Een uitgebreide studie toont aan dat lockdowns dan toch totaal nutteloos waren.
Stefan Homburg en Christof Kuhbandner zijn twee Duitse professoren, die al in het voorjaar van 2020 hadden ingezien dat de modellen, die de basis vormden van lockdowns en andere maatregelen, zware fouten bevatten. In een studie, tonen zij aan dat in Duitsland, tijdens de eerste golf in 2020, werkelijk geen enkel effect hebben gehad op de verspreiding van het virus. Dit doordat de maatregelen werden ingevoerd, terwijl het virus al op zijn retour was. Omdat onze virologen nauwelijks rekening houden met de effecten van onder andere incubatietijd, vissen zij constant achter het net.
Omgekeerd betekent deze vaststelling dat het virus bij de eerste golf is gaan dalen van nature uit. Omdat er bij de eerste golf nog geen voorafgaande maatregelen of vaccins waren, kan er ook geen effect zijn van andere, beperkte maatregelen of vaccins.
De lockdown en de andere maatregelen waren dus gewoon volstrekt zinloos. Zij hebben niets bijgebracht. Geen doden vermeden, en gaan besmettingen verminderd. Wel staat het vast dat de maatregelen zelf collaterale doden hebben veroorzaakt. Daarover gaat deze studie niet, maar ze zijn er wel. Op 24 april 2020 leest men in een verslag van Celeval al dat de mortaliteit en de morbiditeit is toegenomen door de maatregelen, onder andere ten gevolge van angst waardoor mensen niet naar het hospitaal durven te gaan. Het saldo van de maatregelen is derhalve een behoorlijk aantal doden die zonder de maatregelen niet zouden zijn gevallen.
De vaststelling voor Duitsland geldt evenzeer voor België als voor Nederland. Ook daar hebben de maatregelen bij de eerste golf nul impact gehad.
Vaak hoort men excuses vooral over de eerste golf. De maatregelen zouden toen echt wel effectief geweest zijn, want het aantal besmettingen daalde. Niet dus. Had men niets gedaan, het resultaat zou hetzelfde zijn geweest.
De auteurs zoeken nog naar een verklaring voor de daling van de curves. Wellicht komt het Franse team rond professor Raoult binnenkort met een paper over de oorzaak van deze dalingen die zij wijten aan de constante mutatie van het virus.
Door de foute aannames in de modellen heeft men gedacht dat de lockdowns en andere maatregelen enig nut hadden. Daardoor zijn de virologen stekeblind gebleven voor de realiteit dat ook zonder de maatregelen de besmettingen in elkaar zakken na een paar weken, zonder 80 procent van de bevolking te besmetten.
Homburg en Co wijzen erop dat zij de auteurs van deze modellen ervan hebben verwittigd dat er fouten zaten in hun modellen. Zij hebben dan hun modellen aangepast, maar niemand heeft dat opgepikt. De foute wetenschappelijke artikels bleven gewoon staan. De maatregelen die zo verkeerd waren als de modellen, werden gewoon verder uitgevoerd. Schaamteloos. We accentueren de passages in de studie die hierop betrekking hebben. Zij leggen goed bloot hoe een hovaardige wetenschap die zijn fouten niet wil inzien, dramatische gevolgen heeft gehad voor het beleid.
Het wordt tijd dat wetenschappers die zich op grond van een totaal foute analyse met een verkeerd inzicht over de impact van de tijd op modellen, aan introspectie gaan doen. Een ernstige introspectie. Dat ze zich ook eens afvragen hoe het komt dat nog voor de start van de maatregelen, het virus eigenlijk al uitgeraasd was, en we alleen nog maar de uiterlijke gevolgen ervan zagen, die pas dagen en weken later aan de oppervlakte kwamen.
We vertalen de studie van Homburg en Co naar het Nederlands, zodat je de methodologie en hun redenering goed kan volgen. Gezien dit een zo dicht mogelijke vertaling is bij het origineel, verontschuldigen we ons op voorhand voor de moeilijkere leesbaarheid ervan. Maar elk woord is in zo’n tekst belangrijk.
Was de Duitse lockdown in het voorjaar van 2020 noodzakelijk? Hoe slechte datakwaliteit een simulatie kan veranderen in een waanvoorstelling die de toekomst vorm geeft.
Christof Kuhbandner, Stefan Homburg, Harald Walach, Stefan Hockertz.
Gepubliceerd in Futures 135 (2022), 102879.
Abstract
Tijdens de verspreiding van SARS-Cov-2 heeft Duitsland verschillende beperkingen opgelegd, waaronder de sluiting van scholen op 16 maart 2020, en een uitgebreide lockdown op 23 maart 2020. In dit artikel laten we zien hoe de invloedrijke simulatie van de vermeende gunstige effecten van deze lockdown in Duitsland gebaseerd was op verkeerde gegevens, maar desondanks een beslissende rol heeft gespeeld bij de vormgeving van de toekomst door zogenaamd bewijs te leveren voor de effectiviteit van deze maatregelen, waardoor het beleid wetenschappelijke geloofwaardigheid kreeg. Wij wijzen erop dat de evaluatie van het succes van dergelijke beleidsmaatregelen in hoge mate afhangt van de kwaliteit van de gegevens. Het gebruik van openbaar gemelde bevestigde gevallen voor de berekening van tijdreeksstatistieken dreigt misleidende resultaten op te leveren, omdat deze gegevens worden geleverd met onbekende variabele tijdvertragingen. Het gebruik van gegevens over incidenten, d.w.z. data waarop de symptomen zich voordoen, levert resultaten op die veel betrouwbaarder zijn. Deze methode toont aan dat eerdere analyses, volgens welke de bestrijdingsstrategieën van de Duitse regering noodzakelijk en doeltreffend waren, inderdaad gebreken vertonen. Dit toont op zijn beurt aan dat modelsimulaties en dissimulaties zeer dicht bij elkaar liggen.
1. Inleiding
Simulaties zijn alomtegenwoordig geworden tijdens de recente SARS-Cov-2 pandemie. Deze simulaties probeerden de ontwikkeling van de infecties te voorspellen (an der Heiden & Buchholz, 2020, 2020b; Ferguson et al., 2020), of te modelleren hoe verschillende niet-farmaceutische interventies (NPI's) zouden kunnen bijdragen aan een vermindering van de verspreiding van het virus (Dehning, Zierenberg et al., 2020). Hoewel bekend is dat simulaties sterk afhankelijk zijn van de uitgangsparameters, zijn ze toch bepalend voor de werkelijkheid, als hun voorspellingen op de juiste waarde worden geschat en hun mogelijke beperkingen niet in het oog worden gehouden (Fuller & Loogma, 2009). In deze korte mededeling wijzen we op de tekortkomingen van één zo'n simulatie. We laten zien dat als een simulatie niet wordt opgevat als een simulatie maar als een model dat de werkelijkheid beschrijft, de veronderstelde werkelijkheid werkelijkheid wordt, en op dezelfde manier de simulatie verandert in een desimulatie. Dit heeft te maken met het feit dat de mens, net als alle biologische systemen, een anticiperend systeem is (Rosen, 1985), en dat de werkelijke toestand van het systeem innig verstrengeld is met het geanticipeerde traject ervan (Fuller, 2017).
Tijdens de SARS-Cov-2 pandemie namen veel landen verschillende niet-farmaceutische interventies (NPI's) aan na simulatieoefeningen waarin rekening werd gehouden met het potentiële effect van dergelijke NPI's (Ferguson et al., 2020). Deze NPI's schaadden de economieën enorm en hadden sterke negatieve gevolgen voor fysieke, mentale en sociale gezondheidsomstandigheden, zoals een toename van psychische verstoring of huiselijk geweld (Christakis, Van Cleve, & Zimmerman, 2020; Evans, Lindauer, & Farrell, 2020; Ioannidis, 2020; Kampf & Kulldorff, 2021; Racine et al., 2021). Gezien dergelijke nadelige effecten is het belangrijk om te bepalen of de maatregelen daadwerkelijk succesvol waren in het indammen van de verspreiding van het coronavirus SARS-CoV2. Een dergelijke evaluatie is ook van belang voor het meten van de effectiviteit van NPI's voor toekomstige bestrijdingsstrategieën en voor de status van simulaties in het algemeen. De vraag die wij willen beantwoorden is: Waren deze maatregelen inderdaad effectief en klopten de simulatiemodellen (Dehning, Zierenberg et al., 2020), of waren het eerder dissimulaties?
Duitsland verbood grote openbare bijeenkomsten op 9 maart 2020, sloot zijn scholen en andere onderwijsinstellingen op 16 maart 2020, en legde een uitgebreide lockdown en contactverboden op 23 maart 2020 op. Waren deze ingrepen nodig om een medische ramp te voorkomen? Sommige studies, zoals Dehning, Zierenberg et al. (2020), gebruiken gegevens over gerapporteerde bevestigde gevallen om de gevolgen van de verschillende NPI's te evalueren. Deel 2 geeft een overzicht van hun belangrijkste bevindingen en wijst op ernstige problemen met de gebruikte gegevens. In hoofdstuk 3 presenteren wij een alternatieve aanpak die gebaseerd is op officiële gegevens van het Robert Koch Institute (RKI), het Duitse federale agentschap voor de volksgezondheid. Hoofdstuk 4 sluit het document af.
2. Methode
We analyseren de publicatie van Dehning, Zierenberg et al. (2020) en wijzen op de ontoereikendheid van hun gegevensbasis. Vervolgens gebruiken we de gegevens die zijn gepubliceerd door het Duitse Robert-Koch-Institut (RKI), de officiële Duitse volksgezondheidsinstantie, om een meer realistische schatting te maken van de vraag of NPI's al dan niet effectief waren. Deze analyse werd uitgevoerd kort nadat de analyse van Dehning, Zierenberg et al. (2020) beschikbaar was gekomen. Wij deelden deze bevinding mee aan Dehning et al., die vervolgens hun eigen model wijzigden. Helaas hebben zij dit feit niet breed gecommuniceerd, zodat de bevindingen van het gebrekkige model deel werden van de constructie van de werkelijkheid en dus een dissimulatie in de zin van misleiding van zichzelf en anderen. (eigen accentuering) Deze procedure kan worden gebruikt om aan te tonen hoe delicaat voorspellingsmodellen afhankelijk zijn van de veronderstellingen en de onderliggende gegevens, en dus, hoe dicht simulatie en dissimulatie, ondersteuning en weerlegging bij elkaar liggen.
2.1. Gegevens over gerapporteerde gevallen
Dehning, Zierenberg et al. (2020) modelleren de groeisnelheid van SARS-CoV-2-infecties in Duitsland met behulp van een Susceptible-Infected-Recovered (SIR)-model in combinatie met Bayesiaanse parameterinferentie. De auteurs melden veranderingspunten in de groeisnelheid die nauw overeenkomen met drie NPI's die van kracht werden op 9 maart 2020 (verbod op grote openbare bijeenkomsten), 16 maart 2020 (sluiting van scholen en andere onderwijsinstellingen samen met de sluiting van niet-essentiële winkels), en 23 maart 2020 (uitgebreide lockdown, inclusief een contactverbod). Hun belangrijkste conclusie is dat “de volledige omvang van de interventies nodig was om de exponentiële groei te stoppen" (blz. 4). Fig. 1A (bovenste paneel) illustreert deze centrale bevinding. Het laat zien dat het coronavirus SARS-CoV2 groeide met een positieve effectieve groeisnelheid tot de eerste NPI, die de verspreiding afremde. De tweede NPI verminderde het effectieve groeipercentage verder, en de derde, de uitgebreide lockdown, dreef het naar negatief terrein.
Er zijn verschillende fundamentele methodologische problemen die ernstige twijfel doen rijzen over de conclusies van Dehning, Zierenberg e.a. Wanneer met deze problemen rekening wordt gehouden, lijkt het tegendeel van hun belangrijkste conclusie juist: geen van de overheidsinterventies kan enig effect hebben gehad op de verspreiding van het virus, omdat het aantal nieuwe infecties veel eerder is gedaald dan in hun studie wordt geschat. Bovendien negeren de auteurs rechtstreeks empirisch bewijs waaruit blijkt dat dergelijke tegenmaatregelen zeer weinig of zelfs geen effect hebben gehad. Wij zijn van mening dat hun studie ernstige gebreken vertoont. Veel auteurs hebben op een aantal van de tekortkomingen gewezen in zogenaamde e-letters, dat zijn korte online commentaren die zonder externe beoordeling samen met het artikel in "Science" zijn geplaatst (https://www.science.org/doi/ 10.1126/science.abb9789; accessed 22nd Sept. 2021), maar de publicatie bleef onbetwist in de literatuur.
Fig. 1. Illustratie van een gebrekkige (gegevens over gemelde gevallen) en een geldige (gegevens over incidente gevallen) schatting van de verspreiding van nieuwe infecties. (A) Schatting van de verspreiding van nieuwe infecties (effectieve groeisnelheid) in Duitsland met behulp van gegevens over gemelde gevallen (bovenste paneel; Bron: Fig. 3A in Dehning, Zierenberg et al. (2020)) versus incident gevallen (onderste paneel; Bron: Fig. 17A in (Dehning, Spitzner et al., 2020). (B) Schatting van de verspreiding van nieuwe infecties (effectief reproductiegetal) in Duitsland aan de hand van incidentgevallen (Bron: Fig. 4 in an der Heiden en Buchholz (2020); an der Heiden & Hamouda, 2020). De data op de x-as tonen de datum van het begin van de symptomen (zonder haakjes) en de data van de infecties (met haakjes). De rode verticale lijnen geven de data aan van de drie belangrijkste niet-farmaceutische interventies in Duitsland. De lambda-parameter in paneel A zijn groeiparameters die vergelijkbaar maar niet identiek zijn met het reproductiegetal in paneel B.
Om de mogelijke effecten van NPI's op de verspreiding van een virus te beoordelen, is het van cruciaal belang de datum van besmetting zo nauwkeurig mogelijk te bepalen. Met onnauwkeurige infectiedata zijn alle conclusies over het effect van NPI's zinloos. De auteurs hebben de datum van besmetting geschat op basis van de datum waarop een bevestigd geval werd gemeld, volgens het dashboard van het Johns Hopkins University Center for Systems Science and Engineering (JHU CSSE). Om de infectiedatum uit de meldingsdatum af te leiden, namen zij in hun SIR-model een parameter op die tot doel heeft de zogenaamde "meldingsvertraging" te bepalen, d.w.z. de tijdspanne tussen de infectiedatum en de meldingsdatum. Van cruciaal belang is dat hun parameterschatting wordt beperkt door een informatieve prior die op zijn beurt gebaseerd is op de veronderstelling van een incubatieperiode van 5-6 dagen en een testvertraging. Met gebruikmaking van hun prioritering schatten de auteurs een totale vertraging van 8,6 dagen in de beginfase en 11,4 dagen in de latere fase.
Deze procedure is ontoereikend. Ten eerste gebruiken Dehning, Zierenberg et al. (2020) gegevens van het CSSE-dashboard van de JHU. Zoals het Robert Koch Institute (RKI), het Duitse federale gezondheidsagentschap, aangeeft in zijn diepgaande FAQ-rubriek over het coronavirus SARS-CoV2 (Robert Koch-Institut, 2020), kunnen uit gegevens van het JHU CSSE-dashboard slechts beperkte conclusies worden getrokken omdat ze afkomstig zijn van berichten in de internetmedia en de sociale media, en verschillen in de verslagleggingsrichtlijnen. Ten tweede zou het afleiden van infectiedata uit rapportagedata alleen zin hebben als de rapportagedata systematisch zouden verschillen van de infectiedata. De intervallen tussen de data van de feitelijke infecties, de diagnostische tests en de rapportage verschillen echter enorm tussen mensen en in de tijd. Veel verdachte personen werden al getest voordat de symptomen optraden, terwijl echte patiënten soms meer dan 20 dagen na het optreden van de symptomen werden getest (Buchholz, Buda, & Prahm, 2020). Daarom is het nauwelijks mogelijk om iets zinnigs te concluderen uit het modelleren van de verspreiding van infecties aan de hand van meldingsdata.
2.2. Gegevens over "incidentgevallen”
In de nowcasting-procedure van het Duitse RKI, (Van der Heiden & Buchholz, 2020, 2020b), die op 15 april 2020 is gepubliceerd, wordt een meer verfijnde aanpak gehanteerd. Dit nowcasting-model is niet gebaseerd op meldingsdata, maar op vastgestelde data waarop de symptomen zijn opgetreden, "incident cases" genoemd. Met een vastgestelde incubatieperiode van gemiddeld 5 dagen (bv. (Lauer et al., 2020), 5,1 dagen, CI 95 % 4,5-5,8 dagen), weerspiegelen incidentgevallen veel nauwkeuriger de infectiedata. Om de dynamiek te beschrijven gebruikt RKI een groeifactor R (reproductiegetal), die het 4-daags gemiddelde van incidentgevallen op een dag vergelijkt met het overeenkomstige gemiddelde 4 dagen ervoor. Door de constructie loopt R 4 dagen achter op de werkelijke dynamiek. Om ons betoog beknopter te houden verwaarlozen wij deze vertraging, die ons punt zou versterken. Indien wij met deze vertraging rekening hadden gehouden, zou de hele tijdreeks vier dagen naar achteren zijn verschoven, wat het verschil nog duidelijker zou maken. Wij kiezen dus bewust voor een conservatieve analyse. Fig. 1B toont de werkelijke groeifactor van incidentgevallen, R, bepaald door RKI.
Fig. 1B laat zien dat de groei van het aantal incidentgevallen al op 10 maart 2020 zijn maximum bereikte. Met een incubatieperiode van 5 dagen bereikte de overeenkomstige groei van het aantal infecties zijn maximum op 5 maart 2020, voordat de eerste NPI van kracht werd. Het is dus duidelijk dat de verspreiding van het virus al vóór de eerste interventie afnam. En het was zelfs al negatief op het moment van de sluiting van de scholen en lang voor de uitgebreide lockdown.
In een addendum bij hun oorspronkelijke artikel heroverwegen Dehning, Spitzner e.a. (2020) hun model, waarbij zij gebruik maken van incidentgevallen in plaats van gerapporteerde gevallen. Hun nieuwe hoofdresultaat, getoond in Fig. 1A (onderste paneel), bevestigt onze bevinding dat de Duitse lockdown overbodig was. Zoals te zien is, begon de effectieve groeisnelheid van SARS-Cov-2 sterk af te nemen op 7 maart 2020, d.w.z. vóór de eerste interventie. Bovendien bereikte het effectieve groeipercentage een waarde van nul op het moment van de sluiting van de scholen, en werd het negatief op 17 maart 2020, zes dagen voor de lockdown. Deze bevinding, die is afgeleid uit hetzelfde model maar met meer betrouwbare gegevens, zet de oorspronkelijke conclusie van Dehning, Zierengerg et al. op zijn kop: Noch de sluiting van de scholen, noch de uitgebreide lockdown waren nodig om de verspreiding van het virus te stoppen. Helaas had deze latere correctie van hun oorspronkelijke publicatie vrijwel geen effect op het publiek. De simulatie, hoewel ernstig gebrekkig, was al vertaald in wetenschappelijk bewijs voor beleid, en was dus een gedesimuleerde werkelijkheid geworden.
3. Discussie
De simulatie van een mogelijke toekomst of de simulatie van een effect in het verleden kan rampzalig zijn, indien zij gebaseerd is op gebrekkige gegevens. Maar, zoals we hebben gezien, worden en vormen dergelijke simulaties de werkelijkheid, en worden daardoor dissimulaties, of dit nu opzettelijk of per ongeluk gebeurt, doet niet ter zake. Vooral tijdens de Corona-crisis zijn scenario's geconstrueerd van mogelijke voordelen in de toekomst (Schwab & Malleret, 2020). Maar zulke geanticipeerde of voorspelde toekomsten kunnen ook recepten worden voor dystopieën (Roth, 2021). Wij hebben dit laten zien voor de simulatie van het effect van NPI's om de verspreiding van SARS-CoV2 in Duitsland te voorkomen. Bij het evalueren van de noodzaak van NPI's tijdens de SARS-CoV2 coronavirus crisis is de kwaliteit van de gegevens van cruciaal belang. Het gebruik van gerapporteerde gevallen levert nietszeggende resultaten op omdat deze gegevens onzekere en variabele tijdvertragingen hebben, waardoor het onmogelijk is het verspreidingspad van het virus precies te bepalen. Indien dergelijke gegevens beschikbaar zijn, verdient het gebruik van incidentgevallen de voorkeur. Met bekende data van het begin van de symptomen hoeven onderzoekers slechts een incubatieperiode van vijf dagen af te trekken om de ware dynamiek van de infecties te bepalen.
Officiële gegevens van het Duitse agentschap RKI wijzen er sterk op dat de verspreiding van het coronavirus SARS-CoV2 in Duitsland zich autonoom heeft verspreid, voordat er effectief werd ingegrepen. De belangrijkste reden voor een dergelijke autonome afname kan de seizoensgebondenheid van SARS-CoV-2 zijn. Zoals bekend voor gewone coronavirussen, vertonen coronavirusinfecties in West-Europa een sterk seizoensgebonden patroon, waarbij het aantal infecties snel afneemt aan het einde van de winter (Evangelista, 2020; Merow & Urban, 2020; Visseaux et al., 2017). Wat SARS-CoV-2 betreft, hebben recente studies aangetoond dat, hoewel lockdowns en andere opsluitingsmaatregelen niet systematisch gecorreleerd zijn met infectiecijfers (Bendavid, Oh, Bhattacharya, & Ioannidis, 2021), deze laatste sterk correleren met de breedtegraad (Sagripanti, 2021; Walrand, 2021), wat suggereert dat SARS-CoV-2 ook een sterk seizoensgebonden patroon zou kunnen vertonen. Fig. 2 illustreert ter vergelijking de ontwikkeling van het RKI-reproductiegetal in 2021. Rekening houdend met het feit dat de lente van 2021 uitzonderlijk koud was, is het zeer aannemelijk dat het virus zich ongeveer 4 weken later terugtrok, niettegenstaande een lockdown-periode van 7 maanden die in november 2021 begon. En nogmaals, de strengere NPI's die vanaf 23 april van kracht waren, waaronder een nachtelijk uitgaansverbod, lijken geen invloed te hebben gehad op de terugval van het virus. Een verdere nuancering van ons argument betreft de mogelijkheid dat mediaberichten over de eerste Covid19-doden in Duitsland op 9 maart 2020 van invloed zijn geweest op individueel gedrag dat heeft bijgedragen tot het indammen van het virus, omdat mensen zich anders gedroegen zonder dat dit op bevel van de uitvoerende macht werd gezegd.
Ten slotte wordt de ondoeltreffendheid van NPI's ook ondersteund door verschillende andere empirische studies waarin de effecten van NPI's op infectie- en sterftecijfers in verschillende regio's of landen zijn onderzocht (bv. Chaudhry, Dranitsaris, Mubashir, Bartoszko, & Riazi, 2020; De Larochelambert, Marc, Antero, Le Bourg, & Toussaint, 2020; Wieland, 2020). Daarentegen lijken andere studies wel enige effecten van NPI's te laten zien (bijv. Brauner et al., 2021; Flaxman et al., 2020). Een dergelijk inconsistent patroon suggereert dat soortgelijke problemen als die welke in dit artikel worden gesignaleerd met betrekking tot de studie van Dehning, Zierenberg et al. (2020) ook kunnen bestaan in andere studies in het veld. Bij nadere beschouwing blijkt bijvoorbeeld dat in studies waarin het verloop van infecties is geschat op basis van het aantal waargenomen sterfgevallen (bv. Brauner et al., 2021; Flaxman et al., 2020), de schattingen zijn gebaseerd op de datum van melding, ondanks het feit dat er meldingsvertragingen zijn die kunnen oplopen tot enkele weken (bv. Jones, 2021). Dergelijke methoden zijn gebrekkig, want als de werkelijke datum van infectie wordt geschat zonder rekening te houden met meldingsvertragingen, wordt het verloop van infecties op een misleidende manier geschat, zodat de effecten van NPI's niet op betrouwbare wijze kunnen worden bepaald.
Bovendien benadrukken wij nogmaals dat onze analyse conservatief is. Als we de vertraging van vier dagen die inherent is aan de constructie van de R-waarde hadden meegerekend en onze tijdreeks naar achteren hadden verschoven, zouden we een nog opvallender disjunctie tussen NPI's en infectiedynamiek hebben gezien.
Onze analyse maakt gebruik van één concreet maar politiek zeer invloedrijk voorbeeld, de modelstudie van Dehning, Zierenberg et al. (2020). Daaruit blijkt dat de gegevensbasis ondeugdelijk was, de conclusies onjuist en de schijnbaar wetenschappelijke steun voor NPI's onbestaande. Ondanks het feit dat wij de auteurs snel na het online verschijnen van hun publicatie in persoonlijke communicatie op dit feit hadden gewezen, en anderen onafhankelijk bewijs voor het ontbrekende effect van NPI's hadden gepubliceerd (Chaudhry et al., 2020; De Larochelambert et al., 2020; Wieland, 2020), bleven NPI's het favoriete instrument van politici en het publiek voor "infectiebestrijding". Dehning, Zierenberg et al. (2020) trokken hun gebrekkige analyse niet in. Het tijdschrift "Science" markeerde het artikel niet. De publieke media hebben de informatie niet verspreid.
Dit wijst op een interessant raadsel: als angst eenmaal in een gemeenschap is ingebouwd, zoals het geval was met de berichtgeving over de pandemie in de media (Bendau e.a., 2021), lijkt rationele argumentatie aan effectiviteit te verliezen als gevolg van een door angst veroorzaakte overgevoeligheid in het herkennen, verwerken en reageren op dreigingsgerelateerde informatie, zelfs bij afwezigheid van daadwerkelijke dreiging en de aanwezigheid van tegenstrijdige informatie (Bar-Haim, Lamy, Pergamin, Bakermans-Kranenburg, & van IJzendoorn, 2007). Alles wat helpt om deze angst te bedwingen is welkom, zelfs als het schade toebrengt, en zelfs als het ineffectief blijkt te zijn. (eigen accentuering) Niet alleen waren deze gebrekkige analyses prominenter, omdat ze werden gepubliceerd in invloedrijke tijdschriften met een grote zichtbaarheid, ze voldeden ook aan een behoefte in de publieke perceptie: de illusie van controle (Yarritu, Matute, & Vadillo, 2014). Deze menselijke behoefte aan controle leidt tot een perceptuele bias ten gunste van gegevens en informatie die de indruk, en vaak de illusie, ondersteunen dat we onze omgeving kunnen controleren. Dit verlangen om onze omgeving te controleren werd in deze pandemie op grote schaal actief. Onze analyse laat zien hoe dit niet alleen het publiek overkomt, maar ook hoogopgeleide wetenschappers. Het idee dat we onze toekomst kunnen plannen en controleren is conceptueel onjuist, omdat elke poging om die te plannen of te controleren onvermijdelijk de uitkomst ervan zal beïnvloeden, vaak op onvoorziene manieren (Fuller, 2017).
Tegelijkertijd toont dit aan hoe nauw simulaties van wetenschappelijke aard en dissimulaties met elkaar verbonden zijn. Simulaties helpen ons, mits vakkundig uitgevoerd en mits gebaseerd op correcte data, om toekomstige gebeurtenissen te voorspellen of het effect van interventies achteraf te voorspellen. Maar zij kunnen ook dissimulaties worden als zij gebaseerd zijn op gebrekkige gegevens die gebruikt zijn om onze illusie van controle te ondersteunen. De tragische situatie in dit geval was: De simulatie was niet alleen een simulatie, ze construeerde ook de werkelijkheid en produceerde facticiteit (Fuller & Loogma, 2009), ook al was het een feitelijk onjuiste werkelijkheid en een gebrekkige facticiteit (Meyen, 2021). Daarmee werd de simulatie een desimulatie. Als dergelijke dissimulaties gebaseerd zijn op zogenaamd wetenschappelijke analyses, gepubliceerd in veelgelezen wetenschappelijke tijdschriften, dan worden retracties of dementis een onbegaanbare weg. De steen die in het water wordt geworpen produceert zijn golven en die kunnen niet worden teruggeroepen. Hieruit blijkt hoe belangrijk het is de gegevensbasis en het model zorgvuldig te kiezen. Anders wordt een simulatie een bedrog, en op dezelfde manier wordt wetenschap kwakzalverij, en beleid dat op dergelijke wetenschap is gebaseerd brengt meer schade toe dan het gevaar dat het geacht wordt af te wenden.
Fig. 2. Effectief reproductiegetal, Duitsland 2021. Reeds vanaf 2 november 2020 was een uitgebreide lockdown van kracht. Deze werd versterkt door een nachtelijk uitgaansverbod en andere maatregelen, die vanaf 23 april 2021 van kracht waren. Gezien de incubatieperiode vertraagde de infectiedynamiek vóór die datum, wat suggereert dat het uitgaansverbod ook niet effectief was. Gegevensbron: Robert Koch-Institut (2021).
4. Conclusie
Wij concluderen dat de oorspronkelijke simulatie waarin werd beweerd dat de Duitse lockdown noodzakelijk was om de SARS-Cov-2 epidemie in te dammen, ondeugdelijk was. Bij gebruik van de juiste gegevensbasis, de besmettingsdatum van de gevallen in plaats van de meldingsdata, blijkt dat de infectiedynamiek autonoom afnam, waarschijnlijk als gevolg van een intrinsieke seizoensgebondenheid, zelfs voordat er NPI's waren ingevoerd. Dit is een duidelijk recent voorbeeld van hoe een slechte simulatie een gevaarlijke desimulatie werd.
(Michael Verstraeten, Vrijheid)
