gesputterd: diverse factchecks komen niet verder dan dat de analyse van Tom Lausen niet klopte en dat de cijfers niet bedoeld waren voor zo'n analyse. Ook wordt beweerd dat de data opzettelijk op een manier zijn opgevraagd die alleen maar tot dit resultaat kon leiden. Kortom: paniek bij veel factcheckers, Ausnahmen Abgesehen davon.
Aber: Es scheint etwas los zu sein. Wo sind wir darauf hereingefallen? Haben wir uns wirklich auf etwas eingelassen? Dann überzeugen wir uns selbst.
Was genau wurde angefordert?
Drei Datenpakete wurden angefordert. Die ersten beiden Datenpakete waren erst 2021 versichert. Dies könnte daher keine Sterblichkeitszahlen aus früheren Jahren enthalten, was das Fehlen von Sterblichkeitscodes bis 2021 erklären würde. Aber beim dritten Paket ging es wirklich um alle Versicherten 2016-2021.
U draagt zorg voor toezending van een uitsplitsing van de frequentie van alle ICD-codes van alle verzekerden - exclusief de verzekerden uit pakket 1 - voor de periode 2016 tot en met 2021, indien beschikbaar ook voor 2022, naar kwartalen. De gegevens moeten worden opgevraagd met V en G.
Anforderung von Bestätigungsdaten
Paket 3. Sie beantragen die Übermittlung einer Auf,istung der Häufigkeit aller ICD-Codes aller Versicherten - ohne die Versichtertenmenge aus Paket 1 - für de Zeitraum 2016 bis 2021, falls anteilig vorliegend auch für 2022, nach Quartalen. Die Datenabfrage soll mit V und G erfolgen.
Er wordt nu beweerd dat pakket 3 onvolledig is geleverd: De verzekerden die al voor 2021 waren overleden, zaten er niet bij, het zou alleen personen bevatten die in 2021 nog als verzekerde waren geregistreerd. Die konden dus geen sterftecodes hebben in 2016-2020... Vandaar de absurde verschillen met 2021. Moedwil of misverstand, dat laten we in het midden.
Doch auch das stimmt nicht.
Wir gehen für einen Moment davon aus, dass die Daten tatsächlich Menschen betrafen, die im Jahr 2021 noch am Leben waren. Offenbar wurde der 1. Januar 2021 als Benchmark-Datum herangezogen. Wäre der 31. Dezember gewählt worden, wäre zumindest nach dieser Argumentation kein Tod sichtbar gewesen. Schließlich können Sie davon ausgehen, dass jemand, der einmal verstorben ist, nicht mehr als versicherte Person gilt. Am 31. Dezember wurden alle in diesem Jahr verstorbenen Personen als Versicherte abgemeldet. Dann haben Sie nichts mehr zu berichten, wenn Sie geradlinig genug denken.
Wenn jemand, der die Daten erheben musste, das erkannt hat, fällt zumindest auf, dass er 2016-2020 nicht mitgenommen oder aber gefragt hat, was die Absicht war.
Vor diesem Hintergrund zeigt die Gesamtgrafik etwas Seltsames:
Unter den Menschen, die 2021 noch am Leben waren, starben 2016-2020 anderthalb Mal so viele wie 2021 selbst.
Lesen Sie das noch einmal.
Dit wordt door experts gemakshalve verklaard als 'invoerfout'. Daarvoor hebben we begrip; de vaccins kunnen het immers niet zijn. Maar dan betreft het wel een invoerfout die steeds makkelijker werd gemaakt, getuige de licht stijgende tendens van 2016-2019. We mogen ervan uitgaan dat die trend in 2021 doorzette. Dan is dus ca. 40% van de door het Paul Ehrlich Instituut geleverde data van 2021 gewoon fake want er is geen reden om aan te nemen dat die invoerfouten daar plotseling niet meer voorkwamen...
En als data van de jaren vóór 2021 overledenen überhaupt niet meegeleverd zijn, waar komen die 'invoerfouten' dan eigenlijk vandaan!?
40% 'invoerfouten', is dat zelfs voor de medische industrie niet erg veel?
Wenn es an der Quelle falsch eingegeben wird, ist es nicht leicht herauszufinden. Diese Quelle sind die Ärzte: Es handelt sich um Ansprüche (Kostenberichte), die Ärzte an Versicherer senden. Deshalb denken wir auch an Betrug statt an Fehler. Ärzte hätten bewusst mehr Handlungen aufgegeben, als sie tatsächlich durchführten. Dies wirft auch Fragen und Einwände auf:
- Het gaat hier niet om handelingen, het zijn overlijdensomstandigheden, zoals "overleden zonder andere aanwezigen"
- Krijgen artsen extra geld uitgekeerd als iemand overlijdt zonder andere aanwezigen...?
- Wenn Sie als Arzt etwas steigern wollen, tun Sie dies mit dem plötzlichen Tod Ihrer eigenen Patienten (Ihr Kundenstamm, Sie reduzieren Ihre Praxis) oder ticken Sie extra eingewachsene Zehennägel, Stiche oder Ohren- und Augeninfektionen? Es gibt zweifellos weniger drastische, häufigere, zeitaufwändigere Handlungen als die Beobachtung eines plötzlichen Todes, der nicht mehr durchgeführt werden kann.
Ist es manchmal mit den Krankenkassen oder mit dem Bundesschirm?
Ein weiterer Punkt der Verschmutzung können die Krankenkassen selbst sein. Sie dürfen keine Megagewinne machen, so dass sie Kosten verursachen könnten, um die Prämien auf dem neuesten Stand zu halten. Selbst dann scheinen Todesfälle nicht der geeignete Kostenposten zu sein, zumindest wenn Sie es nicht hervorheben wollen.
Zurück zur Frage: Wie kommt diese enorme Verschmutzung in die Daten? Liegt die Schuld vielleicht am Forschungsinstitut für Impfstoffe und Biomedizin, dem Paul-Ehrluch-Institut, das alle Daten gesammelt hat? Kardinalfehler werden auch an Instituten gemacht, die wir an unseren eigenen Instituten immer wieder gesehen haben.
Het is goed om te beseffen dat de situatie in Duitsland anders is dan in NL: Een 'federaal' instituut verzamelt daar de data van de bondsstaten. Elke bondsstaat heeft een eigen zorgverzekeraar ofwel 'Kassenärtzlichen Vereinigung' (NRW heeft er twee). Er zijn dus 17 KV's, verenigd in een Bundesvereinigung.
Faktor 17
Wenn das Bundesinstitut fälschlicherweise Daten von allen bis auf eines der Institute angefordert hat, könnte dies diese Grafik erklären.
Dann gibt es ein Institut, das auch 2016-2019 weitergegeben hat, daher kommt diese Handvoll Daten. Die restlichen sechzehn haben erst 2021 eingereicht.
Indikation
Kann das jemals rekonstruiert werden? Das Institut mag die Frage direkt weitergeleitet haben und nur 1 der Siebzehn verstand die Frage so, wie sie beabsichtigt war, der Rest nur auf Autopilot (nach Paket 1 und Paket 2) stellte sich auch Paket drei nur für 2021 heraus.
Beim Zusammenführen der Daten gibt es wieder keine Aufmerksamkeit. Ein datenverantwortliches Regierungsinstitut sollte darauf achten, dass Datensätze nicht konsistent zusammengestellt werden. Gen-Input-Kontrolle? Keine Ausgangsregelung?
Dieser Faktor von 17 sollte dann mehr oder weniger auch für andere Kodizes gelten. Wir haben einen Faktor von 16,7 gesehen, was damit übereinstimmt. Bei den anderen Codes sollte dies mehr oder weniger der Fall sein. Mit einer gewissen Marge sollten sie in der Größenordnung zwischen 15 und 20 liegen.
Das ist nicht der Fall. Die Faktoren dort sind ca. 10, 6 und 3 (nur Faktor 3 Grafik gezeigt, 293% um genau zu sein). Keineswegs ein Faktor von 17 und die Bundesländer werden nicht so unterschiedlich sein, oder?
Faktor 0,2
Soviel zu den absurden Unterschieden. Schauen wir uns Code I46.1 an: Tod durch plötzliche Herzinsuffizienz, dan is het verschil ineens slechts zo'n 20% met 2020. Welke systeemfout of 'invoerfout' kan er nu weer zijn gemaakt? Plotseling hartfalen is een echte doodsoorzaak, de andere Codes zijn omstandigheden, misschien is dat anders behandeld? Deze code is ook later toegevoegd.
Wäre dies die einzige Grafik, in der die Jahre 2016-2020 korrekt enthalten sind? In jedem Fall erscheint eine Steigerung von 15-20% glaubwürdiger als eine von 1700%. Die Botschaft wird nicht weniger dringlich: Untersucht das! (und in der Zwischenzeit stoppen Sie diese Impfung auf nichts).
Wie funktionieren andere I.46-Codes?
Herzpositionen mit erfolgreicher Reanimation (I46.0) entsprechen dem normalen Trend. Daten scheinen wirklich in Ordnung zu sein.
Daarnaast is er een categorie "Herzstillstand, nicht spezifiziert." Daarin zien we bijna dezelfde jump als in Tod durch plötzliche Herzinsuffizienz.
Inwiefern die verschiedenen Kategorien Doppelungen oder Überschneidungen sind, weiß ich nicht, nicht jedes Datenbankdesign ist gleichermaßen schlüssig.
Diese Diagramme werden generiert am https://corih.de/KBV-Daten/index.php?ohneuberhang=1&uberproz=0&mind=0&icd=I46
Die Quartale 2021 stimmen
Die Daten für 2021 scheinen ebenfalls korrekt zu sein. Schauen Sie sich also nur die roten Balken in den Grafiken unten an: Jeder Balken ist ein Quartal 2021, der dunkelrote ist Q1 2022.
In allen Kategorien fällt der größte Schlag sofort im ersten Quartal 2021, danach fallen die Zahlen in Q2 zurück und steigen von dort aus wieder in Q3 und Q4.
Wenn es irgendwelche Ideen gibt, wie verzögerte Pflege, Lockdowns oder Long Covid dies verursachen können, würde ich gerne von Ihnen hören. Bei Impfungen fällt mir etwas ein: Die Schwächsten wurden zuerst gestochen. Deutschland hat damit Ende Dezember 2020 begonnen.
von anderen Personen
Wie entwickelt sich das?
Ich bin sehr gespannt auf die ganze Geschichte, mit der alle oben genannten Fragen beantwortet werden:
- Wie landet die Verschmutzung im Datensatz?
- Wie kann sich die Fehleranfälligkeit (Verschmutzungsgrad) je nach Code so stark unterscheiden?
- Wie können einige Schadstoffe einen stabilen/absteigenden Trend zeigen und andere einen steigenden Trend?
- Wenn die Daten nicht vollständig wären, sind die Daten aus dem I46.1 (plötzlicher Herztod) korrekt?
Bevor wir weiter spekulieren: Zunächst Transparenz und offene Daten, damit wir mit gezielter unabhängiger Forschung herausfinden können, ob die Impfungen überhaupt etwas damit zu tun haben. Es liegen hinreichende Indizien vor.
"... der größte Schlag sofort im ersten Quartal 2021, danach fallen die Zahlen in Q2 zurück und steigen von dort aus wieder in Q3 und Q4 .... Wenn es Ideen gibt, wie verzögerte Pflege, Lockdowns oder Long Covid dies verursachen können, würde ich gerne von Ihnen hören. "
Ich denke, es gibt viele Variablen. Die Alfa-Variante dominierte vor allem in Q1. Die Ansteckungsrate stieg schnell auf 50% an und erwies sich gleichzeitig als viel widerlicher als die vorherige Variante, insbesondere B.1.1.7.
Danach kam Delta als dominant, aber zu diesem Zeitpunkt haben Sie mögliche Einflüsse von Impfungen und Lockdown, Aufbau von Resistenzen und so weiter. Für mich ist der Anstieg in Q3 rätselhafter.
Ein weiteres Problem bei Q1s sind manchmal Nachwirkungen vom Ende des 4. Quartals des Vorjahres. Menschen werden in einem Q1 häufiger krank, gerade weil in Q4, Winter, Essen, zu Hause sitzen usw. viel Widerstand verschwindet.
Das sind nicht wirklich typische Variablen für Herzinsuffizienz oder "Weniger als 24 Stunden nach Beginn der Symptome, nicht anders angegeben". Wenn man sich frühere Q1's ansieht, sieht dieser ziemlich hell aus.
Ich fürchte, dass die Datenverschmutzung / falsche Eingabe eine plausible Erklärung ist.
Sie haben es mit Regierungsbehörden zu tun. Ich arbeite auch dafür, und wenn es irgendwo einen schlechten Deal mit Daten gibt, dann mit Regierungen. Warum tun sie nichts dagegen? Seit 20 Jahren biete ich Lösungen für einfache Registrierungen, die seit 20 Jahren aufgrund falscher Prozesse schief gehen und keine! Datenmanagement, ich habe Recht und die Leute lieben es, aber dann bekommen sie keinen Fuß auf den Boden und sie tun nichts.
Ein weiteres Problem könnte sein, dass durch die spontane Fokussierung auf Daten und Zahlen plötzlich jeder begonnen hat, ernstere Zahlen einzugeben. Zum Beispiel habe ich jahrelang Zahlen für CBS-Statistiken erfunden, weil die Anfrage nirgendwo in unseren Akten stand. Sie verlangten eine Antwort und bekamen eine, für die Quelle sind die Daten also wertlos. Und es gab nie einen Faktencheck durch CBS, indem zum Beispiel die Zahlen an anderer Stelle oder anderweitig angefordert wurden.
Und warum unternimmt die Regierung nie etwas dagegen oder will gar nichts dagegen tun? Erstens ist es für die Regierung sehr nützlich, keine guten Daten zu haben. (spart schwarze Tinte für Balken) Man kann dann (scheinbar) weiterhin problemlos Millionen verschwenden und niemand tut etwas dagegen oder versteht etwas davon. Zweitens ist dies der einfachste Weg, die Wahrheit zu vertuschen. Angenommen, die Impfung verursacht nur 5% mehr Todesfälle, was an sich schon schlimm genug ist, um natürlich aufzuhören. Aber wenn die Zahlen anfangen, so abzuweichen, wie sie es jetzt tun, werden sie unplausibel, und die "echten" 5% verschwinden aufgrund des Zusammenbruchs beispielsweise der 17%, wenn Tom Lausens Bericht in Bezug auf diese 17% untergraben werden kann. Wenn dann das Datenproblem bekannt wird, gelöst werden kann, muss er nicht mit den "echten" 5% zurückkommen. Die Glaubwürdigkeit ist verloren gegangen.
Die Regierung hält sich auch absichtlich dumm. Im Land der Blinden ist der Einäugige König. Zum Beispiel durch die Ernennung eines Managements, das nichts von den Inhalten weiß, und durch die systematische Förderung der echten Content-Experten in Sackgassen. Dies geschieht strukturell seit 2004 bei IenM, daher ein Skandal nach dem anderen oder Fehler und Budgetüberschreitungen in Millionenhöhe in einem Jahr. Schauen Sie sich auch den Stickstoffansatz, falsch platzierte Schnüffler und schlechte Daten an und dann ein Modell, das Sie genau so einstellen können, dass die Bauern, die Sie loswerden möchten, als Spitzen in der Karte angezeigt werden. Die Fischerei wird auch wieder durch falsche Daten usw. usw. an den Pranger gestellt. Daten sind eine Waffe gegen die Bevölkerung und sie werden überall eingesetzt. Und man muss einfach dumm sein dafür, die wichtigste Kompetenz, um Beamter zu sein, neben einer universitären Ausbildung im Klöppeln.
Sie bestätigen meinen schlimmsten Verdacht...
Typischerweise wird nun behauptet, dass diese Daten nicht geeignet seien, Rückschlüsse (in diesem Fall über die Entwicklung der Todesursachen) zu ziehen, während während der gesamten Pandemie die Anzahl der positiven Corona-Tests kritiklos wie eine repräsentative Stichprobe der Bevölkerung herangezogen wurde. Wenn die Daten vollständig sind (und wenn nicht, müssen sie einfach ergänzt werden), scheint mir, dass die Wahrscheinlichkeit einer Verzerrung in diesem Fall um ein Vielfaches geringer ist als bei Corona-Tests.
Ich kann mir übrigens gut vorstellen, dass die Daten nicht versehentlich falsch geliefert wurden. Indem man den Daten den Anschein eines unrealistisch starken Anstiegs gibt, wird die ganze Geschichte sofort verdächtig. Obwohl allein in Deutschland die Assoziation mit der AfD dafür eigentlich ausreicht.
Kerryn Phelps Top-Ärztin und Politikerin in Australien, schwer und dauerhaft (?) krank nach 2. Pfizer-Impfung. Enthüllte, dass Ärzte in ihrem Land unter Strafe hoher Geldstrafen und Verlust der Registrierung zensiert werden.
https://www.smh.com.au/politics/federal/not-anti-vaxxers-dr-kerryn-phelps-says-she-suffered-covid-vaccine-injury-calls-for-more-research-20221220-p5c7ry.html
Die "Top-Ärztin" Kerryn Phelps ist auch eine starke Befürworterin von Lockdowns, Impfungen und Mundmaskenpflicht, auch in Innenräumen. Im September 2022 forderte sie, alle strengen Covid-Maßnahmen wieder einzuführen!
Mit solch hart gelernten Medizinern passt kein Mitleid. Karma ist...
Ich habe den Artikel aus dem Herald übersetzt https://virusvaria.nl/oproep-van-australische-hardliner-met-vaccinschade-wij-zijn-geen-anti-vaxxers/
War der Grund für die Anonymisierung der niederländischen Übersterblichkeitsdaten vielleicht, um zu verhindern, dass die Niederländer über BSN-Zahlen herausfinden, dass nur einem kleinen Teil der niederländischen Politiker tatsächlich Spike-Protein-mRNA injiziert wurde, genau wie in Japan festgestellt wurde:
https://twitter.com/riseupandresist/status/1599160471046983680
Darüber hinaus müssen wir über die (Über-)Sterblichkeit hinausblicken; auch Zunahme der Krankheit selbst (Herz-Kreislauf, Lunge, Neuro, etc.).