Klima 1: Klimaschutz ist im Kern konservativ und ein furchtbar paradoxes Problem

Dies ist der erste Beitrag eines vier-schrittigen Gedankenganges zu psychologisch-philosophischen Aspekten des Klimaschutzes:

  1. Klimaschutz ist im Kern konservativ und furchtbar paradox
  2. Beim Klimaschutz geht es nicht ums Klima sondern um Menschen
  3. Klimaschutz ist (auch) ein Versuch die eigene Sterblichkeit zu bearbeiten
  4. Zusammenfassung der psychologischen Ideen zum Umgang mit Klimaschutz

Mit meinen Gedankengängen möchte ich Diskussion und eigenes Nachdenken anregen. Dazu möchte ich meine psychologisch-philosophische Perspektive auf das Thema Klimaschutz anbieten.

Intro: Das fortschrittliche Gewand des Klimaschutzes

Klimaschützer als konservativ zu bezeichnen scheint wie eine Beleidigung. Grüne Politiker, Klimaforscher und Aktivisten warnen dringlich vor den Folgen des Klimawandels und rufen dazu auf jetzt! – sofort! – dringend! – umfangreiche politische und wirtschaftliche Veränderungen anzustoßen.

Wie komme ich auf die kuriose Idee, diese fortschrittlichen Menschen als konservativ zu bezeichnen? Sie wollen die Welt verändern, am besten sofort und umfangreich: Für eine grüne, CO2-neutrale und grundsätzlich bessere Zukunft! Klimaschützer wollen den Ressourcen- und Umweltzerstörenden Status Quo nicht beibehalten und konservieren, sie können doch gar nicht konservativ sein?!

Ich sehe es so: Klimaschützer sind konservativ und gleichzeitig fortschrittlich. Diese Aussage klingt paradox. Wie kann jemand gleichzeitig konservativ und fortschrittlich sein – schließen sich die beiden Eigenschaften nicht aus? Durch eine Analyse in welchen Aspekten Klimaschützer fortschrittlich und wo sie konservativ handeln, lässt sich der Widerspruch zumindest teilweise auflösen.

Klimaschutz bedeutet Alles zu ändern, damit Alles gleich bleibt

Die geforderten fortschrittlichen Veränderungen betreffen den Umgang mit Ressourcen, politische Maßnahmen und individuelles Verhalten. Der Fokus der Veränderungen und Maßnahmen liegt auf der Ebene von Handlungen. Gefordert werden neue Technologien, Gesetze und Geschäftsmodelle. Die Forderungen sind umfangreich, teilweise radikal und betreffen alle Bereiche menschlichen Zusammenlebens. Sie sind also vieles, aber nicht konservativ.

Es braucht die Warum?-Frage nach dem Sinn und Hintergrund der Forderungen um den konservativen Kern der Forderungen zu beleuchten: Das derzeitige Klima und das weltweite natürliche Ökosystem soll erhalten werden. Die Logik dahinter ist einfach und stichhaltig:

  1. Mit unserem aktuellen Wirtschaften und Verhalten zerstören wir das weltweite Ökosystem
  2. Das weltweite Ökosystem soll aber nicht zerstört sondern bewahrt und erhalten werden
  3. Um das Ökosystem zu erhalten, brauchen wir Veränderungen und zwar jetzt und dringend!

So schnell wird aus einem konservativen Gedanken (Ökosystem bewahren) eine fortschrittliche Forderung (Veränderungen jetzt!)

Ich möchte noch einen Schritt weitergehen und stelle erneut die Warum-Frage: Warum soll das Ökosystem bewahrt werden? Die Antwort ist recht einfach: Das Ökosystem ist die Grundlage des aktuellen menschliche Lebens und Wohlstandes. Das Ökosystem zu bewahren bedeutet, die Art und Weise, wie wir heute leben, zukünftig zu ermöglichen. Das Wort „enkelgerecht“ bringt die konservative Idee „Mein Enkel soll so komfortabel leben können wie ich“ auf den Punkt.

Die fortschrittlichen und teils radikalen Forderungen von Klimaschützern haben demnach zwei konservative Kerne:

  1. Das Ökosystem soll weiterhin bestehen, so wie es ist
  2. Unser Lebensstandard soll weiterhin bestehen, so wie er ist

Die paradoxe Formel „Alles soll sich ändern, damit alles so bleibt wie es ist“ fasst den Sachverhalt zusammen und erklärt wie Fortschritt und Konservatismus verwoben sind.

Die kontinuierliche Annäherung von Konservativen und Grünen

Mir erscheint, dass diese paradoxe Sichtweise auf Klimaschutz und Nachhaltigkeit sich in den letzten Jahren entwickelt hat und mittlerweile – zumindest in Deutschland – die politische Mitte bildet.

Die zunehmende Integration von Klimaschutz und Nachhaltigkeit in neue Geschäftsmodelle z.B. mit der Idee der Kreislaufwirtschaft stellt ein Beispiel für diese Paradoxie dar: Wir brauchen dringend neue nachhaltige Geschäftsmodelle und Ideen (Alles soll sich ändern), damit unser kapitalistisches, wachstumsorientiertes Wirtschaftssystem weiterhin bestehen kann (damit alles so bleibt wie es ist).

Ein konkreteres Beispiel, das die öffentliche Diskussion prägt, ist das Thema Elektromobilität. Der Umstieg von Verbrennungsmotoren auf Elektromotoren bedeutet einen gigantischen Umbau von Industrie, Infrastruktur und Geschäftsmodellen. Das Ziel des Ganzen besteht darin, individuelle Mobilität auch zukünftig – aber (lokal) emissionsfrei – zu ermöglichen. Kurz gesagt: Mobilität muss grundsätzlich neu gedacht werden (Alles muss sich ändern), um die heutige Mobilität von Menschen zu erhalten (damit alles so bleibt wie es ist).

Die paradoxe Entwicklung des Klimaschutzes zeigt sich in Deutschland auch politisch durch die Annäherung von Grünen und CDU/CSU. Die Wahrscheinlichkeit ist groß, dass zum Ende des Jahres 2021 eine schwarz-grüne Koalition Deutschland regieren wird. Etwas überspitzt und einseitig zugeordnet, passt auch hier die Formel: Alles muss sich ändern (Grüne), damit alles so bleibt wie es ist (CDU/CSU). Eine rein symbolische Krönung für diese paradoxe Beziehung wäre, wenn die erste Kanzlerin durch die erste grüne Kanzlerin abgelöst wird.

Maximal vereinfacht, ergibt sich für mich folgende Zuordnung des paradoxen Grundproblems:

  • Alles muss sich verändern, = Mehr Klimaschutz, Nachhaltigkeit und Emissisonsfreiheit
  • damit alles so bleibt wie es ist = Erhalt von wirtschaftlichem Wachstum und Kapitalismus als Wohlstandstreiber

Klimaschutz braucht bewussten Umgang mit Paradoxien

Ich möchte mich mit meinem Gedankengang an dieser Stelle etwas vom Klimawandel entfernen und eine eher psychologisch-philosophische Perspektive auf Paradoxien und den Umgang mit ihnen einnehmen. Zum Schlusss versuche ich den bogen zurück zum Anfang zu spannen.

Die paradoxe Formel „Alles muss sich ändern, damit alles so bleibt wie es ist“ hat den großen Nachteil, dass sie nicht einfach oder widerspruchsfrei realisierbar ist. Mit einem Sprichwort ausgedrückt: „You can’t have the cake and eat it.“ Auf Deutsch: „Du kannst den Kuchen nicht essen und ihn gleichzeitig behalten“. Die meisten Menschen haben eine geringe Ambiguitätstoleranz, erleben Paradoxien als äußerst unangenehm und streben danach sie aufzulösen. Aus meiner Sicht gibt es zwei langfristig ungünstige, aber kurzfristig nützliche Wege mit Paradoxie umzugehen.

Der erste mögliche Umgang mit Paradoxie erwächst aus dem Eindeutigkeitsanspruch westlicher Philosophie, monotheistischer Religionen und moderner Naturwissenschaft: Finde die richtige Variante und entscheide dich für sie, also:

  • ENTWEDER iss den Kuchen (Alles muss sich ändern)
  • ODER behalte den Kuchen (alles bleibt so wie es ist)

Ich halte die Idee von „das Richtige“ für grundsätzlich problematisch und habe dazu an anderer Stelle schon etwas geschrieben.

Der Vorteil des ENTWEDER-ODER ist der Gewinn an Klarheit, Einfachheit und Sicherheit. Gleichzeitig entstehen Extrem-Pole, die sich sozial- und gruppendynamisch manifestieren können: ENTWEDER du bist Kuchenesser ODER du bist Kuchenbehalter. ENTWEDER du bist Kapitalist ODER du bist Klimaschützer. Die aufgezwungene Entscheidung erzeugt Eindeutigkeit, Sicherheit, Zugehörigkeit und stiftet Identität. Der Nachteil des Entscheidungszwanges ist das Stress-Erleben des Zwanges selbst, der Verlust von differenzierenden Zwischenbereichen und die Gefahr von Extremismus. Diese Nachteile lassen sich in der medialen Diskussion um Corona-Maßnahmen derzeit eindrücklich besichtigen.

Die zweite Möglichkeit mit Paradoxie umzugehen ist, sie nicht anzuerkennen und sich mit anderen, weniger paradoxen Problemen zu beschäftigen. Der folgende Satz beschreibt den Aspekt des Nicht-Anerkennens: „Natürlich kannst du den Kuchen essen und ihn behalten.“ Die meisten Menschen erkennen, dass dieser Satz nicht stimmen kann. Da Menschen clevere Wesen sind, modifizieren sie den Satz etwas und führen so ein weniger paradoxes Probleme ein, mit dem sie sich beschädigen können: „Natürlich kannst du den Kuchen essen und ihn behalten – du musst es nur sehr klug anstellen.“ Es geht dann nicht mehr um das Problem des paradoxen Kuchens, sondern um die Aufgabe kluge Lösungen zu finden.

Aus meiner Sicht gehen wir derzeit mit diesem Ansatz an das Thema Klimawandel und Nachhaltigkeit heran: „Natürlich lassen sich Wachstums-Kapitalismus, Klimaschutz und Nachhaltigkeit vereinbaren – wir brauchen nur die richtigen Technologien, Gesetze und Geschäftsmodelle.“ Durch den Zusatz verschiebt sich der Fokus von der eigentlichen Paradoxie zwischen Kapitalismus und Klimawandel auf Handlungsoptionen. Anstrengungen richten sich auf die richtigen Technologien, Gesetze und Geschäftsmodelle, statt sich mit dem paradoxen Kernproblem zu beschäftigen. Dieses Vorgehen ist sehr nützlich und birgt große Vorteile:

  • Die unangenehme Beschäftigung mit Paradoxie entfällt, was zu weniger Unsicherheit führt.
  • Die Beschäftigung mit Technologien, Gesetzen und Geschäftsmodellen ermöglicht ein hohes Erleben von SelbstwirksamkeitMan kann etwas Wirksames tun und ist beschäftigt. Das fühlt sich (für viele Menschen) gut an.
  • Die Investitionen in Technologie, Gesetze und Geschäftsmodelle führen zu realen, erlebbaren Verbesserungen. Ein Beispiel: Den Umbau eines grauen Betonparkplatzes in einen grünen Park kann ich beobachten, dazu beitragen und den Park erleben

Dieses Vorgehen wird dadurch begünstigt, dass weder der Zusammenhang von Klimawandel und Konsum (Kapitalismus), noch die Folgen des Klimawandels direkt erlebbar sind. Die Zusammenhänge sind zu komplex und die Folgen zu weit in der Zukunft, als dass ein Mensch sie unmittelbar erleben könnte. Filme, wie „The Day after Tomorrow“ versuchen die Folgen des Klimawandels greifbarer zu machen. Sie müssen dabei aber auf sprunghafte Veränderungen zu einem Zeitpunkt zurückgreifen, die den langsamen Veränderungen der Realität (und damit dem täglichen Erleben der Menschen) nicht entsprechen, wodurch es wiederum leicht ist, den Film als fiktives Kunstwerk einzuordnen (was er ja auch aber nicht ausschließlich ist).

Leider gibt man sich einer Illusion hin, wen man Paradoxie einfach ignoriert, Vereinbarkeit von Klimawandel und Kapitalismus annimmt und sich auf die Suche nach cleveren Lösungen begibt. Die zwei gravierenden Nachteile bestehen darin, dass (1.) das eigentliche Problem nicht bearbeitet wird und man (2.) Aufwand betreiben muss um die Illusion aufrecht zu erhalten. Letzteres funktioniert z.B. durch kognitive Dissonanzreduktion, selektive Wahrnehmung oder Verdrängung. Die Enistellung Klimawandel leugnen kann hier als Extrembeispiel dienen: „Da es den Klimawandel nicht gibt, ist Klimaschutz unnötig und problemlos mit Kapitalismus vereinbar.“. Die Unmöglichkeit die Folgen des Klimawandels oder makroskopische Zusammenhänge direkt (hautnah statt abstrakt-rational oder durch Kunst) zu erleben, macht es vergleichsweise einfach, die Illusion aufrecht zu erhalten.

Zum Schutz der eigenen Psychohygiene und zur Steigerung des eigenen Wohlbefindens ist die Nutzung von Illusionen übrigens äußerst legitim, erfolgreich und weit verbreitet. Im Fall von Klimaschutz und Kapitalismus können die positiven Effekte der Illusion genossen werden, mit einer gleichzeitig geringen Gefahr, dass die Illusion und dazugehörige stabilisierende Schemata durch reale Erfahrungen irritiert werden. Es ist gut möglich (und nicht verwerflich!) auf diesem Pfad ein glückliches Leben zu führen.

Ich halte den „Illusions-Ansatz“ als Umgang für die Paradoxie von Klimawandel und Kapitalismus dennoch (mindestens langfristig) für ungünstig. Das liegt vor allem daran, dass das eigentliche Problem nicht bearbeitet wird.

Das eigentliche Problem sind die Veränderungen durch den Klimawandel und die koordinierte Reaktion der Menschheit darauf. Hier schließt sich der Kreis zum Beginn des Artikels. Zu Beginn habe ich die unterschiedlichen Aspekte herausgearbeitet, hinsichtlich derer Klimaschützer als konservativ oder fortschrittlich bezeichnet werden können. Den gleichen Ansatz empfehle ich für den Umgang mit der Formel „Alles muss sich ändern, damit alles so bleibt wie es ist„. ENTWEDER-ODER und Verleugnung sind langfristig ungünstig.

Der erste Schritt ist anzuerkennen, dass eine Realisierung der Formell „Alles muss sich ändern, damit alles so bleibt wie es ist“ und der damit verbundenen Hoffnungen zwar wünschenswert, aber leider nicht möglich ist. Dieser Anerkennungsschritt bedeutet für die meisten Menschen eine massive Erschütterung von Grundannahmen (Schemata, Glaubenssätze, Skripte) über die Beschaffenheit der Welt. Das unmittelbare Ergebnis dieser Erschütterung ist psychischer Stress. Um mit diesem Stress umgehen zu können braucht es eigene psychische Ressourcen und Trost (Resonanz und Mitgefühl: Wie Trost gelingt von Frank Staemmler kann ich zu diesem Thema wärmstens empfehlen.)

Ich halte es für kurz- bis mittelfristig und aus psychologischer Sicht für clever und eine funktionale Strategie, sich diese Erschütterungen zu ersparen und einfach an die Vereinbarkeit von Klimaschutz and Kapitalismus zu glauben. Die stabilisierende Wirkung für das globale System und die individuelle Psyche dieser Illusion sind gigantisch und äußerst wertvoll. Als stützendes Beispiel können Menschen (z.B. Nietzsche) und Figuren (z.B. Faust) dienen, die konsequent versuchten Illusionen aufzulösen und zu hinterfragen. Sie sind eher nicht als besonders glückliche oder lebensfrohe Zeitgenossen bekannt.

Ist die Erschütterung des Illusionsverlustes überwunden, entsteht die Möglichkeit differenziert mit dem vorliegenden paradoxen Problem umzugehen. Die Anerkennung der Paradoxie ermöglicht Gewinne und Verluste als untrennbar verknüpft zu verstehen. Die jeweiligen Verluste und Gewinne unterschiedlicher Szenarien können dann bewusst abgewägt werden. (Hier ist übrigens ein Anknüpfungspunkt zum Konzept der Komplexität, also der Nicht-Existenz optimaler, verlustfreier Lösungen). Um dieses Abwägen zu ermöglichen finde ich folgende Fragen äußerst hilfreich.

  • Welche Veränderungen begrüße ich und wovon nehme ich deswegen Abschied?
  • Was möchte ich bewahren und worauf verzichte ich deswegen?

Ich glaube, dass diese Fragen die Kernfragen zur Bearbeitung der Paradoxie zwischen Kapitalismus und Klimaschutz sind. Vorausgesetzt, man entscheidet sich dafür dieses Problem zu bearbeiten. (Diese Entscheidung ist übrigens selbst wieder ein paradoxes Problem, wie anhand meiner Ausführungen hoffentlich deutlich wurde.) Darüber lassen sich die Fragen, für jeden persönlichen oder organisationalen Veränderungsprozess und grundsätzlich für paradoxe und komplexe Probleme nutzen. Voraussetzung dafür ist das Aufgeben von gewissen Sicherheits-spendenden Grundannahmen und ein Einlassen auf Unsicherheit, mehrfache Ambivalenz.

Ausblick: Die Gleichgültigkeit des Klimas

Im nächsten Schritt des Gedankenganges soll es um die Kuriosität des Begriffes Klimaschutz gehen und inwiefern das Klima überhaupt beschützt werden kann. Es wird sich zeigen, das Klimaschutz wenig mit der Schutzbedürftigkeit des Klimas selbst zu tun hat.

COVID-19: Die Wirkung politischer Maßnahmen auf die Zahl positiver Tests

Die dritte Welle der Corona-Pandemie scheint gebrochen. Das ist super und ich bin voller Hoffnung, dass wir langsam Richtung Ende der Pandemie blicken. Sommer und steigende Impfzahlen geben mir Hoffnung, für meinen geplanten Sommerurlaub am Gardasee.

Gleichzeitig bin ich ein sehr neugieriger Mensch und frage mich: Wie haben wir es geschafft die dritte Welle zu brechen? Vielleicht waren es ja die politischen Maßnahmen, die eingeführte Bundesnotbremse die zum Rückgang der Infektionszahlen geführt hat?

Schaut man sich die Zahl der positiven Tests der letzten Monate an, scheint die Annahme, dass politische Maßnahmen einen Einfluss auf den Rückgang der positiven Tests hatten plausibel:

Nach dem Beschluss des Lockdown Light Anfang November 2020, nach der Verschärfung des Lockdown Mitte Dezember 2020, sowie nach Beschluss der Notbremse im April 2021 steigen die berichteten positiven Testfälle langsamer oder gehen zurück.

Genauso scheint es, als seien die steigenden Zahlen und damit die dritte Welle durch die beschlossenen Lockerungsschritte Anfang März zu erklären.

Leider trügt diese Darstellung, was vor allem zwei Gründe hat:

  1. Berichtete positive Tests bilden das Geschehen ungefähr 10 bis 14 Tage vor dem Berichtsdatum ab
  2. Dass Virus verbreitet sich exponentiell – lineare Anstiege sind kein guter Indikator für die Infektionsdynamik

Um diese beiden Probleme auszugleichen hat das RKI vor über einem Jahr bereits das Nowcasting entwickelt: https://www.rki.de/DE/Content/InfAZ/N/Neuartiges_Coronavirus/Projekte_RKI/Nowcasting.html

Aus verschiedenen Daten wird das tatsächliche Erkrankungsdatum geschätzt und damit auch die Reproduktionszahl (R-Wert) geschätzt. Der R-Wert war vor allem vor einem Jahr präsent und gibt an, wie viele Menschen ein Infizierter Mensch ansteckt. ein R-Wert größer als 1 bedeutet exponentiell steigende Zahlen, ein R-Wert kleiner als 1 einen Rückgang der Zahl positiver Tests.

Um die Dynamik des Infektionsgeschehens zu bewerten ist der R-Wert also die richtige Wahl. Durch Analyse des zeitlichen Verlaufs des R-Werts können Einflusspunkte identifiziert werden, an denen sich der R-Wert ändert. Eine Veränderung der Entwicklung des R-Werts deutet daraufhin, dass irgendetwas passiert ist, das Einfluss auf die Infektionsdynamik hatte. Ich habe mir den 7 Tage R-Wert aus dem Nowcasting des RKI angeschaut und Einflusspunkte identifiziert:

Einflusspunkte sind immer dort, wo entweder Gipfel vorliegen, oder nach einer Zeit relativer Stabilität sich das Niveau des R-Werts beginnt zu verändern. Ich habe vier Einflusspunkte ausgewählt. Um die Einflusspunkte (gestrichelte Linien) herum habe ich einen 10 Tageskorridor gebaut (grüner Bereich) in dem vermutlich irgendetwas geschehen ist, dass Einfluss auf die Infektionsdynamik hatte.

Legt man die Einflusskorridore auf die Zahl der berichtete positiven Tests, ergibt sich folgendes Bild:

Bei diesem Bild wird deutlich, dass die Einflusskorridore durchaus treffend gewählt sind. Nach den Einflusskorridoren verändert sich das Wachstum der positiven Testzahlen in die jeweils erwartete Richtung. Hier braucht es genaues Hinschauen. Eine Reduzierung des R-Werts von ca. 1,2 auf 1 ist schon ein Signal dafür, dass die Infektionsdynamik verlangsamt wird, die absolute Zahl der positiven Tests steigt aber weiter an. Dieses Muster is im Dezember 2020 zu sehen.

Diese Darstellung veranschaulicht aber auch, wie schwierig es ist, den Effekt von Maßnahmen und Entscheidungen zu überprüfen. Es Vergehen mindestens 2 Wochen, bis sich überhaupt Effekte in der Zahl der positiven Tests zeigen. Und diese Effekte sind dann eher Wachstumsverlangsamung oder Stagnation und noch nicht unbedingt Rückgang der Zahlen.

Legt man die Infektionskorridore neben die politischen Beschlüsse auf Bundesebene ergibt sich folgendes Bild:

Der Zeitpunkt von politischen Beschlüssen liegt recht systematisch nach den Einflusskorridoren, die ich durch die Betrachtung des R-Werts identifiziert habe. Das isst recht ernüchternd, weil es nahelegt, dass die politischen Entschlüsse wenig Einfluss auf die Infektionsdynamik hatten. Zwei Hypothesen lassen sich recht sicher aufstellen:

  • Die 3. Welle baute sich schon auf, lange (knapp einen Monat) bevor Lockerungen beschlossen wurden
  • Der Beschluss der Bundesnotbremse kam gut zwei Wochen zu spät um für dass Brechen der 3. Welle (mit-) verantwortlich zu sein

Wichtig ist mir zu erwähnen, dass den politischen Entschlüssen mehrwöchige Diskussionen vorausgingen, die medial massive Aufmerksamkeit erhielten. D.h. möglicherweise war die Diskussion und Berichterstattung über den politische Entscheidungsprozess ein relevanter Einflussfaktor. Zumindest zeitlich würde das durchaus zu den Einflusskorridoren passen. Persönlich, aus der Erfahrung systemtheoretischer Beratung liegt mir der Gedanke sehr nahe, dass der Entscheidungsprozess mächtiger ist , als die formale Entscheidung.

Zu wissen, was nicht Einfluss auf die Infektionsdynamik nimmt, ist leider nur begrenzt hilfreich. Viel spannender ist natürlich herauszufinden, was tatsächlich Einfluss hat. Das wäre die Grundlage um zielgerichtete Maßnahmen setzen zu können.

Zumindest der Beginn der dritten Welle scheint recht gut durch das Aufkommen der Variante B.1.1.7 erklärbar: Diesen Schluss legt der stetig steigende Anteil dieser Variante ab Februar 2021 nahe, welcher mit dem Einflusskorridor im Februar zusammenfällt.

Diese Erklärung hilft aber auch nur dabei zu erklären, welche Umstände das Infektionsgeschehen verschlimmern (Virusvarianten!). Wofür mir bisher jegliche stichhaltige Erklärung fehlt, ist, welche Faktoren die Ausbreitung verlangsamen. Das ist das eigentliche Dilemma. Wir haben bis heute – abgesehen von AHA und Kontaktreduzierung – keine Ahnung, wie wir es schaffen Wellen zu brechen.

Dass ich kaum belastbare Evidenz für die Wirksamkeit formeller Maßnahmen finde und einige Maßnahmen grundsätzlich nicht nachvollziehen kann (Nächtliche Ausgangssperre?!) erschwert es zusätzlich Geduld und Akzeptanz aufzubringen. Aus meiner persönlichen Sicht, sitze ich seit sieben Monaten einfach im Home Office, tue eigentlich immer das gleiche und beobachte fasziniert, wie sich die Zahlen positiver Tests mal rauf und mal runter bewegen. Was ich persönlich tue, hat offensichtlich keinen Einfluss auf die Zahlen, deren Entwicklung ich mir trotz Fantasie, Mühe und Recherche häufig nur sehr schwer erklären kann.

Egal. Gerade gibt es ein Licht im Tunnel. Noch drei Monate bis zum Sommerurlaub, der vermutlich auch stattfinden kann.

COVID-19: Warum ich COVID-19 Impfungen für junge Menschen nicht verstehe

BionTech beantragt Zulassung ihres Impfstoffs für Jugendliche!

Das ist wichtig, denn „um eine Herdenimmunität zu erreichen, müssen wir außerdem mindestens die älteren Kinder impfen, sonst klappt das nicht.“

Die Impfung von Kindern ab Herbst scheint möglich!


Ich hadere mit solchen Schlagezeilen: Ich verstehe nicht, welchen Sinn es hat, junge Menschen (bzw. Menschen unter 35) flächendeckend gegen COVID-19 zu impfen.

Ich verstehe, dass es sinnvoll ist, Kinder zwischen 12 und 15 mit erhöhtem Risiko (z.B. Kinder die Trisomie 21) zu impfen. Insofern ist eine Zulassung für einen Impfstoff für Kinder eine gute Sache. Ich halte es auch für wichtig und richtig diese Kinder bevorzugt zu impfen.

Was ich nicht verstehe, ist, junge, gesunde Menschen flächendeckend gegen COVID-19 zu impfen. Ich halte diese Impfungen für unverhältnismäßig und wenig effektvoll. Mir graut es bei dem Gedanken, dass Lockerungen oder Öffnungsschritte auch für junge Menschen (unter 35) von Impfungen abhängig gemacht werden.

Wie ich zu dieser Meinung komme, möchte ich gerne erläutern.

Schnelle Impfung von Risikogruppen rettet Leben

Mein Gedankengang ist stark von der stoischen premeditatio malorum inspiriert. Sich den absoluten Worst Case konkret auszumalen und sich den damit verbundenen Ängsten zu stellen, eröffnet Handlungsmöglichkeiten für das Hier und Jetzt. Die Wirkung von Impfungen ist dann am größten, wenn der schlimmste epidemiologische Fall eintritt. Grundsatz meines Gedankengangs ist es, den theoretisch furchtbarsten Fall zu skizzieren, um den maximal möglichen Effekt von Impfungen zu erfassen. Dieser Effekt kann dann in Relation zu dem gesetzt werden, was sonst im Leben passiert.

Impfungen retten Leben. Es ist ein großartiger Verdienst und eine herausragende Leistung, dass es nach einem Jahr Pandemie mehrere wirksame Impfstoffe gibt. Die Phase-3 Studie des Biontech-Impfstoffes, schätzt die Wirksamkeit dieses Impfstoffes auf 95%. Der Impfstoff verhinderte 95% der schweren COVID-19 Erkrankungen. Für andere Impfungen werden teils höhere aber auch niedrigere Schutzwirkungen berichtet.

Für meinen Gedankengang nehme ich an, dass Impfstoffes 95% Prozent aller theoretisch möglichen Tode verhindern können. 95% der Toten eines Worst Case Szenarios könnten durch Impfung verhindert werden. Der nächste Schritt ist das Worst Case Szenario zu skizzieren. Dazu braucht es:

  • Die Mortalitätsrate (IFR), also der Anteil der Menschen je Altersgruppe die nach einer Infektion mit SARS-CoV-2 sterben
  • Die Zahl der Menschen, die sich im theoretischen Worst Case mit SAR-CoV-2 infizieren könnten

Ich werde Schritt für Schritt vorgehen und die Datenquellen, die ich verwende direkt im Text verlinken.

Schätzung der Mortalitätsrate (IFR) je Altersgruppe

Wie viele Menschen an oder mit einer Infektion mit SARS-CoV-2 und der folgenden COVID-19 Erkrankung sterben ist seit Beginn der Pandemie ein viel diskutiertes Thema. Anfängliche Schätzungen lagen häufig bei 2-10%, was schnell zu grausigen Schreckensszenario-Berechnungen führen kann. Für meine Schätzung der IFR ziehe ich zwei unterschiedliche Quellen heran.

Die erste Quelle ist eine Meta-Analyse von Levin und Kollegen zur IFR, die mehrere Studien zusammenfasst. Die Studie liefert Schätzungen für die Mortalitätrate je Altersgruppe. Als Schätzung für die IFR nutze ich die Werte, die sie für das obere Ende ihres 95%-Konfidenzintervalls berichten. Der wahre Wert der IFR ist also mit 97,5%-iger Wahrscheinlichkeit so groß oder niedriger als der Wert, den ich nutze.

AltersgruppeMortalitätsrate
0 – 340,005 %
35 – 440,078 %
45 – 540,26 %
55 – 640,87 %
65 – 743%
75 -8410,4%
85+36,6 %
Mortalitätsraten aus der Meta-Analyse von Levin

Deutlich erkennbar ist der Altersgradient. Mit zunehmendem Alter steigt die Gefahr, die vom Virus ausgeht massiv an. Dieses Wissen ist nicht neu. Im Prinzip wissen wir das schon seit Beginn der Pandemie. Übrigens, der geschätzte Mittelwert für die Gruppe junger Menschen (0 – 35) ist 0,004 %. Der Unterschied zwischen 0,004% und 0,005% scheint vernachlässigbar, bedeutet aber eine – relativ gesehen – 25% höhere Schätzung der Todeszahlen für diese Altersgruppe. Ja, Statistik ist oft kontraintuitiv und ich gebe mir Mühe den Worst Case zu berechnen und nichts schön zu rechnen.

Die zweite Quelle zur Schätzung der IFR sind die berichteten Zahlen positiver Tests und Todeszahlen des RKI. Hier lässt sich ziemlich stumpf eine IFR schätzen, indem man die Zahl der Toten durch die Zahl der positiv Getesteten teilt. Diese Berechnung ist methodisch sehr fragwürdig und kein seriöser Wissenschaftler sollte so vorgehen. (Dunkelziffer! Positiver Test ist nicht gleich Erkrankung!). Ich tue es trotzdem mit den Daten vom 29.04.:

AltersgruppeAnzahl Positive TestsAnzahl ToteMortalitätsrate
0 – 479.79380,01 %
5 – 14224.62050,0022 %
15 – 34974.1811370,014 %
35 – 591.273.8493.0670,24 %
60 – 79497.42323.3874,7 %
80+278.37055.92120,1 %
Mortalitätsraten geschätzt auf Basis RKI-Daten

Die grob geschätzten Mortalitätsraten auf Basis der Daten des RKI unterscheiden sich von den Daten aus der Meta-Analyse von Levin. Sie scheinen tendenziell etwas höher, so ganz genau kann man das aufgrund der unterschiedlichen Gruppendefinition aber nicht sagen. nichtsdestotrotz zeigen die Zahlen das gleiche Muster und sind von Größenordnung vergleichbar. Ich denke daher, dass diese Schätzungen durchaus realistisch sind und vermute, dass ich mit en Zahlen des RKI eher eine z hohe als eine zu niedrige IFR schätze, was ganz im Sinne einer Worst Case Abschätzung ist.

Mit der Mortalitätsrate und der Schätzung der Schutzwirkung der Impfung (95%) lässt sich abschätzen, wie viele Menschenleben durch Impfung theoretisch gerettet werden könnten.

Schätzung der geretteten Leben

Für diese Berechnung nehme ich vereinfacht an, dass sich alle Menschen in Deutschland mit dem Virus infizieren. Das ist der theoretische Worst Case. Mehr als alle Menschen können sich nicht anstecken. Dieser Fall ist unrealistisch und verzerrt das Bild hin zum Negativen und Schrecklichen, weil:

  • Aufgrund von Herdenimmunität und Verbreitungsynamik würden sich nie alle Menschen in Deutschland mit dem Virus infizieren.
  • Die Rechnung staucht die Wirkung auf eine in Sekunden erfassbare Zahl, die sich über Monate oder Jahre entwickeln würde (Seit Beginn der Pandemie haben sich etwas mehr als 3 Millionen von 80 Millionen Deutschen mit dem Virus infiziert).

Zum Vergleich: John Ioannidis (immerhin Professor in Stanford) nutzt in seiner Studie zur Durchführung ähnlicher Berechnungen die Annahme, dass sich 30% bzw. 60% der Menschen mit dem Virus infizieren könnten. Man muss aber dazusagen, dass er sich schon seit Beginn der Pandemie sehr kritisch zu Maßnahmen und Lockdowns äußert und auch seine Forschungsarbeiten diese Meinung widerspiegeln.

Aber jetzt zu den Schätzungen. Ich nehme die Bevölkerungszahlen der jeweiligen Altersgruppe von Ende 2019 und multipliziere sie mit er Mortalitätssrate. Das Ergebnis ist die theoretisch mögliche maximale Worst Case Todeszahl. Diese Zahl multipliziere ich mit 95% und schon ergibt sich die maximale Anzahl an Menschen, die durch Impfung theoretisch gerettet werden könnten.

Zunächst die Zahlen auf Basis der Daten der Meta-Analyse von Levin:

AltersgruppeMenschen in der BRD 2019MortalitätsrateMaximale TodeszahlImpf-Rettungen (95%)
0 – 3430.509.1240,005 %1.5251.449
35 – 4410.198.2360,078 %7.9547.556
45 – 5411.983.5930,26 %31.15729.599
55 – 6412.3850760,87 % 107.750102.363
65 – 748.533.1273 %255.993243.193
75 -847.170.70110,4 %745.752708.464
85+2.783.37036,6 %873.588829.908
Schätzungen auf Basis der Meta-Analyse von Levin

Jetzt die Zahlen auf Basis der RKI-Daten.

AltersgruppeMenschen in der BRD 2019MortalitätsrateMaximale TodeszahlImpf-Rettungen (95%)
0 – 43.961.3760,01 %397377
5 – 147.429.8830,0022 %165157
15 – 3419.117.8650,014 %2.6892.555
35 – 5928.919.1340,24 %69.62866.147
60 – 7918.057.3184,7 %848.989806.540
80+5.681.13520,1 %1.141.2681.084.205
Mortalitätsraten geschätzt auf Basis RKI-Daten

Es ist offensichtlich dass es völlig bescheuert wäre Menschen über 60 nicht schnellstmöglich zu impfen. Punkt. Die Zahlen bilden dass schlimmste denkbare Szenario ab, aber selbst, wenn sich nur 50 % , 30% oder 20 % aller Menschen in Deutschland mit dem Virus infizierten, könnten durch die Impfung hunderttausende Leben gerettet werden. Über die Menschen zwischen 35 und 60 will ich nicht diskutieren. Im Zweifel pro Impfung, Tote verhindern, impfen.

Über die Menschen unter 35 möchte ich reden. Meine Meinung ist klar:

  1. Eine Impfung von (sonst gesunden) Menschen unter 35 ist unverhältnismäßig zum erzielten Effekt
  2. Lockerungen von Maßnahmen sollten beginnen, sobald alle Menschen in Risikogruppen und über 60 geimpft sind

Gesunde, junge Menschen zu impfen ist unverhältnismäßig

Nimmt man die oben gezeigten (Worst Case!!!) Daten könnten 1.449 (Levin-Daten) bis 3.089 (RKI-Daten) Menschen unter 35 durch eine Impfung gerettet werden. In Deutschland gibt es (Stand 2019) 30.509.124 Menschen unter 35.

Anders ausgedrückt: Um ein Menschenleben dank Impfung zu retten, müsste ich mindestens 10.000 Menschen impfen.

Der erscheint mir unverhältnismäßig.

Jedes Menschenleben ist wertvoll und verdient es bewahrt zu werden. Ich möchte nur die Verhältnismäßigkeit von Lebensrettung durch Impfung hinterfragen. Die traurige und bedrohliche Wahrheit ist: Jeder Mensch stirbt irgendwann und es trifft leider auch immer wieder junge Menschen.

2019 starben 10.160 Menschen unter 35. 1249 davon begingen Suizid.

Ich möchte hier unbedingt differenzieren: Ich halte es für wichtig und richtig auch junge Menschen zu impfen, die entweder ein erhöhtes Risiko für einen schweren Verlauf haben, oder durch ihren Beruf leicht besonders gefährdete Menschen anstecken könnten. Die in Deutschland genutzte Impf-Priorisierung sortiert diese Menschen in die Kategorien 1 bis 3.

Die überwältigende Mehrheit der 30 Millionen Menschen unter 35 in Deutschland fällt nicht in diese Kategorie. Diese Menschen werden eine Infektion mit SARS-CoV-2 mit ca. 99,986 % Wahrscheinlichkeit überleben. Die Wahrscheinlichkeit für Menschen unter 35 an COVID-19 zu überleben, is ziemlich genau so groß, wie die Chance eines durchschnittlichen 14-jährigen seinen 15. Geburtstag zu erleben – also nicht aufgrund irgend einer anderen Ursache als COVID-19 zu sterben. Das nennt man allgemeines Lebensrisiko.

Die Realität der Todeszahlen sieht bisher so aus:

  • Seit Beginn der Pandemie vor mehr als einem Jahr starben 150 Menschen unter 35 Jahren mit COVID-19
  • 2019 begingen 1.249 Menschen unter 35 Jahren Suizid
  • 2019 starben 1.542 Menschen unter 35 Jahren durch Unfälle

Ja, eine Impfung schützt auch vor schweren Krankheitsverläufen. Ja, durch Impfung werden auch LongCovid Erkrankungen junger Menschen verhindert. Die Impfung verhindert nicht nur Tote, sie tut mehr. Genauso leiden junge Menschen aber auch an anderen Umständen. Die Nebenwirkungen und Langzeitfolgen von Maßnahmen und Impfung sollten genauso wenig ignoriert werden!

Maßnahmen müssen gelockert werden – für Geimpfte und junge Menschen

Ich bin von diesen Zahlen als junger Mensch betroffen. Ich akzeptiere und befolge Einschränkungen notgedrungen verliere aber mehr und mehr Verständnis und Geduld für Politik sowie mediale Berichterstattung, Angstklima.

Gerade die Zahl der Suizide berührt mich persönlich, weil ich mich vor etwas mehr als zwei Jahren wegen Suizidgedanken in eine Psychiatrie habe einliefern lassen. Suizid ist für mich keine abstrakte Idee sondern etwas mit dem ich mich sehr konkret beschäftigt habe. Ich weiß daher auch, wie groß der Leidensdruck ist, wie lange die Qualen schon andauern mussten, wenn man überhaupt anfängt ernsthaft über Suizid nachzudenken. Die Tat tatsächlich umzusetzen, statt nur darüber nachzudenken, lässt auf noch viel schlimmeres Leid und Hoffnungslosigkeit schließen.

1.249 Menschen unter 35 haben 2019 in Deutschland Suizid begangen.

150 Menschen unter 35 sind in den letzten 15 Monaten an oder mit COVID-19 gestorben.

Zum Schutz von anderen und (angeblich) auch zum eigenen Schutz vor COVID-19 erdulden mehr als 30.000.000 Menschen in Deutschland unter 35 seit 15 Monaten teils massive Einschränkungen. Sport ist kaum möglich, soziale Kontakte sind eingeschränkt, Schule, Universität, Berufsleben wird stark beeinträchtigt, eine Dauerbeschallung mit Angst findet statt, mittlerweile dürfen sich auch alle Kinder im Land zwei mal die Woche selbst testen.

Ja, COVID-19 ist eine Gefahr an der Hunderttausende oder gar Millionen von Menschen in Deutschland theoretisch, im absolut schlimmsten Fall, sterben könnten.

Aber: Wir haben Impfstoffe. Wir wissen viel über das Virus. Für Millionen von Menschen ist das Virus keine größere Gefahr, als sie es selbst für sich sind – auch ohne Impfung! Es braucht einen klaren, mutigen Paradigmenwechsel.

Aus meiner Sicht müssen alle Maßnahmen zwingend gelockert werden, wenn alle Risikopatienten oder spätestens wenn alle Menschen über 35 geimpft sind:

  • Das Risiko für Menschen unter 35 an COVID-19 zu sterben liegt in der Größenordnung des allgemeinen Lebensrisikos
  • Wenn alle (oder der Großteil) der Menschen über 35 und Risikopatienten geimpft sind, kann sich da Virus nur langsam verbreiten. Das Infektionsrisiko für Menschen unter 35 sinkt auch ohne Impfung drastisch
  • Wenn alle (oder der Großteil) der Menschen über 35 und Risikopatienten geimpft sind, gibt es auch niemanden mehr, den Menschen unter 35 anstecken oder besonders gefährden könnten

Ich sehe in absehbarer Zeit, wenn die dritte Welle abgeebbt ist, und für eine deutlich größere Zahl von Menschen voller Impfschutz besteht keine Gründe mehr noch irgendwelche Maßnahmen aufrecht zu erhalten.

Übrigens: Ich habe mich zur Impfung angemeldet und werde mich impfen lassen. Für meine Gesundheit oder mein Sicherheitsgefühl erwarte ich mir nichts davon. Ich befürchte aber aufgrund der politischen Großwetterlage, dass mein Sommerurlaub ohne Impfnachweis ins Wasser fallen könnte.

COVID-19: Positive Tests nach Altersgruppen

Ein Thema, das mich seit Beginn der Pandemie interessiert und für das ich erstaunlich selten aufbereitete Grafiken finde, sind Unterschiede zwischen Altersgruppen. Die Daten liegen vor und werden auch vom RKI auf dem eigenen Dashboard dargestellt. Was nicht dargestellt wird sind Zeitreihen.

Das Thema interessiert mich als Vater besonders, weil für Familien der Einfluss von Schul- und Kindergartenschließungen enorm ist. In der Betrachtung der Daten werde ich daher vor allem aus dieser Brille auf die Daten schauen und verschiedene Visualisierungsmöglichkeiten zeigen.

Für die Visualisierungen nutze ich:

Positive Tests aufgesplittet nach Altersgruppe

Zunächst einfach mal die Anzahl der positiven Tests über die Zeit aufgesplittert nach Altersgruppen, die dass Rai angibt.

Interessant finde ich hier die Wellenform die für jede Altersgruppe insbesondere in der zweiten Welle deutlich zu erkennen ist. In der zweiten Welle ist die nicht der Fall für Kinder (Altersgruppe 0-4 und 5-14). Interessanterweise bleibt auch die Zahl der positiven Tests bei den Menschen über 80 in der dritten Welle flach. Ein Hinweis auf die Wirksamkeit der Impfungen, wie mittlerweile auch die Zeit meint.

Positive Tests gestapelt nach Altersgruppe

Eine Alternative Darstellung dieser Daten ist, die Linien zu stapeln:

Mir gefällt diese Darstellung sehr, weil sich die einzelnen Altersgruppen einfach zur Gesamt-Kurve addieren. Die Relationen der Anzahl zwischen den Gruppen kommen hier schön zur Geltung. Schaut man auf den Anteil der Kinder an der Gesamtzahl der positiv getesteten Personen, scheint dieser gering. In einer anderen Darstellung lässt er sich aber noch besser einschätzen.

Positive Tests nach Altersgruppe – relativ gestapelt

Berechnet man der relativen Anteil aller Altersgruppen an der Gesamtzahl und macht ein Bild daraus, sieht man folgendes:

Zur Orientierung habe ich den Verlauf der Gesamtzahl positiver Tests mit in dass Bild geplottet. Spannend ist, dass während der ersten und zweiten Welle der Anteil der Über 60-Jährigen stark ansteigt. Dieser Effekt scheint vor allem durch die Menschen über 80 getrieben zu sein und ist für die 3. Welle nicht sichtbar.

Offensichtlich wird auch, dass mehr als 60% aller positiven Tests auf Menschen zwischen 15 und 59 zurückzuführen sind

Es gibt zwei Probleme mit den Stapeldarstellungen:

  • Der unterste Bereich verzerrt optisch alle darüber gestapelten Bereiche – ich persönlich finde Stapeldarstellungen daher zwar hübsch aber wenig aussagefähig
  • Die Darstellung berücksichtig nicht die unterschiedliche Größe der Altersgruppen

Inzidenz nach Altersgruppen

Dieses Problem lässt sich lösen, wenn man die 7-Tage-Inzidenz je 100.000 Einwohner je Altersgruppe berechnet, wie das auch für Landkreise getan wird.

Aals Orientierung stellt die gestrichelte rote Linie eine Inzidenz von 165 dar – der Wert, aber dem voll auf die neue, bundesweite Notbremse getreten wird und u.a. Schulen geschlossen werden.

Die Linien zeigen nun, wie stark betroffen Altersgruppen zum jeweiligen Zeitpunkt waren. Am stärksten springt der Gipfel zum Höhepunkt der zweiten Welle heraus: Menschen über 80 waren zu diesem Zeitpunkt besonders stark betroffen. Verhältnismäßig wenig betroffen (positiv getestet) waren in der zweiten Welle Kinder. Dieses Bild ändert sich ein wenig zur dritten Welle, wo Kinder ungefähr so häufig positiv getestet werden wie Erwachsene.

Zur besseren Detaillierung, die gleichen Daten getrennt für Jüngere und Ältere.

Was für mich aus diesen Darstellungen deutlich wird und eigentlich seit Beginn der Pandemie erahnbar ist, ist, dass Kinder vermutlich keine herausragende Rolle im Pandemiegeschehen spielen. Sie weisen weder von der absoluten Anzahl an positiv getesteten, noch nach relativem Anteil noch nach Inzidenz höhere Werte vor als andere Altersgruppen.

Gleichzeitig bilden Kinder meiner Meinung nach eine besonders schützenswerte Gruppe. Bei der Auswahl von Maßnahmen sollten Kinder daher weiter starken Maßnahmen ausgesetzt sein als Erwachsene. Dieser Umstand wird auch durch die Diskussionen um Privilegien für Geimpfte relevanter. Für Kinder gibt es bisher keine zugelassenen Impfstoffe (was auch sinnvoll ist). D.h. hier müssen Privilegien für Kinder unabhängig vom Impfstatus mitbrachtet werden.

R Skript

Im Skript werden lokale Dateien geladen, die selbst gespeichert werden müssen. Weil ich verschiedene Datenquellen nutze und kombiniere, werden im Skript mehr Daten geladen als für obige Grafik nötig.

###########  Daten aus DIVI laden und nur die Daten für Deutschland auswählen   ##########
#Einlesen
bundesland.zeitreihe <- read.csv("https://diviexchange.blob.core.windows.net/%24web/bundesland-zeitreihe.csv")

#Filtern
divi <- filter(bundesland.zeitreihe, Bundesland == "DEUTSCHLAND")
divi_s <- divi[,-(2:3)]

max(divi$Anzahl_Meldebereiche_Erwachsene)
plot(divi$Anzahl_Meldebereiche_Erwachsene, type = "l")

#Aufräumen
names(divi_s) <- c("Datum", "covCount", "bedsUsed", "bedsFree", "reserve", "ivFree", "ivFreeCov", "sitGood", "sitMedium", "sitBad", "sitNA")
divi_s$Datum <- as.Date(divi_s$Datum)

#Moving Averages berechnen
divi_s$bedsUsed_7 <- movavg(divi_s$bedsUsed,7,"s")


############### Daten vom RKI laden, aggregieren und moving averages der letzten 7 Tage berechnen ##############
#Einlesen
rki <- read.csv("https://opendata.arcgis.com/datasets/dd4580c810204019a7b8eb3e0b329dd6_0.csv")
rki_s <- data.frame(rki$Meldedatum, rki$AnzahlFall, rki$AnzahlTodesfall, rki$AnzahlGenesen)

#Anzahl der Fälle auf Null setzen, wo es sich um Todesfall, aber keinen neuen Fall handelt
rki$AnzahlFall[rki$NeuerFall == 1] <- 0

#Aggregieren
names(rki_s) <- c("Datum", "Infekt", "Tod", "Gesund")
rki_a <- aggregate(rki_s[,2:4], list(rki_s$Datum), FUN = sum)
names(rki_a) <- c("Datum","Infekt", "Tod", "Gesund")

#Moving Averages berechnen
Infekt_7 <- movavg(rki_a$Infekt,7,"s")
Tod_7 <- movavg(rki_a$Tod,7,"s")
Gesund_7 <- movavg(rki_a$Gesund,7,"s")

#Aufräumen
rki_c <- data.frame(rki_a, Infekt_7, Tod_7, Gesund_7)
rki_c$Datum <- as.Date(rki_c$Datum)

####### RKI Fallzahlen und DIVI Daten Mergen und Normalisieren #########

#RKi Fallzahlen und DIVI zahlen mergen und weitere Variablen bereechnen
d <- merge(rki_c, divi_s, by=c("Datum"), all.x = TRUE)
d$beds <- d$bedsFree + d$bedsUsed
d$bedsT <- d$bedsFree + d$bedsUsed + d$reserve

d$ivFree
#Normalisierung von Variablen
z <- as.data.frame(apply(d[,c("Infekt_7", "Tod_7", "covCount", "ivFree", "bedsUsed_7", "beds", "bedsT", "sitGood", "ivFreeCov")], 2, FUN = normalize, method = "range", range = c(0,1)))
z$Datum <- d$Datum
z$ivFree[z$ivFree == 0] <- NA
z$ivFreeCov[z$ivFreeCov == 0] <- NA

########## RKI Testdaten aus lokaler Excel einlesen ##########
#Einlesen und unnötige Zeilen rauswerfen
tests <- read_excel("Documents/Corona Date/Testzahlen-gesamt.xlsx")
tests <- tests[-c((nrow(tests)-(nrow(tests)-1)),nrow(tests)),]
names(tests) <- c("KW", "Zahl", "ZahlPos", "PosAnteil", "Labore")

#Datensatz bereinigen, erste und letzte Zeile entfernen, Daten normalisieren
tz <- as.data.frame(apply(tests[,c("Zahl", "ZahlPos", "PosAnteil", "Labore")], 2, FUN = normalize, method = "range", range = c(0,1)))
tz$KW <- tests$KW

######### RKI Testdaten von Wochenbericht auf Tage strecken ###################

#Vorbereitung des Datensatzes
ndays = nrow(z) # Zahl der Tage, die schon im RKI Bericht sind

td <- matrix(0, nrow = ndays, ncol = 4)
td <- as.data.frame(td)
names(td) <- c("Datum", "Zahl", "ZahlPos", "PosAnteil")

td$Datum <- z$Datum

# Wochenzahlen der Tests für jeden Tag reinschreiben
for(w in 0:(nrow(tests)-1)) {
  for(p in 0:6){
    td$Zahl[31 + (w*7) + p] <- tz$Zahl[w+1]
    td$PosAnteil[31 + (w*7) + p] <- tz$PosAnteil[w+1]
    td$ZahlPos[31 + (w*7) + p] <- tz$ZahlPos[w+1]
  }
}

#Die Tage, für die es am Ende noch keine Daten gibt großzügig rauswerfen
s <- ndays - 5
for(x in s:ndays){
  td$Zahl[x] <- NA
  td$PosAnteil[x] <- NA
  td$ZahlPos[x] <- NA
}

############ Mergen der DIVI, RKI, und Testdaten #############
total <- merge(z, td, by=c("Datum"), all.x = TRUE)

total$PosAnteil_7 <- movavg(total$PosAnteil, 7, "s")

########## RKi Daten nach Altersgruppen, Infektionen & Tode ##########################
#Datenauswählen
rage <- data.frame(rki$Meldedatum, rki$Altersgruppe, rki$AnzahlFall, rki$AnzahlTodesfall)
names(rage) <- c("Datum", "Altersgruppe", "Infekt", "Tod")
rage$Datum <- as.Date(rage$Datum)

#Aggregieren 
age_dat <- aggregate(rage[3:4], by = list(rage$Datum, rage$Altersgruppe), FUN = sum, drop = FALSE)
names(age_dat) <- c("Datum", "Altersgruppe", "Infekt", "Tod")

#Splitten
age_dat_split <- split(age_dat, f= age_dat$Altersgruppe)

#Moving average berechnen
age_dat_split_7 <- lapply(age_dat_split, function(x){
  x$Infekt_7 <- movavg(x$Infekt, 7, "s") 
  x$Tod_7 <- movavg(x$Tod, 7, "s") 
  return(x)
})

#Unsplitten
age_dat_comb <- unsplit(age_dat_split_7, f= age_dat$Altersgruppe)

############## Zensus-Daten einlesen #################
Zensus <- read_excel("Documents/Corona Date/Graphics/Altersgruppen/Zensus.xlsx")
Zensus$Alter <- as.numeric(Zensus$Alter)
Zensus_sum <-as.data.frame()

N_A00_A04 <- sum(subset(Zensus$J2019, Zensus$Alter < 5))
N_A05_A14 <- sum(subset(Zensus$J2019, Zensus$Alter > 4 & Zensus$Alter < 15))
N_A15_A34 <- sum(subset(Zensus$J2019, Zensus$Alter > 14 & Zensus$Alter < 35))
N_A35_A59 <- sum(subset(Zensus$J2019, Zensus$Alter > 34 & Zensus$Alter < 60))
N_A60_A79 <- sum(subset(Zensus$J2019, Zensus$Alter > 59 & Zensus$Alter < 80))
N_A80 <- sum(subset(Zensus$J2019, Zensus$Alter > 79))

Zensus_Sum <- as.data.frame(matrix(c("A00-A04", "A05-A14", "A15-A34", "A35-A59","A60-A79","A80+"), byrow = F, ncol = 1))
names(Zensus_Sum) <- c("Altersgruppe")
Zensus_Sum$Zahl_Alter <- c(N_A00_A04, N_A05_A14, N_A15_A34, N_A35_A59, N_A60_A79, N_A80)

#Zensus Daten an Alterstdaten ranmergen
age_dat_comb <- merge(age_dat_comb, Zensus_Sum, by=c("Altersgruppe"), all.x = TRUE)

#7 Tage Inzidenz je 100.000 Einwohner je Altersgruppe berechnen
age_dat_comb$Inz_7 <- age_dat_comb$Infekt_7 * 7 * 100000 / age_dat_comb$Zahl_Alter

############## rki Daten relativ ##################
age_dat_split_rel <- lapply(age_dat_split, function(x){
  x$Infekt_rel <- x$Infekt / rki_a$Infekt 
  return(x)
})

#Moving Averages berechnen
age_dat_split_rel_7 <- lapply(age_dat_split_rel, function(x){
  x$Infekt_rel_7 <- movavg(x$Infekt_rel, 7, "s") 
  return(x)
})

#unsplitten
age_dat_comb_rel <- unsplit(age_dat_split_rel, f= age_dat$Altersgruppe)
age_dat_comb_rel_7 <- unsplit(age_dat_split_rel_7, f= age_dat$Altersgruppe)


################# Plotten relativer Anteeil der Erkrankten nach Altersgruppe #######################
#Anzahl als einfache Linie
age_line <- ggplot(data = subset(age_dat_comb,age_dat_comb$Datum > "2020-03-01" & age_dat_comb$Altersgruppe != "unbekannt"), aes(x = Datum, y = Infekt_7)) + geom_line(aes(group = Altersgruppe, col = Altersgruppe), size = 0.5) + scale_color_brewer(palette = 3)
age_line <- age_line + ggtitle("Positive Tests nach Altersgruppen") + ylab("Positive Tests") + theme_classic() + theme(plot.title = element_text(hjust = 0.5), panel.background = element_rect(fill = "white"))
age_line

#Anzahl als gestapeltes Diagramm
age_plot <- ggplot(data = age_dat_comb, aes(x = Datum, y = Infekt_7)) + geom_area(aes(group = Altersgruppe, fill = Altersgruppe), position = 'stack') + scale_fill_brewer(palette = 3) + geom_line(aes(group = Altersgruppe), size = 0.3, position = "stack") 
age_plot <- age_plot + ggtitle("Positive Tests nach Altersgruppen - gestapelt") + ylab("Positive Tests") + theme_classic() + theme(plot.title = element_text(hjust = 0.5), panel.background = element_rect(fill = "white"))
age_plot

#Relativer Anteil wegen Datenartefakten eingeschränkter Zeitbereich
rel_plot <- ggplot(data = subset(age_dat_comb_rel_7,  age_dat_comb_rel_7$Datum > "2020-03-10" & age_dat_comb_rel_7$Datum < "2021-04-24" & age_dat_comb_rel_7$Altersgruppe != "unbekannt"), aes(x = Datum, y = Infekt_7)) + geom_area(aes(y = Infekt_rel_7 ,group = Altersgruppe, fill = Altersgruppe), position = 'stack') + scale_fill_brewer(palette = 3)
rel_plot <- rel_plot + ggtitle("Positive Tests nach Altersgruppen - relativ") + ylab("Anteil") + theme_classic() + theme(plot.title = element_text(hjust = 0.5), panel.background = element_rect(fill = "white")) + geom_line(data=subset(total, total$Datum > "2020-03-10" & total$Datum < "2021-04-24" ), aes(y = Infekt_7))
rel_plot

#Inzidenz für alle
inz_line <- ggplot(data = subset(age_dat_comb,age_dat_comb$Datum > "2020-03-01" & age_dat_comb$Altersgruppe != "unbekannt"), aes(x = Datum, y = Inz_7)) + geom_line(aes(group = Altersgruppe, col = Altersgruppe), size = 0.5) + scale_color_brewer(palette = 3)
inz_line <- inz_line + ggtitle("Inzidenz nach Altersgruppen") + ylab("Positive Tests je 100.000 Einwohner") + theme_classic() + theme(plot.title = element_text(hjust = 0.5), panel.background = element_rect(fill = "black")) + geom_hline(yintercept=165, linetype="dashed", color = "red")
inz_line

#Inzidenz Junge
inz_line_young <- ggplot(data = subset(age_dat_comb, age_dat_comb$Datum > "2020-03-01" & age_dat_comb$Altersgruppe %in% c("A00-A04", "A05-A14", "A15-A34")), aes(x = Datum, y = Inz_7)) + geom_line(aes(group = Altersgruppe, col = Altersgruppe), size = 0.5) + scale_color_brewer(palette = 1)
inz_line_young <- inz_line_young + ggtitle("Inzidenz nach Altersgruppen - Jüngere") + ylab("Positive Tests je 100.000 Einwohner") + theme_classic() + theme(plot.title = element_text(hjust = 0.5), panel.background = element_rect(fill = "black")) + geom_hline(yintercept=165, linetype="dashed", color = "red")
inz_line_young

#Inzidenz Alte
inz_line_old <- ggplot(data = subset(age_dat_comb, age_dat_comb$Datum > "2020-03-01" & age_dat_comb$Altersgruppe %in% c("A35-A59", "A60-A79", "A80+")), aes(x = Datum, y = Inz_7)) + geom_line(aes(group = Altersgruppe, col = Altersgruppe), size = 0.5) + scale_color_brewer(palette = 2)
inz_line_old <- inz_line_old + ggtitle("Inzidenz nach Altersgruppen - Ältere") + ylab("Positive Tests je 100.000 Einwohner") + theme_classic() + theme(plot.title = element_text(hjust = 0.5), panel.background = element_rect(fill = "black")) + geom_hline(yintercept=165, linetype="dashed", color = "red")
inz_line_old

COVID-19: Der Zusammenhang zwischen Tests und Infektionen

Auf geht es in eine neue Runde COVID-19 Datenanalyse mit R. Thema heute: Wie hängen Zahl der Tests und Zahl der berichteten Infektionen zusammen?

Die Behauptung, steigende Infektionszahlen seien dadurch begründet, dass mehr getestet wird, dürfte jedem schon begegnet sein. Erfreulicherweise finden sich beim RKI nicht nur die Infektionszahlen sondern auch Daten zu Tests:

Dass die Zahl der Tests und die Zahl der Infektionen zusammenhängt ist offensichtlich und trivial: Ohne Tests, kann es keine berichteten Infektionen geben. Die berichtete Infektionszahl ist abhängig von der Testzahl, es geht gar nicht anders.

Ob Veränderungen in er Teststrategie oder das tatsächliche Infektionsgeschehen ursächlich für die veränderten berichteten Infektionszahlen sind ist eine komplett andere Frage. Sie lässt sich anhand der Zeitreihendaten analysieren.

Ich habe die Daten normalisiert (auf eine Skala gebracht) und geplottet. Infektionszahlen, werden täglich von Gesundheitsämtern an das RKI übermittelt, Testzahlen wöchentlich von Laboren. Deswegen sind Testzahl und Positivrate „eckig“.

Mit diesen Informationen lässt sich der Zusammenhang zwischen Infektionszahl und Testzahl betrachten. Der hypothetische Extremfall ist folgender: „Die Infektionszahl hängt nur von der Anzahl der Tests ab.“

Diese Hypothese lässt sich mit den Daten prüfen. Prüfen heißt im wissenschaftlichen Sinn, die Hypothese versuchen mit Daten zu widerlegen (Falsifikationsprinzip). Dabei helfen die Daten von Juli 2020 bis Ende September 2020:

Veränderung der Testzahl ohne Effekt auf Infektionszahl

Was hier klar zu sehen ist, ist ein massiver Anstieg der Testzahlen, wohingegen bei der Anzahl der Infektionen und der Positivrate wenig passiert. Hinge die Zahl der Infektionen, nur vor der Zahl der Tests ab, müsste die Zahl der Infektionen parallel zur Zahl der Tests steigen. Das tut sie nicht. Also ist die Aussage“Die Infektionszahl hängt nur von der Anzahl der Tests ab.“ widerlegt.

Es ist von immenser Bedeutung zu verstehen, dass mit dieser Prüfung nur widerlegt wurde, dass die Testzahl der einzige Faktor ist, der die Infektionszahl beeinflusst. Er zeigt, dass es noch andere Faktoren geben muss, die die berichtete Infektionszahl beeinflussen, allen voran (aber nicht ausschließlich!) das Infektionsgeschehen. (Für Statistik-Interessierte: Stichwort aufgeklärte Varianz)

Es gibt klare Effekte von Testzahl und berichteter Infektionszahl. Diese zeigen sich in den Daten von Oktober 2020 bis Februar 2021.

Effekte von Testzahlen auf Infektionszahlen

Zunächst ist der beige Bereich spannend. (Fun Fact: Die Farbe heißt in R „floralweiß“) Dieser Bereich deckt Mitte Oktober bis Mitte Dezember und somit auch den „Lockdown Light“ im November sowie dessen Verschärfung Ende Dezember ab. Wichtig sind drei Zusammenhänge:
  • Im Oktober steigt die Zahl der Tests stark, gleichzeitig steigt die Zahl der Infektionen sehr schnell -> Die Steigerung der Testzahl führt zu einer (leichten) Überschätzung der tatsächlichen Infektionsdynamik
  • Anfang November sinkt die Zahl der Tests, die Infektionszahlen stagnieren -> Die Reduzierung der Testzahl führt zu einer Unterschätzung der tatsächlichen Infektionsdynamik
  • Ab Dezember steigen die Testzahlen wieder, die Infektionszahlen steigen auch-> Die Verschärfung des Lockdowns ist die logische Konsequenz, weil im gesamten November die tatsächliche Infektionsdynamik unterschätzt und damit die Effektivität des „Lockdown Light“ überschätzt wurde

Interessant ist, dass die Schwankungen bei der Positivrate deutlich geringer sind. Sie steigt im gesamten Zeitraum einfach an.

Der grünlich markierte Bereich um Weihnachten zeigt einen ähnlichen Effekt. Aufgrund der Feiertage wurde weniger getestet (auch Labore machen Urlaub). Die berichtete Infektionszahl ging sprunghaft zurück. Gleichzeitig erreicht die Positivrate ihr absolutes Maximum.

Gesamthaft betrachtet legen diese Daten nahe, dass die Infektionszahl (und damit der Inzidenzwert) anfällig für Schwankungen der Testzahlen sind. Inzidenz und Infektionszahl (alleine) sind damit nur begrenzt geeignet, um die Infektionsdynamik zu überwachen und steuernde Maßnahmen zu ergreifen.

Die Positivrate scheint anhand dieser Daten ein besserer Indikator für den Infektionsverlauf zu sein. Sie ist von den Schwankungen der Testzahlen im Beispiel relativ unabhängig. Aber auch die Positivrate ist beeinflussbar, insbesondere sobald man nicht auf den Bundesschnitt, sondern auch auf das lokale Geschehen schaut. Daher ist es am sinnvollsten Positivrate und Infektionszahl immer gemeinsam zu betrachten und zu kommunizieren, um einen möglichst klaren Blick auf das Infektionsgeschehen zu erhalten.

Kennzahlen zur weiteren Steuerung

Zusätzlich zur Verwendung von Positivrate und Infektionszahl, ist es sinnvoll noch weitere Variablen zur Bewertung der Lage heranzuziehen. Um ein möglichst umfangreiches Bild, mit möglichst wenig Aufwand zu erzeugen, eignet sich aus meiner Sicht eine Kombination von drei Zahlen die auch verschiedenen Ursprungs sind:

  • Positivrate der Tests geliefert von Laboren (unter der Annahme eine halbwegs stabilen Teststrategie)
  • Die Zahl der Patienten auf Intensivstationen geliefert von den Krankenhäusern
  • Die Zahl der Tode geliefert von den Gesundheitsämtern

Das entsprechende Bild sieht so aus:

Die Linien verlaufen größtenteils parallel, was ein guter Indikator ist, dass sie tatsächlich das Gleiche messen. Die Hypothese, dass sie das Infektionsgeschehen abbilden, würde ich derzeit beibehalten.

Spannend ist der Verlauf der Daten ab Februar 2021. Die Linien laufen auseinander: Die Todeszahl bleibt gering, sinkt sogar, während Positivrate und COVID-19 Patientenzahl steigt. Meine wackelige, auf Hoffnung bauende Hypothese ist, dass dieser Effekt durch Impfungen ermöglicht wird: „Impfungen schützen vor schweren COVID-19 Verläufen und führen so zu weniger Toten, trotz weiterhin hoher Infektionsdynamik.“

Dieser Hypothese widerspricht jedoch der Anstieg der COVID-19 Patienten in Intensivbehandlung. Bisher habe ich keine stichfeste Erklärung, warum die Zahl der Intensivpatienten steigt, aber die Zahl der Toten vergleichsweise niedrig ist.

Die wahrscheinlichsten Faktoren, die eine Rolle spielen könnten, sind die Verbreitung der Mutante B.1.1.7 („B.1.1.7 ist gefährlicher“) und eine möglicherweise veränderte Altersstruktur von Intensivstation-Patienten („Jüngere Patienten liegen länger auf Intensivstationen und sterben nicht“). Da ich aber weder Daten zum Anteil der Mutanten auf Intensivstationen noch zur Altersstruktur der Patienten habe, kann ich diese Hypothesen nicht prüfen.

Alternativ wäre denkbar, dass die meisten Menschen nicht auf Intensivstationen sterben, sondern zu Hause oder in Altenheimen. Dann könnte die Zahl der Toten sinken („zu Hause und im Altenheim wird dank Impfung nicht mehr an COVID-19 gestorben“), während die Zahl der Patienten auf Intensivstationen steigt. Auch hier fehlen mir verlässliche Daten um diese Vermutung zu prüfen.

Die Aufgabe von Politikern und Managern ist, anhand all dieser Informationen zu steuern. Ich glaube, dass die Politik das auch tut. Zumindest kann ich anhand dieser Daten politische Entscheidungen nachvollziehen (s.o. Verschärfung „Lockdown Light“). Leider ist die Kommunikation und Berichterstattung zu diesen Entscheidungen mit viel unnützer Information und wenig Daten bespickt. Es bleibt nötig sich selbst ein Bild zu machen – die Datengrundlage dafür ist frei verfügbar.

R Skript

„Glaube keiner Statistik, die du nicht selbst gefälscht hast“. Deswegen hier wieder die Skripte zur Bearbeitung der Daten und Erstellung der Grafiken. Die Excel mit den Testdaten musste ich lokal speichern und den ersten Reiter rauswerfen. D.h. wer das Skript ohne diesen Schritt ausführt wird Fehlermeldungen bekommen. Obwohl nicht betrachtet, sind hier auch die DIVI Daten wieder drin.

#########Libraries ############
library(dplyr)
library(pracma)
library(BBmisc)
library(plyr)
library(readxl)
library(tidyr)
library(ggplot2)
library(scales)

###########  Daten aus DIVI laden und nur die Daten für Deutschland auswählen   ##########
#Einlesen
bundesland.zeitreihe <- read.csv("https://diviexchange.blob.core.windows.net/%24web/bundesland-zeitreihe.csv")

#Filtern
divi <- filter(bundesland.zeitreihe, Bundesland == "DEUTSCHLAND")
divi_s <- divi[,-(2:3)]

max(divi$Anzahl_Meldebereiche_Erwachsene)
plot(divi$Anzahl_Meldebereiche_Erwachsene, type = "l")

#Aufräumen
names(divi_s) <- c("Datum", "covCount", "bedsUsed", "bedsFree", "reserve", "ivFree", "ivFreeCov", "sitGood", "sitMedium", "sitBad", "sitNA")
divi_s$Datum <- as.Date(divi_s$Datum)

#Moving Averages berechnen
divi_s$bedsUsed_7 <- movavg(divi_s$bedsUsed,7,"s")


############### Daten vom RKI laden, aggregieren und moving averages der letzten 7 Tage berechnen ##############
#Einlesen
rki <- read.csv("https://opendata.arcgis.com/datasets/dd4580c810204019a7b8eb3e0b329dd6_0.csv")
rki_s <- data.frame(rki$Meldedatum, rki$AnzahlFall, rki$AnzahlTodesfall, rki$AnzahlGenesen)


#Aggregieren
names(rki_s) <- c("Datum", "Infekt", "Tod", "Gesund")
rki_a <- aggregate(rki_s[,2:4], list(rki_s$Datum), FUN = sum)
names(rki_a) <- c("Datum","Infekt", "Tod", "Gesund")

#Moving Averages berechnen
Infekt_7 <- movavg(rki_a$Infekt,7,"s")
Tod_7 <- movavg(rki_a$Tod,7,"s")
Gesund_7 <- movavg(rki_a$Gesund,7,"s")

#Aufräumen
rki_c <- data.frame(rki_a, Infekt_7, Tod_7, Gesund_7)
rki_c$Datum <- as.Date(rki_c$Datum)

####### RKI Fallzahlen und DIVI Daten Mergen und Normalisieren #########

#RKi Fallzahlen und DIVI zahlen mergen und weitere Variablen bereechnen
d <- merge(rki_c, divi_s, by=c("Datum"), all.x = TRUE)
d$beds <- d$bedsFree + d$bedsUsed
d$bedsT <- d$bedsFree + d$bedsUsed + d$reserve

d$ivFree
#Normalisierung von Variablen
z <- as.data.frame(apply(d[,c("Infekt_7", "Tod_7", "covCount", "ivFree", "bedsUsed_7", "beds", "bedsT", "sitGood", "ivFreeCov")], 2, FUN = normalize, method = "range", range = c(0,1)))
z$Datum <- d$Datum
z$ivFree[z$ivFree == 0] <- NA
z$ivFreeCov[z$ivFreeCov == 0] <- NA

########## RKI Testdaten aus lokaler Excel einlesen ##########
#Einlesen und unnötige Zeilen rauswerfen
tests <- read_excel("Documents/Corona Date/Testzahlen-gesamt.xlsx")
tests <- tests[-c((nrow(tests)-(nrow(tests)-1)),nrow(tests)),]
names(tests) <- c("KW", "Zahl", "ZahlPos", "PosAnteil", "Labore")

#Datensatz bereinigen, erste und letzte Zeile entfernen, Daten normalisieren
tz <- as.data.frame(apply(tests[,c("Zahl", "ZahlPos", "PosAnteil", "Labore")], 2, FUN = normalize, method = "range", range = c(0,1)))
tz$KW <- tests$KW

######### RKI Testdaten von Wochenbericht auf Tage strecken ###################

#Vorbereitung des Datensatzes
ndays = nrow(z) # Zahl der Tage, die schon im RKI Bericht sind

td <- matrix(0, nrow = ndays, ncol = 4)
td <- as.data.frame(td)
names(td) <- c("Datum", "Zahl", "ZahlPos", "PosAnteil")

td$Datum <- z$Datum

# Wochenzahlen der Tests für jeden Tag reinschreiben
for(w in 0:(nrow(tests)-1)) {
  for(p in 0:6){
    td$Zahl[31 + (w*7) + p] <- tz$Zahl[w+1]
    td$PosAnteil[31 + (w*7) + p] <- tz$PosAnteil[w+1]
    td$ZahlPos[31 + (w*7) + p] <- tz$ZahlPos[w+1]
  }
}

#Die Tage, für die es am Ende noch keine Daten gibt großzügig rauswerfen
s <- ndays - 5
for(x in s:ndays){
  td$Zahl[x] <- NA
  td$PosAnteil[x] <- NA
  td$ZahlPos[x] <- NA
}

############ Mergen der DIVI, RKI, und Testdaten #############
total <- merge(z, td, by=c("Datum"), all.x = TRUE)

total$PosAnteil_7 <- movavg(total$PosAnteil, 7, "s")

########### Plots für Artikel zu Tests ##################
plot(total$Datum,total$Infekt_7, type="l",col="purple", main = "SARS-CoV 2 Infektionen, Tests, Positivrate", xlab = "Datum", ylab = "Normalisierte Werte - Wertebereich 0 bis 1")
lines(total$Datum,total$PosAnteil, col="magenta")
lines(total$Datum,total$Zahl, col="cyan")
legend("topleft",
       c("Infektionen", "Tests", "Positivrate"),
       fill=c("purple", "cyan", "magenta"))

#Zeitbereich komplett
t_plot <- ggplot(data= subset(total, total$Datum > "2020-03-07" & total$Datum < "2021-04-18"), aes(x=Datum)) + geom_line(aes(y = Zahl, color = "Tests")) + geom_line(aes(y = Infekt_7, color = "Infektionen")) + geom_line(aes(y = PosAnteil, color = "Positivrate"))
t_plot <- t_plot + theme_classic() + ylab("Normalisierte Werte - Wertebereich 0 bis 1") + ggtitle("Infektionen, Positivrate, Tests März 2020 bis April 2021") + theme(plot.title = element_text(hjust = 0.5), legend.title = element_blank())
t_plot <- t_plot + scale_color_manual(values=c("purple", "magenta", "cyan"))
t_plot

#Zeitbereich Juli bis Oktober
t_plot2 <- ggplot(data= subset(total, total$Datum > "2020-07-01" & total$Datum < "2020-09-30"), aes(x=Datum)) + geom_line(aes(y = Zahl, color = "Tests")) + geom_line(aes(y = Infekt_7, color = "Infektionen")) + geom_line(aes(y = PosAnteil, color = "Positivrate"))
t_plot2 <- t_plot2 + theme_classic() + ylab("Normalisierte Werte - Wertebereich 0 bis 1") + ggtitle("Infektionen, Positivrate, Tests Juli 2020 bis September 2020") + theme(plot.title = element_text(hjust = 0.5), legend.title = element_blank())
t_plot2 <- t_plot2 + scale_color_manual(values=c("purple", "magenta", "cyan"))
t_plot2

#Zeitbereich Oktober bis Februar
rect_1 <- geom_rect(aes(xmin=as.Date("2020-11-08"), xmax=as.Date("2020-12-02"), ymin=0, ymax=Inf), fill = "floralwhite", alpha = 0.1)
rect_2 <- geom_rect(aes(xmin=as.Date("2020-12-23"), xmax=as.Date("2021-01-09"), ymin=0, ymax=Inf), fill = "honeydew", alpha = 0.1)

t_plot3 <- ggplot(data= subset(total, total$Datum > "2020-10-01" & total$Datum < "2021-02-01"), aes(x=Datum)) + rect_1 + rect_2 + geom_line(aes(y = Zahl, color = "Tests")) + geom_line(aes(y = Infekt_7, color = "Infektionen")) + geom_line(aes(y = PosAnteil, color = "Positivrate"))
t_plot3 <- t_plot3 + theme_classic() + ylab("Normalisierte Werte - Wertebereich 0 bis 1") + ggtitle("Infektionen, Positivrate, Tests Oktober 2020 bis Februar 2021") + theme(plot.title = element_text(hjust = 0.5), legend.title = element_blank())
t_plot3 <- t_plot3 + scale_color_manual(values=c("purple", "magenta", "cyan")) 
t_plot3

#Tode, Positivanteil, COVID-19 Patienten etc.
d_plot <- ggplot(data= subset(total, total$Datum > "2020-03-07" & total$Datum < "2021-04-18"), aes(x=Datum)) + rect_1 + rect_2 + geom_line(aes(y = PosAnteil, color = "Positivrate")) + geom_line(aes(y = Tod_7, color = "Tode")) + geom_line(aes(y = covCount, color = "COVID-19 Patienten")) 
d_plot <- d_plot + theme_classic() + ylab("Normalisierte Werte - Wertebereich 0 bis 1") + ggtitle("COVID-19 Patienten, Positivrate, Tode März 2020 bis April 2021") + theme(plot.title = element_text(hjust = 0.5), legend.title = element_blank())
d_plot <- d_plot + scale_color_manual(values=c("red", "magenta", "black")) 
d_plot 

COVID-19: Daten zur Lage der Intensivstationen

In verschiedenen Zeitungen und von Politikern lese ich in den letzten Tagen häufig dringliche Appelle oder angespannte Diskussionen zur Lage von Intensivstationen und der Notwendigkeit eines harten Lockdowns.

Leider wird die Dringlichkeit eines Lockdowns und der Ernst der Lage an den Intensivstationen entweder gar nicht mit Daten, dem Verweis auf die tagesaktuellen Daten oder mit Erfahrungsberichten aus einzelnen Kliniken begründet.

Auf der Suche nach Daten, die mir helfen, die Dynamik an den Intensivstationen besser zu verstehen, habe ich wie im letzten Artikel wieder mit R herumgespielt und mir verfügbare Datenquellen angeschaut:

Im Prinzip gibt es dabei drei Bausteine, aus denen ich mir erklären kann, warum Intensivmediziner dringlich einen Lockdown fordern und die mir helfen, die teils aufgeregte mediale Berichterstattung ruhig ud sachlich einzuordnen.

  1. Die Belastung der Intensivstationen ist bereits sehr hoch
  2. Die Prognose für die nächsten Wochen ist, dass die Belastung ansteigt
  3. Die Angst vor möglichen Triage Entscheidungen ist sehr groß

Aktuelle Belastung der Intensivstationen: Regelbetrieb & verfügbare invasive Beatmungseinheiten

Wie sehr Intensivstationen derzeit im Vergleich zu früheren Monaten belastet sind, verdeutlichen die absoluten, tagesaktuellen Zahlen von Patienten auf Intensivstationen leider nur schlecht. Die Entwicklung der letzten Monate lässt sich am besten durch den Anteil der Intensivstationen, die im Regelbetrieb arbeiten und die noch verfügbaren Einheiten für invasive Beatmung veranschaulichen:

Die Zahlen sind hier wieder normalisiert, zur Vergleichbarkeit also auf den Wertebereich 0 – 1 transformiert. Besorgniserregend ist, dass die Zahl der Intensivstationen mit regulärem Betrieb und die Zahl verfügbarer Beatmungseinheiten jetzt bereits niedriger ist, als zum Höhepunkt der zweiten Welle. Die aktuelle dritte Welle hat ihren Höhepunkt aber noch nicht erreicht, weder bei der Zahl der Infektionen noch bei der Zahl der COVID-19 Patienten in intensivmedizinischer Behandlung.

Hier ist auch der Blick auf die absoluten Zahlen interessant. Die normalisierte Darstellung erlaubt nur den Vergleich der Entwicklung der Linien, aber nicht den Vergleich der absoluten Höhe der Linien. Das ist in folgender Darstellung möglich:

Hinweis: Im DIVI Datensatz befindet sich auch die Angabe, wie viele der Beatmungseinheiten für COVID-19 Patienten reserviert sind. Am 13.04. sind das 1101 von 2622 Einheiten. Zur Vereinfachung habe ich diese Linie in der Grafik weggelassen. Die Grafik findet sich am Ende des Artikels im Skriptbereich.

Was zumindest mir anhand dieser Daten verständlich wird, ist, dass derzeit ein hohes Belastungsniveau an Intensivstationen herrscht. Das wirft die Frage auf: Wie wird sich das über die nächsten Wochen entwickeln?

DIVI Prognose zur Auslastung der nächsten Wochen

Vom DIVI wird auch eine Prognose zur Verfügung gestellt, wie sich die Zahl der Patienten über die nächsten Wochen entwickeln wird. Den Link habe ich oben geteilt, die Abbildung dazu ist folgende:

Wenn Ende dieser Woche (Inzidenz 200) ein harter Lockdown durchgesetzt wird, erwartet DIVI die orange Linie. Wenn erst Ende April (Inzidenz 300) ein harter Lockdown beschlossen wird, läuft es auf die rote Linie hinaus.Das wären dann rund 6.800 COVID-19 Patienten in Intensivbehandlung. Was das für die Auslastung der Intensivstationen bedeutet lässt sich leicht ausrechnen:

  • Zur Erinnerung: Aktuell sind noch 1101 Beatmungseinheiten für COVID-19 Patienten bzw. 2622 Einheiten insgesamt verfügbar
  • Stand heute (14.04.) sind 4653 COVID-19 Patienten in intensivmedizinischer Behandlung, von denen knapp 57% invasiv beatmet werden. Siehe: https://www.intensivregister.de/#/aktuelle-lage/laendertabelle
  • Der erwartete Höchststand sind 6800 Patienten, also 2147 zusätzliche Patience, was bei 57% Beatmungsquote ca. 1223 Patienten ergibt, die invasiv beatmet werden müssten

1223 zusätzliche COVID-19 Patienten übersteigt die verfügbare Kapazität von 1101. Das ist nur der theoretische Wert, der noch nicht in Betracht zieht, dass es große lokale Unterschiede in Fallzahlen und verfügbaren Betten geben wird. Die tatsächliche Lücke wäre also größer.

Diese Prognose legt nahe, dass Menschen nicht beatmet werden könnten, obwohl es medizinisch nötig wäre. Es müsste dann eine Entscheidung getroffen werden, wer beatmet wird und wer nicht. An dieser Stelle tritt das Schreckenswort Triage auf.

Das Problem der harten Priorisierung: Triage

Triage wurde mir mal so erklärt:

In absoluten Notsituationen z.B. bei tausenden Kriegsverletzten nach verheerenden Schlachten mussten Mediziner wie folgt priorisieren:

  1. Behandle den nicht, der auch ohne deine Hilfe überlebt
  2. Behandle den nicht, der auch mit deiner Hilfe stirbt
  3. Behandle nur den, der ohne deine Hilfe stirbt, aber mit deiner Hilfe überlebt

Diese Priorisierung ist die sinnvollste unter grausamen Bedingungen. Die aktuelle Situation ist glücklicherweise nicht ganz so grausam. Dennoch findet bereits eine gewisse Priorisierung statt, wer intensivmedizinisch behandelt wird und wer nicht. Das braucht einen kleinen Umweg und lässt sich nur indirekt an Daten ablesen. Es lässt sich aber an der Zahl der belegten Betten von Intensivstationen erklären, die ich auch im letzten Artikel gezeigt hatte:

Ich hatte mich gewundert, dass die orange Linie (belegte Betten) konstant bleibt, während die rote Linie (COVID-19 Patienten) steigt. Die Antwort ist relativ einfach: Es findet bereits aktive Steuerung und Priorisierung durch Kliniken statt, sonst wäre die Konstanz der Anzahl belegter Betten nicht möglich.

Die Logik der Steuerung folgt vermutlich dem ersten Schritt der Triage, wie ich sie oben skizziert habe: „Behandle den nicht, der auch ohne deine Hilfe überlebt“. Planbare Eingriffe wie z.B. Knie- oder Hüftprothesen werden verschoben um Kapazitäten für akute Fälle zu schaffen.

Es ist offensichtlich, dass diese Art der Priorisierung nur solange durchgeführt werden kann, wie es planbare und verschiebbare Eingriffe gibt. Mit den prognostizierten Zahlen für neue COVID-19 Patienten dürfte diese Zahl bald gegen 0 gehen und der zweite Schritt nötig werden: „Behandle den nicht, der auch mit deiner Hilfe stirbt“

Es ist sehr verständlich, dass eine solche Situation vermieden werden soll, denn diese Priorisierung ist unendlich quälend:

  • Vorherzusagen, wer auch mit Behandlung stirbt und wer nicht, ist kaum möglich
  • Menschen nicht zu behandeln widerspricht dem Selbstverständnis von Ärzten
  • Patienten und Angehörige würden eine „Nicht-Behandlung“ kaum hinnehmen
  • Kliniken dürften juristische Klagen erwarten

Persönliche Schlussgedanken

Anhand der vorliegenden Daten verstehe ich die Dringlichkeit und Not, mit der manche Politiker und Intensivmediziner für einen harten Lockdown eintreten – als scheinbar einzige Möglichkeit, die furchtbaren Prognosen und Zwänge abzuwenden, die Tageslage und Prognose nahelegen.

Was mich wundert und durchaus frustriert, ist die scheinbare Alternativlosigkeit von Lockdowns und die weiterhin geringe Beachtung der Auswirkungen auf andere Bereiche gesellschaftlichen und persönlichen Lebens. Nach über einem Jahr Pandemie und Lernen über das Virus, hätte ich mir mehr Mut und Kreativität zur Lösungsfindung erhofft.

R Skripts zur Erstellung der Grafiken und Auswertung der Daten

Ich möchte auch wieder die Skripte teilen, mit denen ich Grafiken erstellt habe, um Daten und Darstellung nachvollziehbar zu machen. Das Skript enthält mehr Daten und Befehle, als für die Erstellung der Plots nötig ist, weil ich bei meiner Spielerei nicht der Nutzbarkeit für andere sondern meiner Neugier gefolgt bin. 🙂

Ales erstes noch die Grafik mit den für COVID-19 Patienten reservierten Beatmungseinheiten

#########Libraries ############
library(dplyr)
library(pracma)
library(BBmisc)
library(plyr)
library(readxl)
library(tidyr)
library(ggplot2)
library(scales)

###########  Daten aus DIVI laden und nur die Daten für Deutschland auswählen   ##########
#Einlesen
bundesland.zeitreihe <- read.csv("https://diviexchange.blob.core.windows.net/%24web/bundesland-zeitreihe.csv")

#Filtern
divi <- filter(bundesland.zeitreihe, Bundesland == "DEUTSCHLAND")
divi_s <- divi[,-(2:3)]

#Aufräumen
names(divi_s) <- c("Datum", "covCount", "bedsUsed", "bedsFree", "reserve", "ivFree", "ivFreeCov", "sitGood", "sitMedium", "sitBad", "sitNA")
divi_s$Datum <- as.Date(divi_s$Datum)

#Moving Averages berechnen
divi_s$bedsUsed_7 <- movavg(divi_s$bedsUsed,7,"s")


############### Daten vom RKI laden, aggregieren und moving averages der letzten 7 Tage berechnen ##############
#Einlesen
rki <- read.csv("https://opendata.arcgis.com/datasets/dd4580c810204019a7b8eb3e0b329dd6_0.csv")
rki_s <- data.frame(rki$Meldedatum, rki$AnzahlFall, rki$AnzahlTodesfall, rki$AnzahlGenesen)

#Aggregieren
names(rki_s) <- c("Datum", "Infekt", "Tod", "Gesund")
rki_a <- aggregate(rki_s[,2:4], list(rki_s$Datum), FUN = sum)
names(rki_a) <- c("Datum","Infekt", "Tod", "Gesund")

#Moving Averages berechnen
Infekt_7 <- movavg(rki_a$Infekt,7,"s")
Tod_7 <- movavg(rki_a$Tod,7,"s")
Gesund_7 <- movavg(rki_a$Gesund,7,"s")

#Aufräumen
rki_c <- data.frame(rki_a, Infekt_7, Tod_7, Gesund_7)
rki_c$Datum <- as.Date(rki_c$Datum)

####### RKI Fallzahlen und DIVI Daten Mergen und Normalisieren #########

#RKi Fallzahlen und DIVI zahlen mergen und weitere Variablen bereechnen
d <- merge(rki_c, divi_s, by=c("Datum"), all.x = TRUE)
d$beds <- d$bedsFree + d$bedsUsed
d$bedsT <- d$bedsFree + d$bedsUsed + d$reserve

d$ivFree
#Normalisierung von Variablen
z <- as.data.frame(apply(d[,c("Infekt_7", "Tod_7", "covCount", "ivFree", "bedsUsed_7", "beds", "bedsT", "sitGood", "ivFreeCov")], 2, FUN = normalize, method = "range", range = c(0,1)))
z$Datum <- d$Datum
z$ivFree[z$ivFree == 0] <- NA
z$ivFreeCov[z$ivFreeCov == 0] <- NA

########## Plots für ersten Artikel vom 11.04.2020 #############

#Ausslastung der Intensivstationen 1
plot(d$Datum,d$beds,type="l",col="green", main = "Auslastung Intesivstationen 1", xlab = "Datum", ylab = "Betten")
lines(d$Datum,d$covCount, col ="red")
lines(d$Datum,d$bedsUsed,col="orange")
legend("topleft",
       c("Gesamtzahl Betten","Belegte Betten", "COV-19 Patienten"),
       fill=c("green","orange", "red"))

######### Plots zur Lage auf den Intensivstationen #################

#Lage auf den Intensivsstationen
plot(z$Datum,z$sitGood,type="l",col="blue", main = "Lage der Intensivstationen", xlab = "Datum", ylab = "Normalisierte Werte - Wertebereich 0 bis 1")
lines(z$Datum,z$covCount, col ="red")
lines(z$Datum,z$ivFree, col = "bisque4")
legend("topleft",
       c("COVID-19 Patienten", "Intensiv Regelbetrieb", "Freie Beatmungseinheiten"),
       fill=c( "red", "blue", "bisque4"))

#COVID Patienten vs. Beatmungskapazitäten
plot(d$Datum,d$ivFree,type="l",col="bisque4", main = "COVID Patienten vs. Beatmungskapazitäten", xlab = "Datum", ylab = "Zahl")
lines(d$Datum,d$covCount, col = "red")
legend("topleft",
       c("COVID-19 Patienten", "Freie Beatmungseinheiten"),
       fill=c("red", "bisque4"))

#COVID Patienten vs. Beatmungskapazitäten mit CoVID 19 frei
plot(d$Datum,d$ivFree,type="l",col="bisque4", main = "COVID Patienten vs. Beatmungskapazitäten", xlab = "Datum", ylab = "Zahl")
lines(d$Datum,d$covCount, col = "red")
lines(d$Datum,d$ivFreeCov, col = "darkgoldenrod4")
legend("topleft",
       c("COVID-19 Patienten", "Freie Beatmungseinheiten", "Freie Einheiten COVID-19"),
       fill=c("red", "bisque4", "darkgoldenrod4"))

COVID-19: Die aktuelle Lage mit Bildern aus Daten

Letzten Freitag habe ich mehrer Schlagzeilen in Zeitungen gelesen, die ungefähr so klangen: „So viele Patienten wie noch nie auf deutschen Intensivstationen.“ Das verwunderte mich etwas und machte mich neugierig.

Für mich ein Grund mal wieder R Studio aufzumachen, ein wenig mit Daten zu spielen, sie aufzubereiten und Grundlage für eigene Gedankengänge zu schaffen. Ich möchte die Ergebnisse meiner Spielerei hier teilen, so dass auch andere die freie zugänglichen Daten interpretieren und ihre Schlüsse daraus ziehen können.

Statt auf Basis der Daten Antworten zu geben, möchte ich eher die Fragen stellen, die sich bei mir beim Betrachten der Daten stellen. Das ist vor allem auch der Versuch sachliche Diskussionen fern von individuellen Ängsten, Ideologie und Extremen zu ermöglichen. Eine klare Einschätzung der Lage braucht fundierte Datenbasis und weiten Horizont, um das Ganze zu sehen.

Alle Bilder, die ich gemalt habe und unten teile, basieren auf Daten des RKI und DIVI, insbesondere:

Es ist erfreulich, dass diese Daten erfasst und allen frei zur Verfügung gestellt werden. Was ich seit Monaten bedaure ist der Umgang mit diesen Daten. Sie werden automatisiert in bunten Dashboards dargestellt und tagesaktuell in Zeitungen berichtet. Sie werden leider selten so aufbereitet, dass sie anschaulich oder sinnvoll interpretierbar sind. Hier möchte ich helfen und werde am Ende dieses Beitrags den R Studio Code teilen, mit dem ich die Grafiken generiert habe.

Auslastung der Intensivstationen (ohne Reserve)

Da es der Aufhänger für diesen Artikel war, möchte ich als erstes eine Grafik zur Auslastung der Intensivstationen teilen, die so ähnlich auch auf der DIVI-Seite zugänglich ist.

Ich hoffe die Bezeichnung der Linien ist selbsterklärend als Interpretationshilfe noch einige Anmerkungen:

  • Das DIVI-Register wurde nach meinem Wissensstand im März / April 2020 aufgebaut, daher der steile Anstieg der grünen (Gesamtzahl Betten) und orangenen (Belegte Betten) Linien
  • Die Differenz zwischen grüner und oranger Linie gibt an, wie viele freie Betten es gibt
  • Die Differenz zwischen oranger und roter Linie gibt an, wie viele Patienten auf einer Intensivstation behandelt werden, die nicht an COVID-19 erkrankt sind (bzw. positiv auf SARS-CoV 2 getestet wurden)

Beim betrachten der Grafik drängen sich mir zwei Fragen auf:

  • Wieso nimmt die Gesamtzahl der verfügbaren Intensivbetten seit Mitte 2020 kontinuierlich ab?
  • Wie steuern die Kliniken die Auslastung ihrer Intensivbetten, dass. die wechselnde Zahl von COVID-19 Patienten (rote Linie) keine sichtbaren Auswirkungen auf die Anzahl der belegten Betten hat (orange Linie)?

Für beide Fragen gibt es sicher plausible und nachvollziehbare Antworten. Ich kenne sie nur nicht und bin dankbar für jeden Hinweis oder Erklärung.

Auslastung der Intensivstationen (mit Reserve)

Ein Teilantwort auf die erste Frage (Rückgang der Intensivbetten) ist, dass eine Notfallreserve geschaffen wurde. addiert man diese, innerhalb einer Woche verfügbaren Betten, zur Gesamtzahl der verfügbaren Betten verändert sich das Bild wie folgt:

Der Rückgang der Gesamtzahl der Intensivbetten ist immer noch sichtbar. Vergleicht man die Zahl der belegten Betten (orange) mit der Zahl der gesamthaft verfügbaren Betten (grün) scheint es, als gäbe es noch ausreichend verfügbare Betten. Fragen, die sich mir stellen:

  • Unter welchen Umständen würde die Notfallreserve abgerufen werden?
  • Welche Konsequenzen und Nebenwirkungen hätte das Aktivieren der Notfallreserve?

Auslastung der Intensivstationen (Regelbetrieb)

Auf Basis der obigen Grafiken liegt die Interpretation nahe, dass „die deutschen Intensivstationen nicht überlastet sind“. Dennoch wird in Zeitschriften und von Politikern häufig darüber gesprochen, dass Kliniken und Intensivstationen überlastet sind. Erfreulicherweise stellt das DIVI auch Daten dazu bereit, wie viele Intensivstationen im Regelbetrieb laufen und wie viele Intensivstationen mit Einschränkungen (z.B. wegen fehlendem Material oder Personalmangel) nur eingeschränkt funktionieren.

Die nächste Grafik bildet genau diese Daten ab. Um die Grafik etwas leichter verständlich zu machen, habe ich die Daten jedoch normalisiert. Das bedeutet, die Datenpunkte jeder betrachteten Variable wurden auf Werte zwischen 0 und 1 umgerechnet. Dadurch kann die dynamische Entwicklung der Variablen besser veranschaulicht werden:

Vergleicht man diese Grafik mit der vorherigen, so bleiben die. Form der orangen Linie (belegte Betten) und der roten Linie (COVID-19) gleich, jedoch hat sich die Skalierung verändert. Hier kann nur noch der komplette Verlauf der Linien, aber nicht mehr einzelne Datenpunkte miteinander verglichen werden. Zwei Interpretationen scheinen naheliegend.
  • Die Anzahl der belegten Betten wird nicht von der Anzahl von COVID-19 Patienten beeinflusst und beeinflusst auch nicht, wie viele Intensivstationen im Regelbetrieb arbeiten (blaue Linie)
  • Desto mehr COVID-19 Patienten auf Intensivstationen behandelt werden, desto weniger Intensivstationen können im Regelbetrieb arbeiten

Die Fragen, die hier gestellt und beantwortet werden sollten sind aus meiner Sicht folgende:

  • Welche (weiteren) Faktoren (neben COVID-19 Patienten) führen dazu, dass immer weniger Intensivstationen im Regelbetrieb arbeiten können?
  • Welche Maßnahmen (neben harten Lockdowns) könnten ergriffen werden, um wieder auf mehr Intensivstationen Regelbetrieb zu ermöglichen?

Infektionen, Intensivpatienten, Tote

Die Zahlen, die am häufigsten in Zeitungen, auf Website und in Dashboards berichtet und visualisiert werden, sind die Anzahl der täglich berichteten Neuinfektionen, die Zahl der COVID-19 Patienten auf Intensivstationen und die Zahl der Menschen, die mit oder COVID-19 gestorben sind. Leider werden diese Zählen häufig nicht in einer Grafik sondern als verschiedene Zeitreihen dargestellt. Dadurch ist die Dynamik und der Zusammenhang der Variablen schwer zu erkennen. Das lässt sich leicht ändern:

Die Zahl der Infektionen und die Zahl der Toten schwanken abhängig vom Wochentag sehr systematisch. Um diese Schwankungen zu glätten, habe ich wie die meisten Zeitungen auch einen 7-Tage-Mittelwert berechnet und abgebildet. Die Form der lila Kurve dürfte bekannt erscheinen.

Interessant sind in dieser Grafik vor allem die Relationen zwischen den einzelnen Linien. Über die Dynamik des Geschehens lässt sich leider wenig aussagen. Dazu hilft aber wieder die Normalisierung der Daten.

Infektionen & Intensivpatienten (normalisierte Daten)

Um einfacher vergleichen zu können, zeige ich obige Daten auch wieder normalisiert. Zunächst den Zusammenhang zwischen registrierten Neuinfektionen und Intensivpatienten mit COVID-19:

Die Grafik wirft für mich keine drängenden Fragen auf, liefert jedoch zwei Erkenntnisse bzw. Plausibilisierungen:

  • Die rote Linie (COVID-19 Patienten auf Intensivstationen) steigt rund eine Woche später als die Neuinfektionen an -> das ist plausibel, wenn mann annimmt, dass es erst einige Tage nach Feststellen der Infektion eine Behandlung auf der Intensivstation nötig ist
  • Wenn die Zahl der Neuinfektionen (lila Linie) sinkt, sinken etwas später auch die COVID-19 Patienten auf Intensivstationen, der Zeitversatz ist jedoch größer als beim Anstiegen der Infektionen -> das ist plausibel, wenn man annimmt, dass Intensivpatienten länger als 1 Woche auf Intensivstationen behandelt werden.

Infektionen & Tote (normalisierte Daten)

Zu guter Letzt kommt hier auch die normalisierte Darstellung von Infektionszahlen und Todeszahlen. Diese Darstellung halte ich für besonders wertvoll, weil bei einer Fallsterblichkeit von 1-2% die Skalierung von Todeszahlen und Infektionen sehr unterschiedlich und damit kaum vergleichbar ist. Die Normalisierung ändert das:

Die beiden Linien laufen größtenteils parallel, was auch zu erwarten ist, da natürlich umso mehr Menschen an oder mit COVID-19 sterben, je mehr Menschen sich mit dem Virus infizieren. Zwei Interessante Stellen sind in der Grafik zu erkennen
  • Im Jahr 2020 während der ersten Welle gab es verhältnismäßig mehr Tote als berichtete Neuinfektionen. Das ist einfach nur ein Hinweis auf die relativ hohe Dunkelziffer an Infektionen während der ersten Welle
  • Seite Februar 2021 laufen die beiden Linien auseinander. Die naheliegende Erklärung dafür ist der Beginn der Impfkampagne und die Wirksamkeit des COVID-19 Impfstoffs

In diesem Bild steckt vor allem die gute Nachricht: Die Impfung wirkt und das lässt sich an Zahlen plausibilisieren.

Für mich wirft dieses Grafik aber auch drängende, politische Fragen auf:

  • Wenn die Impfung wirkt, und immer weniger Menschen, die sich mit SARS-CoV 2 infizieren sterben, welchen Mehrwert bietet die Verfolgung von Infektionszahlen und die Steuerung von Maßnahmen mit daraus abgeleiteten Inzidenzwerten?
  • Welche Kennzahlen und Ansätze sind geeignet, um eine vernünftige Lockerung der bestehenden Maßnahmen zu ermöglichen, ohne das Gesundheitssystem zu überlasten?
  • Welchen Sinn hat vor dem Hintergrund dieser Datenlage eine Ausweitung der Befugnisse des Bundes mit den diskutierten Änderungen des Infektionsschutzgesetzes?

Anmerkungen zur Interpretation

Es ist mir wichtig meine Bilder noch ein wenig einzuordnen. Diese Darstellung erfolgt auf sehr hoher Flughöhe. In den Daten sind Details und Abweichungen enthalten, die die Interpretationsmöglichkeiten der Daten beeinfluss, die ich jedoch nicht berücksichtigt habe. Das sind beispielsweise vermittelnde Variablen (z.B. Anzahl der Corona-Tests), Änderungen nan der Erhebungsmethode (Falldefinition, Gesetzesänderungen) oder schlicht Unsauberkeiten in den Daten (Todes- und Infektionsdatum stimmen überein).

Alles, was ich schreibe ist keine streng wissenschaftliche Untersuchung, sondern der Versuch frei verfügbare Daten so aufzubereiten, dass mehr Menschen die aktuelle Lage fundiert, sachlich und ohne Panikmache oder unnötige Übertreibung beurteilen können.

Verwendete Skripts und Software

Um transparent zu machen, wie die Grafiken erstellt wurden, teile ich hier auch Links zu R und den von mir generierten Code. Ich bin alles andere als ein Experte in R, deswegen ist der Code an vielen Stellen vermutlich wenig elegant oder unübersichtlich. Er tut jedoch was er soll. Einzige Unsicherheit ist, ob der Abruf der Daten von den Webseiten des RKI bzw. DIVI auch in einigen Tagen noch funktioniert, falls sich die URL der Dateien ändert.

Quellcode:

install.packages("dplyr")
install.packages("pracma")
install.packages("BBmisc")
library(dplyr)
library(pracma)
library(BBmisc)

###########################################################################################
#Daten aus DIVI laden und nur die Daten für Deutschland auswählen
bundesland.zeitreihe <- read.csv("https://diviexchange.blob.core.windows.net/%24web/bundesland-zeitreihe.csv")
divi <- filter(bundesland.zeitreihe, Bundesland == "DEUTSCHLAND")
divi_s <- divi[,-(2:3)]
names(divi_s) <- c("Datum", "covCount", "bedsUsed", "bedsFree", "reserve", "ivFree", "ivFreeCov", "sitGood", "sitMedium", "sitBad", "sitNA")
divi_s$Datum <- as.Date(divi_s$Datum)

###########################################################################################
#Daten vom RKI laden, aggregieren und moving averages der letzten 7 Tage berechnen
rki <- read.csv("https://opendata.arcgis.com/datasets/dd4580c810204019a7b8eb3e0b329dd6_0.csv")
rki_s <- data.frame(rki$Meldedatum, rki$AnzahlFall, rki$AnzahlTodesfall, rki$AnzahlGenesen)
names(rki_s) <- c("Datum", "Infekt", "Tod", "Gesund")
rki_a <- aggregate(rki_s[,2:4], list(rki_s$Datum), FUN = sum)
names(rki_a) <- c("Datum","Infekt", "Tod", "Gesund")
Infekt_7 <- movavg(rki_a$Infekt,7,"s")
Tod_7 <- movavg(rki_a$Tod,7,"s")
Gesund_7 <- movavg(rki_a$Gesund,7,"s")
rki_c <- data.frame(rki_a, Infekt_7, Tod_7, Gesund_7)
rki_c$Datum <- as.Date(rki_c$Datum)

###########################################################################################
#Tables mergen in gesamten Datensatz 
d <- merge(rki_c, divi_s, by=c("Datum"), all.x = TRUE)
d$beds <- d$bedsFree + d$bedsUsed
d$bedsT <- d$bedsFree + d$bedsUsed + d$reserve

#Ausslastung der Intensivstationen 
plot(d$Datum,d$beds,type="l",col="green", main = "Auslastung Intesivstationen 1", xlab = "Datum", ylab = "Betten")
  lines(d$Datum,d$covCount, col ="red")
  lines(d$Datum,d$bedsUsed,col="orange")
  legend("topleft",
       c("Gesamtzahl Betten","Belegte Betten", "COV-19 Patienten"),
       fill=c("green","orange", "red"))


#Ausslastung der Intensivstationen mit der Reserve als Vergleichslinie
plot(d$Datum,d$bedsT,type="l",col="green", main = "Auslastung Intesivstationen 2", xlab = "Datum", ylab = "Betten")
  lines(d$Datum,d$covCount, col ="red")
  lines(d$Datum,d$bedsUsed,col="orange")
  legend("topleft",
         c("Gesamtzahl Betten + Reserve","Belegte Betten", "COV-19 Patienten"),
         fill=c("green","orange", "red"))
  
  
###########################################################################################
#standardisierung von aussgewählte Variablen zum Vergleich der Zahlen
z <- data.frame(d$Datum, d$Infekt_7, d$Tod_7, d$covCount, d$ivFree, d$bedsUsed, d$beds, d$bedsT, d$sitGood)
names(z) <- c("Datum", "Infekt_7", "Tod_7", "covCount", "ivFree", "bedsUsed", "beds", "bedsT", "sitGood")
z$Infekt_7 <- normalize(z$Infekt_7, method = "range", range = c(0,1))
z$Tod_7 <- normalize(z$Tod_7, method = "range", range = c(0,1))
z$covCount <- normalize(z$covCount, method = "range", range = c(0,1))
z$ivFree <- normalize(z$ivFree, method = "range", range = c(0,1))
z$bedsUsed <- normalize(z$bedsUsed, method = "range", range = c(0,1))
z$beds <- normalize(z$beds, method = "range", range = c(0,1))
z$bedsT <- normalize(z$bedsT, method = "range", range = c(0,1))
z$sitGood <- normalize(z$sitGood, method = "range", range = c(0,1))

###########################################################################################
#Auslastung Intensivstationen + Zahl der Intensivstationen mit regulärem Betrieb
plot(z$Datum,z$sitGood,type="l",col="blue", main = "Intensivstationen im Regelbetrieb", xlab = "Datum", ylab = "Normalisierte Werte - Wertebereich 0 bis 1")
lines(z$Datum,z$covCount, col ="red")
lines(z$Datum,z$bedsUsed,col="orange")
legend("topleft",
       c("Intensiv Regelbetrieb","Belegte Betten", "COVID-19 Patienten"),
       fill=c("blue","orange", "red"))


#Fälle, Intensivpatienten, Tote
plot(d$Datum,d$Infekt_7,type="l",col="purple", main = "SARS-CoV 2 Infektionen & COVID-19 Fälle", xlab = "Datum", ylab = "Menschen")
lines(d$Datum,d$covCount, col ="red")
lines(d$Datum,d$Tod_7, col="black")
legend("topleft",
       c("Infektionen mit SARS-CoV 2","COVID-19 Intensivpatienten", "Tote mit COV-19"),
       fill=c("purple","red", "black"))

#Fälle, Intensivpatienten normalisiert
plot(z$Datum,z$Infekt_7,type="l",col="purple", main = "SARS-CoV 2 Infektionen & COVID-19 Fälle", xlab = "Datum", ylab = "Normalisierte Werte - Wertebereich 0 bis 1")
lines(z$Datum,z$covCount, col ="red")
legend("topleft",
       c("Infektionen mit SARS-CoV 2","COVID-19 Intensivpatienten"),
       fill=c("purple","red"))

#Fälle, Tote normalisiert
plot(z$Datum,z$Infekt_7,type="l",col="purple", main = "SARS-CoV 2 Infektionen & COVID-19 Tote", xlab = "Datum", ylab = "Normalisierte Werte - Wertebereich 0 bis 1")
lines(z$Datum,z$Tod_7, col="black")
legend("topleft",
       c("Infektionen mit SARS-CoV 2", "Tote mit COVID-19"),
       fill=c("purple", "black"))

Ein Brief an Angela Merkel

Seit einem Jahr hadere ich, wie ich mit der Corona-Situation umgehen und meine Meinung zum Ausdruck bringen kann. Meist habe ich geschwiegen, weil ich in keine der Extrempositionen fallen möchte. Ich glaube mittlerweile, dass die einzig sinnvolle Vorgehensweise ist, respekt- und verständnisvoll mit den Menschen in Kontakt zu treten, die Entscheidungen treffen. Genau das versuche ich.

Sehr geehrte Frau Merkel,

ich beneide Sie und Ihre Kollegen nicht, um die schwierige Aufgabe, die Sie seit einem Jahr bewältigen. Bitte lesen Sie diese Nachricht nicht als Vorwurf oder Kritik sondern Stimme eines einfachen Bürger, der versucht einen konstruktiven Weg zu finden die eigene Meinung zu kommunizieren.

Heute morgen habe ich gelesen, dass die Corona-Fallzahlen zum ersten mal seit Wochen im Wochenvergleich wieder gestiegen sind. Das bereitet mir große Sorgen, dass der Lockdown nochmals verlängert oder strikter gestaltet wird.

Ich sitze seit 4 Monaten zu Hause, traue mich nicht Freunde zu treffen, habe eine schlechtes Gewissen, wenn ich mit meinen Kindern in öffentlichen Parks oder auf Spielplätzen unterwegs bin, sitze nur vor dem Computer und arbeite.

Meine Belastungsgrenze ist erreicht, wie auch die meiner Partnerin, mit der sich Streits und Beziehungsstress häufen. In Gesprächen (natürlich Online!) mit Freunden und Kollegen ist die Müdigkeit und das Unverständnis spürbar. Das Interesse an Unternehmungen oder sich etwas zu kaufen geht zurück. Wir horten unser Geld und sparen eben.

Mir reicht es, Ich habe keine Lust mehr auf Lockdown und möchte wieder Freiheit und Perspektive erleben.

Mir geht es gut, ich bin 30, gesund, voller Tatendrang, arbeite in der IT-Branche, meine Partnerin ist verbeamtete Lehrerin. Wirtschaftlich haben wir keine Sorgen. Für viele andere Menschen die in prekäreren Situationen arbeiten und leben, muss die Situation noch deutlich schwieriger sein. Ich beobachte mit Ver- und Bewunderung wie ruhig und konstruktiv diese Menschen politische Maßnahmen mittragen. Ich möchte mit meiner Partnerin eine Familie gründen, aber nicht solange wir keine Perspektive sehen und die Gestaltung unseres Lebens von gemeldeten Virus-Infektionszahlen gesteuert wird.

Ich verstehe die Gefahr, die vom Virus ausgeht, dass Menschen daran sterben und dass jeder einzelne Tod eine Tragödie ist. Ich weiß aber auch, dass der Tod Teil des Lebens ist. Vor 2 Jahren habe ich mit dem Gedanken gespielt Selbstmord zu begehen, war für zwei Wochen in einer Psychiatrie. Die Auseinandersetzung mit dem eigenen Tod war wichtig, hat mir viele Ängste genommen und Perspektiven eröffnet. Ich habe mich bewusst für das Leben entschieden trotz aller Schmerzen und Gefahren die damit verbunden sind.

Aus dieser Erfahrung heraus leide ich sehr unter dem Lockdown. Ich weiß, dass durch Kontakt mit anderen Menschen das Virus verbreitet wird. Ich weiß, dass ich als junger gesunder Mensch mit sehr großer Wahrscheinlichkeit eine Infektion symptomfrei oder mit milden Symptomen überstehen werde. Die Gefahr ist, dass ich ungewollt andere anstecke, die am Virus sterben könnten.

Ich weiß das alles, ich denke weder quer noch leugne ich Gefahren. Ich möchte dennoch anders als jetzt leben. Ich brauche keinen Schutz vor dem Virus. Ich möchte mich nicht impfen lassen. Im Zweifel wäre ich sogar bereit bei einer eigenen Corona-Erkrankung auf medizinische Betreuung zu verzichten, damit das Gesundheitssystem nicht überlastet wird. Ich weiß welche Risiken ich eingehe und trage die Konsequenzen, weil ich ein erwachsener, mündiger Mensch bin.

Ich möchte meine eigenen Entscheidungen treffen können, wie ich mit dem Virus umgehe. Ich bin gerne bereit Menschen aus Risikogruppen, oder solche die einfach Angst haben, zu unterstützen. Ich trage auch gerne zum Schutz derer bei, die sich selbst nicht schützen können.

Die überwältigende Mehrheit der Bevölkerung kann sich selbst schützen bzw. entscheiden, welche Risiken sie eingehen wollen. Es wird niemand gezwungen ins Fitnessstudio, ins Restaurant zu einem Konzert oder einer Versammlung zu gehen. Jeder kann selbst entscheiden, welche Risiken er oder sie eingehen möchte. Information gibt es zur Genüge.

Statt in Angst vor einem Virus zu leben, möchte ich kraftvoll und selbstbewusst mit den Gefahren, die diese wunderbare Welt bietet umgehen.

Der Corona-Virus ist nur dieser Gefahren. Jährlich sterben 170.000 Menschen in Deutschland an den Folgen des Rauchens. Mir fehlt mehr und mehr das Verständnis, warum bei diesem Virus so strenge Maßnahmen eingeführt werden, während andere, leicht zu verhindernde Todesursachen geduldet oder nur vorsichtig reguliert werden.

Ich verstehe auch Ihre Position als Politikerin und Kanzlerin, kann mir ausmalen, welche Verantwortung Sie tragen und welchem unmenschlichen Druck Sie ausgesetzt sind. Mit 18 wollte ich selbst Bundeskanzler werden, heute bin ich dankbar, dass es Menschen wie Sie gibt, die diese Bürde auf sich nehmen und ihr Bestes für die Menschen in Deutschland geben.

Ich kenne Komplexität und schwierige systemische Zusammenhänge. Ich weiß, dass es keine perfekte Lösung geben kann. Mit jeder Entscheidung sind Opfer und Nachteile verbunden, die medial ausgeschlachtet werden. Eine extrem undankbare Situation.

Ich weiß nicht, ob diese Nachricht Sie erreicht. Mir ist es wichtig ein mal zu sagen, wie es mir geht, als einfachem Bürger in Deutschland.

Danke für Ihren Einsatz.

Viele Grüße
Sascha Müller

Die Zwiefältigkeit des menschlichen Lebens

„Haben“ und „Sein“ beschreibt Erich Fromm als zwei vollständig verschiedene Existenz- und Lebensweisen.

  • In der Existenzweise des Habens definiert sich ein Mensch durch das, was er hat: Reichtum, Macht, Glück, Erfolg.
  • In der Existenzweise des Seins definiert sich ein Mensch durch Sein und Werden. Lebendigkeit, Gefühle, Präsenz, Impulse.

Erich Fromm argumentiert in seinem Buch Haben oder Sein gesellschaftskritisch. Viele der damals (das Buch erschien 1979) und heute zu beobachtenden Grausamkeiten der Menschenwelt seien ein Resultat der Existenzweise des Habens. Durch immer mehr „Haben“ entstehen Gier, Ausbeutung von Schwächeren, Zerstörung der Umwelt, soziale Ungerechtigkeit. 

Zusätzlich entspringen daraus innere Leere und Depression: Alles was du hast, hat irgendwann dich. Egal, wie viel du hast, das schwarze Loch in dir kannst du damit nicht füllen. Von dir bleibt Nichts, wenn du mal nichts hast. Die Existenzweise des Habens führt in eine hedonistische Tretmühle, die nach immer Größerem verlangt, um glücklich sein zu können und die innere Leere nicht spüren zu müssen.

Die Existenzweise des Seins bietet eine Lösung für diese Probleme: Mach dich frei von äußerem Hab und Gut. Werde, wer du bist. Finde Licht und Sinn in dir Selbst. Spüre dich im Einklang mit Natur, anderen Menschen, dem großen Ganzen. Achtsamkeit, Meditation, Yoga und andere Ansätze sind Wegweiser zur Existenzweise des Seins. Wer sich selbst genügt, braucht wenig Besitz und „Haben“. Für solches Leben braucht es weniger Ressourcen. Ein nachhaltiges, enkelgerechtes Leben in Harmonie und Wohlbefinden ist möglich! 

So gegenübergestellt, erscheint die Existenzweise des Seins der Existenzweise des Habens überlegen. Stellt man die Frage „Haben oder Sein?“ kann ein vernünftiger, aufgeklärter Mensch, der sich den Gefahren des Klimawandels und den Mechanismen des Kapitalismus bewusst ist, doch nur mit „Sein!“ antworten?! Alles andere wäre unvernünftig?!

Ich gebe mich als unvernünftiger Mensch zu erkennen.

Nein, meine Antwort auf die Frage „Haben oder Sein“ ist nicht „Haben!“. Sie ist auch nicht „Sein!“. Die Frage ist einfach unsinnig und ich weigere mich, sie zu beantworten. Sie fußt auf der irreführenden Annahme, man könne oder müsse sich entscheiden: „Haben oder Sein“! Diese Annahme und die grundlegende dualistisch-ausschließende Weltsicht sind leider weiterverbreiteter, philosophisch und gesellschaftlich kultivierter Schwachsinn. „Haben“ und „Sein“ sind zwei Facetten eines Lebens. Es kann kein „oder“ zwischen beiden geben. Sinnvoller ist die Akzeptanz des „und“ sowie die Suche nach Balance. 

Wenn ich in die Welt schaue, mangelt es offensichtlich an „Sein“ und „Haben“ – gleichzeitig! Je nachdem, worauf mein Blick fällt entsteht unnötiges Leid durch den Mangel einer Seite. Manchen Investmentbankern, Popstars und erfolgreichen Unternehmern wünsche ich einen vollen Löffel „Sein“. Hungernden Kindern in Afrika, armen Landarbeitern oder fleißigen Pflegekräften wünsche ich eine große Portion „Haben“.

Ein Begriff, der mir hilft, eine Brücke über den Abgrund zwischen Sein und Haben zu bauen ist Zwiefältigkeit. In Martin Bubers Ich und Du trägt der Begriff der Zwiefältigkeit das gesamte Gedankengebäude. Folgerichtig wird der Begriff mit dem ersten Satz des Buches eingeführt:

„Die Welt ist dem Menschen zwiefältig nach seiner zwiefältigen Haltung.“

Martin Buber

Die Zwiefältige Haltung des Menschen entspringt den beiden Grundworten, die der Mensch sprechen kann. Die Grundworte sind zwei Wortpaare. Sie beschrieben, wie ein Mensch zu seiner Umwelt in Beziehung tritt: Es sind die Grundworte „Ich-Es“ und „Ich-Du“.

Das Grundwort „Ich-Es“ ist mit der Existenzweise des Habens verwandt, enthält jedoch andere Aspekte. Das Grundwort „Ich-Es“ definiert eine Objekt-Beziehung. Durch die Abgrenzung von Objekten im Außen entsteht ein „Ich“. Die Objekte im Außen werden zum „Es“. Das „Ich“ kann alle „Es“ haben, nutzen, ausbeuten. Ein „Es“ muss kein Gegenstand sein. Auch andere Menschen oder abstrakte Konstrukte können als „Es“ gebraucht werden. Ein besonders anschauliches Beispiel dafür sind Männer die stolz berichten, wie viele Frauen sie schon „hatten“. In „Ich-Es“ Beziehungen werden Frauen zu eroberbaren, nutzbaren Gegenständen.

Das Grundwort „Ich-Du“ beschreibt eine andere Art der Beziehung, die mit der Existenzweise des Seins verwandt ist. Es beschreibt die lebendige Beziehung zwischen „Ich“ und „Du“. Erleben entsteht erst aus und durch den Kontakt zwischen „Ich“ und „Du“.  Aus diesem Kontakt entsteht etwas Neues im Sinne der Emergenz, wodurch auch „Ich“ und „Du“ nicht unverändert bleiben. Besitz und Haben sind als Begriffe nicht sinnvoll anwendbar. 

Es gehört zu den Schwierigkeiten und Mysterien, des Grundworts „Ich-Du“, dass es nur schwer mit Worten zu beschreiben ist. Eine „Ich-Du“ Beziehung muss gelebt und immer wieder neu im Kontakt gestaltet werden. Eine Liebesbeziehung zwischen zwei Menschen wäre in diesem Sinne nicht, was sich festhalten oder definieren könnte. Sie wäre immer genau das, was im Moment zwischen beiden Menschen, zwischen „Ich“ und „Du“ entsteht.

Wichtig ist dabei festzuhalten, dass das „Ich“ des Grundworts „Ich-Du“ ein anderes ist, als das „Ich“ des Grundworts „Ich-Es“. Jedoch ist das „Ich“ des Grundworts „Ich-Es“, die Voraussetzung, dass das „Ich“ des Grundworts „Ich-Du“ entstehen kann. Das klingt reichlich kompliziert, bedeutet aber letztlich nur folgendes: Ein „Ich“ entsteht zuerst durch Abgrenzung von Objekten im Außen („Ich-Es“). Dieses „Ich“ kann im Anschluss entscheiden, ob es seine Umwelt als nützliche Gegenstände („Ich-Es“) oder Beziehungsobjekte auf Augenhöhe („Ich-Du“) erleben möchte. Durch die erste Entscheidung für eine „Ich-Du“ Interaktion entsteht das neue „Ich“ des Grundworts „Ich-Du“. 

Es bleibt dem einzelnen Menschen überlassen, einen Weg und persönliche Balance der beiden Grundworte zu finden. Der Begriff der Zwiefältigkeit erinnert daran und drückt aus, dass Menschen beide Grundworte brauchen, um Leben zu können. Martin Buber betont jedoch die Bedeutung des „Ich-Du“ für ein erfülltest und glückliches (auch spirituelles) Leben.

Übertragen auf die beiden Existenzweisen des Habens und des Seins folgt, dass beide Existenzweisen notwendig sind um zu leben. „Haben“ ist eine Voraussetzung für „Sein“. Wer kein Essen, keine Luft, kein Wasser hat, kann nicht sein. Etwas blumiger ausgedrückt: Nur jemand der wirklich satt war, kann asketisch leben. Auf das Beispiel des hungernden Kindes von vorhin übertragen bedeutet das, dass es äußerst zynisch und grausam wäre einem hungernden Kind zu empfehlen, sich auf das „Sein“ konzentrieren, um glücklicher zu werden. Das Kind muss erst mal ausreichend Nahrung und Sicherheit haben! Ein Minimum an „Haben“ ist zum Überleben nötig und erlaubt erst eine Leben mit „Sein“.

Die Kunst und schwierige Aufgabe besteht im Finden des „Haben“-Minimums sowie Balance und Maß zwischen „Haben“ und „Sein“. Ich hinterfrage mich täglich und hadere mit mir: Wie viel muss ich haben, um meiner Familie ein glückliches Leben zu ermöglichen? Reicht die aktuelle Wohnung oder brauchen wir ein Haus mit Garten? Reicht das gebrauchte Fahrrad oder leidet mein Kind, wenn es andere Kinder mit ihren neuen coolen Fahrrädern sieht?

Die gleichen Fragen stellen sich auf gesellschaftlicher und politischer Ebene: Wie viel Wachstum und Wohlstand müssen wir als Gesellschaft „Haben“ um zufrieden „Sein“ zu können? Kann man ein gutes Leben führen, ohne Erfolg zu „Haben“?

Dabei muss ich mich daran zu erinnern, dass ich mir diese Fragen nur stellen kann, weil ich mehr als genug „habe“. Viele Menschen kennen dieses Privileg nicht und „haben“ gerade so viel oder zu wenig um zum Überleben. Demut und Dankbarkeit und Einordnen der eigenen Lebenswirklichkeit sind angebracht. 

Die Frage, die ich mir auf meine weitere Lebensreise mitnehme, ist folgende: „Wie viel „Haben“ ist genug?“ Ich hoffe, dass ich und andere durchs selbst-hinterfragen lernen nur so viel zu brauchen, dass für Alle genug „Haben“ zum „Sein“ bleibt.

Der Mann in der Arena

Ein Zitat, das mich seit längerer Zeit begleitet stammt aus einer Rede von Theodore Roosevelt. Besonders der erste Teil spricht mich an:

It is not the critic who counts; not the man who points out how the strong man stumbles, or where the doer of deeds could have done them better. The credit belongs to the man who is actually in the arena, whose face is marred by dust and sweat and blood; who strives valiantly; who errs, who comes short again and again, because there is no effort without error and shortcoming;”

Vor meinem inneren Auge sehe ich eine Arena im, alten Rom. Oben auf den Tribünen tausende Zuschauer. Unten im Sand der Arena sind Figuren zu erkennen. Ihre Bewegungen scheinen angestrengt, sie fallen, verletzen sich, sie kämpfen.

Die Gäste auf der Tribüne genießen Wein und Feigen, schauen herab, johlen, brüllen und lachen über Fehler und Misserfolge der Kämpfer. Ein Schwall aus Spott und Besserwisserei ergießt sich in die Arena.

Was erleben die blutverschmierten, dreckigen Kämpfer in der Arena, die den Spott der Zuschauer ertragen müssen? 

Müdigkeit?

Wut?

Angst?

Verzweiflung?

Panik?

Hoffnungslosigkeit?

Diese Gefühle steigen beim Einfühlen in den Arena-Kämpfer in mir auf. Spüre ich weiter hinein, überkommt mich ein dunkler Schauer von Schwere und Depression. Ein solch grausames Leben in der Arena kann sich doch kein Mensch wünschen?! Unten im Dreck, verspottet von den Zuschauern oben auf der Tribüne? Eine höllische Vorstellung.

Was aber passiert, wenn die Zuschauer, der Spott, die Arena aus der Vorstellung entfernt werden? Dieser Zaubertrick ist möglich, weil die grausamen Tribünengäste in aller Regel Teil der eigenen Psychodynamik sind. Eine Stimme im Außen wirkt nur, wenn es im Innen ein Echo, eine Instanz gibt, die ihr zustimmt. Ohne Zustimmung im Innen ist jeder noch so beißende Spott eines Anderen zahn- und harmlos. Die schlimmen Stimmen verstummen zu lassen ist ein Zaubertrick der Übung benötigt, sich aber lohnt.  

Denn ist die Tribüne leer und stumm, bleibt ein Kämpfer im Sand – ein Mensch, ein Ich. Immer noch dreckig, immer noch blutverschmiert, immer noch angestrengt. Mit der Befreiung von den inneren Dämonen und Vorstellungen gesellen sich zu Müdigkeit, Wut, Angst, Verzweiflung, Panik und Hoffnungslosigkeit weitere Empfindungen.

Lebendigkeit.

Freiheit.

Hoffnung.

Die Welt und das Leben liegen vor diesem Menschen. Er erlebt Leid – als Teil des Lebens. Er erlebt und schafft Freude, Glück, Entspannung, als Teil des Lebens. Es kann keinen Schatten ohne Licht geben. 

Ich habe diesen Umstand für mich akzeptiert und kann seitdem viel zufriedener leiden und lachen.