Neue HVE-Studie ZonMW/LUMC: ein weiteres Tarnnetz über demselben Schlachtfeld

Er verschijnen met grote regelmaat nieuwe studies die claimen dat COVID-19-vaccinaties een "beschermend effect" hebben tegen oversterfte. Ook de nieuwste publicatie in Europäisches Journal für Epidemiologie (2026)¹De besproken publicatie: https://link.springer.com/article/10.1007/s10654-026-01414-1 volgt weer hetzelfde platgetreden pad. En ik ben bang dat er nog vele gaan volgen. De auteurs presenteren deze keer een complex "multi-state model", maar in hun eigen limitations en methodologische keuzes is lezen dat de conclusies van deze studie geen hout snijden. Ook in de bijlage wordt opmerkelijke methodologie beschreven. We kunnen deze studie in elk geval toevoegen aan de lijst van studies waarin gebreken worden benoemd maar niet geadresseerd. Er wordt simpelweg mee doorgerekend alsof ze niet bestaan.

De auteurs hadden de handdoek in de ring moeten gooien zodra ze de beroerde datakwaliteit in de gaten kregen. Maar ja, de subsidie was binnen, wat doe je dan? Dan redeneer je gewoon door naar de gewenste conclusies en maak je in de tekst terloops duidelijk dat de data ontoereikend waren.

Dus: daar gaan we weer. (Die witwas-PEC is toch oninteressant. Wel een kijktip: Rob Elens op 17 juni.)

1. Het "Healthy Vaccinee Effect" voor de zóveelste keer als blinde vlek

De auteurs delen mee dat hun vergelijking tussen gevaccineerden en ongevaccineerden fundamenteel vertekend is door het Healthy Vaccinee Wirkung (HVE):

"The healthy vaccinee bias likely also leads to some overestimation of the differences between the excess mortality risks from the (non-)recent infection states with and without prior vaccination."

"De vertekening door de gezonde gevaccineerden leidt waarschijnlijk ook tot enige overschatting van de verschillen tussen de oversterfterisico's bij (niet-)recente infecties met en zonder voorafgaande vaccinatie."

Met de term "enige overschatting" bagatelliseren ze een enorm probleem. Het is een understatement van jewelste. HVE betekent dat gezonde mensen zich laten vaccineren, terwijl de meest kwetsbaren (van wie vaak het levenseinde in zicht is) die stap niet meer maken of kunnen maken. Als je vervolgens een lagere sterfte ziet in de gevaccineerde groep, mis je dus die mensen. Je meet het effect van "gezond zijn" en "geen overlijden te verwachten", niet het effect van de injectie. Eigenlijk zie je de verhoogde sterfte in de groep ongevaccineerden, waarin immers mensen zijn ondergebracht die op korte termijn zouden gaan overlijden. De auteurs erkennen dit probleem in de limitations, maar gebruiken de resultaten desondanks gewoon 1:1 in hun conclusion om te claimen dat vaccinatie beschermt.

2. De "ongevaccineerde" groep is fictie

De definitie van wie "ongevaccineerd" is staat ook in dit onderzoek op losse schroeven.

"about 8–25% of those considered as the unvaccinated group in our dataset were actually vaccinated"

"Ongeveer 8-25% van degenen die in onze dataset als niet-gevaccineerd werden beschouwd, waren in werkelijkheid wel gevaccineerd."

Een misclassificatie in deze orde van grootte is fataal voor elk epidemiologisch onderzoek. Het is ruim 22% bij de 90-minners! (Die 8% geldt alleen voor de zeer kleine groep 90-plussers, die later nog blijkt te zijn opgepompt ook, zien we zo in de bijlagen).

Birthyear cohort	% vaccinated as reported by RIVM 5	% vaccinated based on our data (B)	% of vaccinated according to RIVM is recorded in our data (C=B/A (%))	% missed (D=A-C)	% not vaccinated according to RIVM (100-A)	% not vaccinated according to our data (E=100-B)	% misclassified among the ‘not vaccinated’ in our data (D/E (%))
<1931	89	88	99	1	11	12	8%
1931-1935	93	91	98	2	7	9	22%
1936-1940	94	92	98	2	6	8	25%
1941-1945	94	93	99	1	6	7	14%
1946-1950	94	92	98	2	6	8	25%
1951-1955	93	91	98	2	7	9	22%

De auteurs geven aan dat in een aantal verpleeghuizen de data ontbrak. Die bewoners zijn simpelweg als "ongevaccineerd" gelabeld. En daar stierven mensen, ook binnen twee weken na vaccinatie, de voorbeelden zijn bekend ("We waren nét te laat met vaccineren!") . Dit versterkt de bias: de ongevaccineerde groep bevat hierdoor disproportioneel veel hoog-risico patiënten.

Eigenlijk is dit al de genadeslag voor de betrouwbaarheid van de studie. De 'ongevaccineerde' groep is verworden tot een administratieve dumpplek voor de meest kwetsbare patiënten, terwijl de 'gevaccineerde' groep de gezonde overlevers bevat. Een vergelijking tussen deze twee groepen zegt daarom helemaal niets over de werking van het vaccin, maar alles over de mankementen in de registratie.

3. Hoe die ongevaccineerde groep nog meer vervuilde

De auteurs passen een wachttijd toe om de effectiviteit van het vaccin te berekenen, maar deze methodiek vertekent de all-cause mortality (sterfte door welke oorzaak dan ook) fundamenteel:

"As it takes some time to build up immunity after vaccination against SARS-CoV-2, we performed a sensitivity analysis with people changing their vaccination status 2 weeks after their actual vaccination date"

"Omdat het enige tijd duurt om immuniteit op te bouwen na vaccinatie tegen SARS-CoV-2, hebben we een gevoeligheidsanalyse uitgevoerd waarbij mensen hun vaccinatiestatus wijzigden 2 weken na hun werkelijke vaccinatiedatum."

De auteurs presenteren dit (altijd) als een correctie voor het vertragend effect van immuniteitsopbouw. Het is bepaald niet voor het eerst dat we dit filter toegepast zien worden. Want ook In deze studie, waar het om Gesamtmortalität gaat, doet de beschermende werking tegen een bepaalde ziekte er niet eens toe. Iedereen die in de eerste 14 dagen na de prik overlijdt - of dat nu door een bijwerking, een hartstilstand of een andere oorzaak is - wordt in het model nicht als "gevaccineerd" geteld. Ze blijven in de "ongevaccineerde" groep staan. Hierdoor creëert de studie een groep "gevaccineerden" die per definitie bestaat uit mensen die de eerste twee weken hebben overleefd. De slachtoffers van die eerste periode worden administratief bij de ongevaccineerden opgeteld, waardoor de gevaccineerde groep kunstmatig vele malen "gezonder" oogt dan de werkelijkheid. Vele malen, omdat een relatief klein aantal dat zo uit de grote groep gevaccineerden wordt weggefilterd, een substantieel deel uitmaakt van de veel kleinere groep ongevaccineerden.

4. Massale onderrapportage van natuurlijke immuniteit

Het model rust op een wankele basis van gedocumenteerde infecties:

"the cumulative incidence of infection in our cohort was only 9% at the end of 2021, showing that we missed quite some undocumented infections."

"De cumulatieve incidentie van infectie in onze cohort bedroeg eind 2021 slechts 9%, wat aantoont dat we een aanzienlijk aantal niet-gedocumenteerde infecties over het hoofd hebben gezien."

De werkelijke seroprevalentie lag rond de 26%. Dat betekent dat miljoenen mensen natuurlijke immuniteit hadden opgebouwd zonder dat dit in de data van de onderzoekers terechtkwam. Deze mensen worden in het model als "event-free" of "ongevaccineerd zonder infectie" behandeld. Hierdoor wordt de bescherming van natuurlijke immuniteit genegeerd of toegeschreven aan de vaccinatie-status, wat de effectiviteit van de prik verder vertroebelt.

5. De "negatieve oversterftekans": bewijs van bias

De auteurs rapporteren dit opmerkelijke resultaat:

"For all subsets, vaccinated persons without any documented infection had a negative excess death probability at the end of follow-up."

"Voor alle subgroepen hadden gevaccineerde personen zonder gedocumenteerde infectie een negatieve oversterftekans aan het einde van de follow-up."

Een "negatieve oversterfte" betekent dat er minder mensen stierven dan statistisch verwacht, hier zelfs specifiek de mensen die niet eens Covid hadden. In de context van een pandemie is dit biologisch onwaarschijnlijk voor een bevolkingsgroep. Dit is het ultieme bewijs van de gezonde vaccinee bias: de groep "gevaccineerde personen zonder infectie" blijkt in de subsets de gezondste van allemaal. Het model schrijft dit "wonder" toe aan de vaccinatie, terwijl het een puur statistisch artefact is van het selectie-effect.

Op pagina 3 van de bijlage staat de bekentenis die eigenlijk genoeg zou moeten zijn om de hele paper in te trekken:

"This may lead to negative excess hazards of death... possibly even below zero... This phenomenon is more often observed when relative survival is combined with a multi-state model, since the persons’ fitness may influence which states they reach... This likely also occurs in our model, where excess mortality from the vaccination state was negative, probably mainly caused by the healthy vaccinee effect."

"Dit kan leiden tot negatieve oversterfterisico's… mogelijk zelfs onder nul… Dit fenomeen wordt vaker waargenomen wanneer relatieve overleving wordt gecombineerd met een model met meerdere toestanden, aangezien de fitheid van personen van invloed kan zijn op welke toestanden ze bereiken… Dit gebeurt waarschijnlijk ook in ons model, waar de oversterfte vanuit de vaccinatietoestand negatief was, waarschijnlijk voornamelijk veroorzaakt door het Healthy Vaccinee Effect."

Dus hun model vindt "negatieve sterfte" (mensen die minder sterven dan biologisch mogelijk is volgens het model) zodra je naar de gevaccineerden kijkt. Ze benoemen dit als een gevolg van het Healthy Vaccinee Wirkung. Ze weten dus dat hun model onmogelijk lage sterftecijfers berekent voor gevaccineerden, maar in plaats van te concluderen dat het model niet deugt, noemen ze het een "fenomeen" en gaan ze door met de analyse en alle andere waarden die uit het model komen.

Professionele statistici zullen dit misschien de normaalste zaak van de wereld vinden. Maar wat ik zie: als zij iets als fout beoordelen is het nu eenmaal een erkend probleem van het gekozen model - en daarmee opgelost. Waar zij geen fout herkennen en waar hun theorie wordt bevestigd, heeft het model zijn werk goed gedaan. Wat een toeval!

6. De "gekloonde" ouderen

Dit is technisch gezien misschien wel het meest bizarre punt. Om voor de groep 90-plussers genoeg data te krijgen, hebben ze mensen "gekloond":

"For the ages >90 years, some persons were cloned in the dataset: e.g., for age 91, all persons aged 89, 90, 92 and 93 were added again with an artificial age of 91, creating a 5-year age group centered around the age of interest."

"Voor de leeftijden boven de 90 jaar zijn sommige personen in de dataset gekloond: bijvoorbeeld, voor de leeftijd van 91 jaar zijn alle personen van 89, 90, 92 en 93 jaar opnieuw toegevoegd met een kunstmatige leeftijd van 91, waardoor een leeftijdsgroep van 5 jaar is ontstaan ​​rond de leeftijd waarin we geïnteresseerd zijn."

Ze hebben mensen kunstmatig in het model gezet om de groepen groter te laten lijken. Ze hebben een 89-jarige of een 93-jarige "gekopieerd" en hem het label "91-jarige" gegeven. Dit is data-fabricage onder het mom van "smoothing". Dit vertekent de mortaliteitsrisico's voor de oudste (en meest kwetsbare) groepen volledig. Dit toont hoe je de data kunt "repareren" om het model werkend te krijgen...

Fazit

Deze studie is een schoolvoorbeeld van hoe "geavanceerde methodologieën" (zoals multi-state modellen) kunnen worden gebruikt om een vooraf gewenst resultaat te produceren. Statistiek blijkt steeds meer een goocheldoos. Door de zwaktes diep in de tekst te verstoppen, kunnen de auteurs een conclusie trekken die voor beleidsmakers en media als "veilig" wordt beoordeeld, terwijl de data zelf aantonen dat de vergelijking tussen de groepen fundamenteel mank gaat.

Wetenschap is niet het publiceren van modellen die de werkelijkheid "passend" rekenen. Wetenschap zou moeten erkennen dat als je slordig groepen vergelijkt die fundamenteel van elkaar verschillen (de gezonde gevaccineerde vs. de zieke ongevaccineerde), je geen conclusies kunt trekken over de veiligheid van een medische interventie. Dit rapport bevestigt het herhaaldelijk geleverde bewijs dat we moeten stoppen met het accepteren van "statistische correcties" als definitieve vervanging voor absolute sterftecijfers.

Laat je niet misleiden door een complex 'multi-state model' en wiskundige hoogstandjes. Dit model is simpelweg een nieuw camouflagenet over hetzelfde slagveld. Met meer subsets en ingewikkelder variabelen lijkt de werkelijkheid te vangen, maar zo’n model werkt alleen als je data messcherp zijn. Zo niet, dan construeer je een modelwerkelijkheid.

Tegelijk roept het bij mij de vraag op waarom ze die zwaktes op een dienblaadje aanreiken. Ze doen een goocheltruc en leggen meteen uit hoe die werkt. Als je echt een rad voor ogen wil draaien, is dat niet handig om te doen. Of zouden ze het effect van die zwaktes werkelijk zo onderschatten? Ik denk het laatste, het resultaat van een diepgewortelde bias. Speel met die calculator hieronder, begrijp hoe die rekent, dan zie je het zelf.

Fußnoten

• 1
  De besproken publicatie: https://link.springer.com/article/10.1007/s10654-026-01414-1