„Der Sarg muss sein noch größer wie‘s Heidelberger Fass…“

– damit die vielen Leichen im Keller des offiziellen Corona-Narratives hineinpassen:

Unsere Kritik an der Modellierstudie von Watson et al. ist publiziert – Impfnebenwirkungen, ungeklärte Todesfälle fordern Aufklärung

Gelegentlich singe ich die „Dichterliebe“. Das ist jener Liederzyklus, den Robert Schumann nach Gedichten von Heinrich Heine vertont hat. Heine hat darin seine unglückliche Liebe verarbeitet. Im letzten Lied, No. 16, (hier in einer sehr schönen Aufnahme, mit Fritz Wunderlich), singt der Dichter:

Die alten bösen Lieder,
die Träume bös‘ und arg,
Die lasst uns jetzt begraben,
holt einen großen Sarg.
Hinein leg‘ ich gar manches,
doch sag‘ ich noch nicht was.

Der Sarg muss sein noch größer
wie’s Heidelberger Fass…

Heinrich Heine

Daran fühlte ich mich dieser Tage mehrfach erinnert, als ich versucht habe herauszufinden, ob die Covid-19 Impfungen Todesfälle verhindert haben, und als ich die Fülle von Informationen sah, die langsam aus allen Ecken kriechen: Übersterblichkeit, Todesfälle, schwere Impfnebenwirkungen. Sogar der Impfweltmeister Gates gibt mittlerweile zu, dass das alles doch nicht so funktioniert hat, wie geplant.

Ich will mich in diesem Blog solchen Fragen widmen. Zunächst gehe ich auf unsere neue Analyse zu jenem Modell der Imperial-College-Arbeitsgruppe von Watson und anderen [1] ein. Unsere Analyse wurde gerade online verfügbar [2]. Und dann bespreche ich einige neuere Informationen zum Thema der Nebenwirkungen und der Übersterblichkeit trotz oder wegen der Impfungen.

Unsere Kritik des Watson-Modells, das behauptet, Covid-19 Impfungen hätten 16 Millionen das Leben gerettet

Ich habe die Studie von Watson und Kollegen schon einmal besprochen, als sie im August 2022 publiziert wurde. Ich erinnere kurz: Die Arbeitsgruppe aus dem Imperial-College London hat eine mathematische Modellierstudie vorgelegt, die vorrechnet, dass die Covid-19 Impfungen 16-20 Millionen von Menschen das Leben gerettet haben.

Leiter dieser Arbeitsgruppe ist der Mathematiker Neil Ferguson, der das erste Vorhersagemodell im März 2020 publiziert hat [3], mit wilden Berechnungen, die allesamt um Hausnummern daneben lagen, und zwar nicht deswegen, weil wir den Lockdown durchgeführt haben, den er gefordert hat, sondern weil die Modelle einfach unbrauchbar sind. Auch das RKI hatte dieses Modell übernommen [4].

Nun haben wir eine formelle und relativ ausführliche Kritik dieses Watson-Modells publiziert, das als begutachteter Preprint auf der Journalseite des Journals „Futures“ zur Verfügung steht [2]. Wir betten unsere Kritik in eine grundlegende Kritik solcher Modelle ein. Aber kurzgefasst und einfach ausgedrückt hat die Kritik folgenden Kern:

Das Modell von Watson und Kollegen verwendet eine doppelte Modellierung. Zum einen nimmt es modellierte Daten als Basis, nämlich die Daten, die ein Übersterblichkeitsmodell der Zeitschrift The Economist bis Dezember 2021 berechnet hat. Damit und mit den Covid-19-Mortalitätsdaten der Covid-Dashboards wird nun das eigene mathematische Modell gefüttert. Da in den aktuellen Covid-19-Mortalitätsdaten die Effekte der Impfungen sozusagen eingebaut sind, kann man, theoretisch, wenn man das Modell angepasst hat und die Daten der früheren Übersterblichkeit aus dem Economist-Modell weiterrechnet und alle anderen Parameter, z.B. die Reproduktionszahl des Virus, gleich lässt, ein kontrafaktisches Modell ableiten. Das würde einem eine Realität errechnen, die anders verlaufen wäre. Die Differenz zwischen den Modellen würde dann die Anzahl der geretteten Leben ergeben. Das sind ungefähr 16 bis 20 Millionen.

So weit, im Kern, die Analyse von Watson und Kollegen. Die Publikation im Journal „Lancet Infectious Diseases“ machte sie sehr sichtbar. Damit ist anscheinend Wahrheitsgehalt verbrieft und besiegelt. Aber man muss nicht sehr tief graben, um zu sehen, auf welch tönernen Füssen das ganze Modell steht.

Wir weisen in unserem Artikel auf ein paar technische Punkte hin, die ich jetzt überspringe. Die zwei wichtigsten Kritikpunkte, die das Modell komplett unbrauchbar machen, sind folgende:

Zum einen ist das Datenmaterial, das die Modelle verwenden, ungenügend. Ich habe in meinem Blog zu einem Preprint von Rockenfeller und Kollegen [5] darauf hingewiesen, wie wichtig die Länge der Zeitreihe ist, aus der man Übersterblichkeit abschätzt. Bei den Modellen wie dem Economist-Modell, Euromomo, oder dem der WHO wird die Übersterblichkeitsschätzung aus wenigen Jahren Vorlauf gewonnen. Rockenfeller und Kollegen haben 20 Jahre Daten zur Modellanpassung verwendet und konnten zeigen, dass die üblicherweise verwendeten Modelle eine grobe Überschätzung der wirklich zu erwartenden Sterblichkeit liefern. Daher ist es gar nicht sachlich zulässig, die Daten des Economist-Modells zu verwenden. Sie sind nämlich nicht stabil und sachlich falsch. Die Analyse von Rockenfeller und Kollegen zeigt das am Beispiel von Deutschland sehr klar.

Zwar wurde das Watson-Modell auch noch an echten Covid-19-Mortalitätsdaten kalibriert. Aber auch diese sind alles andere als zuverlässig. Wie falsch das Modell ganz grundlegend ist, erkennt man daran, dass das zugrunde gelegte mathematische Modell [6] für Deutschland zum April 2021 ungefähr 419.000 Covid-19-Todesfälle vorhergesagt hat, für Uganda sagte das Modell etwa 320.000 Todesfälle voraus. In Deutschland gab es aber lt. „Our World in Data – OWID” bis zu diesem Zeitpunkt 82.850 Covid-19 Todesfälle und in Uganda waren es 342. Die große Diskrepanz kann nicht an den Impfungen gelegen haben. Denn zu diesem Zeitpunkt waren in Deutschland gerade mal knapp 8 % geimpft und in Uganda vermutlich noch weniger. Selbst wenn man für Afrika nicht die gleiche Berichtslogistik vermuten kann wie für Deutschland, ist es schwer, die in Uganda um den Faktor 9.300 überschätzte Zahl mit afrikanischen Verhältnissen zu rechtfertigen und die in Deutschland um das 5-fache überschätzte Zahl mit Mangel an deutscher Gründlichkeit. Nein, die Zahlen zeigen einfach: das Modell ist grundlegend falsch.

Warum? Darauf kommen wir in anderen Teilen unserer Kritik zu sprechen: Es lässt viel zu viele Faktoren, die eine Rolle spielen, außer Acht. Und das gilt im Grunde für all diese epidemiologischen Modelle. Resistenzfaktoren, Wirtsfaktoren, Schutzfaktoren werden ausgeblendet. Andere Faktoren, die zur Sterblichkeit beigetragen haben, werden nicht berücksichtigt, wie etwa falsche Behandlungen, Sekundäreffekte des Lockdowns, Fehlattributionen von Todesfällen auf die virale Erkrankung und vieles mehr.

Die Modelle arbeiten außerdem mit einer um den Faktor 3-10 zu hoch eingeschätzten Infection-Fatality-Rate (IFR), also dem Verhältnis von Verstorbenen zu Kranken. Diese Zahl geht aber in die Berechnungen ein und mit einer einfachen arithmetischen Umformulierung, die wir zeigen, kann man erkennen, dass die Effektivität des Vakzins überschätzt wird, wenn man die IFR zu hoch ansetzt. Da die IFR von der Falldefinition abhängt, die wiederum u.a. von der Häufigkeit der PCR-Testungen abhängt, aber auch davon, wie viele stumme, symptomlose Infektionen es gegeben hat, ist dies ein kritischer Parameter. Ioannidis hat schon öfter darauf hingewiesen, dass diese Zahl überschätzt wird [7-9].

Außerdem, eine kleine technische Randbemerkung, behandeln die Modelle die Reproduktionszahl R des Virus wie eine Konstante. Genau das ist falsch. Denn es ist keine Konstante, sondern ein dynamischer Wert, technisch ist es ein Datenpunkt, der von den Modellen vorhergesagt werden müsste oder den man als dynamischen Modellparameter eingeben müsste.

Aber unsere ganz grundlegende Kritik an diesen Modellen reicht noch tiefer. Sie sind nämlich eine Ausgeburt eines mechanistisch-eindimensionalen Denkens. Dieses stellt nur in Rechnung, dass die einzigen Akteure in der Welt der Pandemie die Viren sind. Von ihrer Infektiosität hängt alles ab. Alles andere wird ausgeblendet. Aber wir Menschen sind eben keine Billardkugeln auf einem Billardtisch, mit dem die bösen Viren spielen. Sondern wir sind in multiplen Abhängigkeiten, die uns schützen oder bedrohen. Wir können durch unser Verhalten, durch Schutzfaktoren wie Bewegung, Luft, Sonnenschein, Vitamin D, Entspannung, soziale Kontakte, Verbundenheit unsere immunologische Widerstandsfähigkeit stärken und sie durch Angst, Stress, Schlafmangel, und der Gesundheit abträgliches Verhalten schwächen. Dies ist eine Grundlagenkritik, die diesen beschränkten Ansatz kritisiert, also die Erkenntnisvoraussetzung selber.

Es gibt Gegenbeispiele [10, 11]. Diese Modelle sind solche, die versuchen, die vielen kausalen Prozesse zu fassen, die das Geschehen treiben. Sie sind um ein Vielfaches komplexer, passen sich ständig aufgrund neuer Erkenntnisse und Daten an und sind daher auch weniger für fehlerhafte alte Daten anfällig.

Es ist eigentlich erstaunlich, dass eine so schwache Publikation wie die von Watson und Kollegen ihren Weg in eines der wichtigen Journals gefunden hat. Wir vermuten: finanzielle Interessenskonflikte. Denn die Arbeitsgruppe wird von der Impfallianz GAVI und von der Bill und Melinda Gates Stiftung gefördert, die im übrigen die Lancet Journals fördern.

Wir haben den Kern unserer Kritik bald nach Erscheinen des Watson-Artikels formuliert und an Lancet selber und eine Reihe anderer Journals geschickt, die alle abgewunken haben. Der Inhalt würde niemanden interessieren, sei veraltet, das Journal würde sich nicht um Kritik an Publikationen anderer Journale kümmern, und wie die Absageargumente alle hießen. Die Gutachter von Futures haben uns ermutigt, unsere Kritik in eine epistemologische Diskussion einzubauen, daher kommt der Titel sperrig und der Text etwas langatmig daher.

Aber die Botschaft sollte klar sein: Die Behauptung, dass die Impfungen Leben gerettet haben und zwar gleich Millionen, ist falsch. Wir zeigen warum: Die zugrunde gelegten Zahlen sind falsch. Das mathematische Modell ist zu simplistisch. Und die Vorannahmen des gesamten Modells sind unbrauchbar.

Nebenwirkungen und Übersterblichkeit nach der Impfkampagne

Währenddessen häufen sich Meldungen über Nebenwirkungen dieser Impfungen. Nicht, dass das neu wäre. Aber was nun neu ist, ist die Tatsache, dass diese Information immer öfter ihren Weg auch in konventionelle Nachrichtenkanäle findet.

Der Ärzteverband „Hippokratischer Eid“ z.B. weist darauf hin, dass diese Impfung die Fruchtbarkeit von jungen Menschen beeinträchtigt, dass die Übersterblichkeit 2021 und 2022 höchstwahrscheinlich mit den Impfungen zu tun hat und dass die Krebshäufigkeit zunimmt. Daher fordert der Verband Kirchen, Amtsträger und die Politik auf, diese Impfungen sofort zu stoppen. Er fordert auch eine Rechenschaftspflicht der Verantwortlichen und deren sofortige Entlassung. Unser guter Dr. Wieler hat den Fuchs gerochen und hat schon mal rechtzeitig das Weite gesucht. Aber die Ärzte fordern auch eine Untersuchungskommission und eine gerichtliche Aufarbeitung.

Auch Uwe Kranz, ein ehemaliger Polizeipräsident a.D., der Europol mit aufgebaut hat, fordert Konsequenzen und beschreibt in einem Interview die Übersterblichkei und in einem anderen die Impfnebenwirkungen.

Liebe Kollegen von der Presse, von Funk und Fernsehen (PFF):

Vielleicht hören Sie zur Abwechslung mal auf die Botschaft selber, statt erst zu schauen, wer der Bote ist, um ihn mal vorsorglich zu verprügeln, in der Hoffnung, dass er dann vielleicht sein Maul hält!

Denn diese Marotte, den Boten wahlweise zu prügeln oder zu ignorieren, weil er nicht die richtigen Klamotten anhat und nicht den richtigen Stallgeruch mitbringt, genau sie hat uns in dieses Dilemma geführt. Denn viele haben diese Problematik vorhergesagt. Keiner hat zugehört.

Die Epidemie der plötzlich jung Verstorbenen

Ich habe am Wochenende ein berührendes Buch gelesen, Ed Dowd „Cause Unknown“ – The epidemic of sudden deaths 2021/2022“ [12]. Nein, liebe Kollegen von PFF, dies ist kein Verschwörungsbuch, nur weil es bei Skyhorse erschienen ist. Es ist mit Fakten untermauert. Es drückt durchaus auch auf die Tränendrüse. Denn es dokumentiert, mit bebilderten Zeitungsmeldungen, meistens 6 pro Seite über viele Seiten hinweg, publizierte Todesmeldungen von jungen Sportlern, Athleten oder Menschen, die „plötzlich, unerwartet und völlig gesund“, „ohne erkennbare Vorerkrankung“, zusammenbrachen. Die Meldungen sind mit QR-Codes versehen, sodass die Zeitungsmeldungen prüfbar sind. Die hinteren Seiten dokumentieren 550 solcher Fälle. Sowas gab es noch nie.

Ed Dowd ist ein Wall-Street-Analyst der für Blackrock, einen der weltweit größten Vermögensverwalter [13] gearbeitet hat und dort das Portfolio, das er verwaltete, in den zehn Jahren seiner Amtszeit um 12 Milliarden vergrößert hat. Das erreichte er, weil er gut darin war, Trends zu erkennen, bevor andere sie sahen. Diese Fähigkeit half ihm auch, die Trendwende in der Mortalitätsstatistik zu sehen.

Er gründete ein eigenes Unternehmen und innerhalb des Unternehmens ein Humanity Project, mit dem er die Übersterblichkeiten analysiert. Für Deutschland sehen die Analysen für die Gruppe der 40-49-Jährigen so aus (Abb. 1 und 2)

Abbildung 1 – Jährliche Mortalitätsrate mit dem projizierten Trend (schwarz) und den tatsächlichen Daten (blau); Quelle (Zugriff am 13.2.2023)
Abbildung 2 – Übersterblichkeit der Altersgruppe der 40-49-Jährigen in Deutschland in Prozent (linke y-Achse) in Abhängigkeit der Impfrate (schwarze Kurve, rechte y-Achse) Quelle: siehe Abb. 1

Es ist informativ, die Daten und Grafiken auf dieser Webseite zu studieren; dort kann man unterschiedliche Länder aufrufen und innerhalb der Länder unterschiedliche Altersgruppen. Sie werden laufend den Daten angepasst und sie haben alle eine simple, klare und erschreckende Botschaft, die Dowd auch in seinem Buch zum Ausdruck bringt: Es sind vor allem die jungen, gesunden, fitten und sportlichen Leute, die jetzt sterben, und zwar viel mehr, als man erwarten würde. Die Daten, mit denen Dowd sein Argument im Buch hinterlegt, sind die, die auf seiner Webseite zu finden sind. Dort ist auch ein sehr ausführliches Dokument, das die Methodik beschreibt.

Nun meine Damen und Herren von PFF, von den Wissenschaftsredaktionen: Was sagt uns das, wenn die klügsten Finanzer dieser Welt, die den reichsten und mächtigsten Menschen dieser Welt dienen oder gedient haben, um deren Reichtum um zweistellige Prozentsätze zu mehren, wenn diese Leute plötzlich ihr Geld und ihr Hirnschmalz in die Hand nehmen, um solche Daten zu erzeugen, die eigentlich unsere öffentlichen Ämter, unsere Behörden, und, ja, eigentlich auch Sie, schon längst hätten vorlegen müssen?

Was sagt uns das, meine Damen und Herren von der Stiko, vom Paul-Ehrlich-Institut, von den Ausschüssen unseres Bundestages, von den Arbeitsgruppen unserer Parteien, wenn Sie zusammen mit unseren Leitmedien noch immer versuchen leise zu treten und solche Daten mit dem Allerweltsargument abtun, das seien ja nur Korrelationen? Das stimmt. Es sind Korrelationen. Aber starke Korrelationen, die man nicht erwartet, nämlich ein starkes Ansteigen der Todesraten vor allem bei jungen Leuten parallel zum Verabreichen einer neuen Medizintechnologie, die man euphemistisch als „Impfung“ deklariert. Das ist erklärungsbedürftig. Ich habe noch keine andere kluge Erklärung gehört, die diesen Zusammenhang vernünftig, einsichtig und sachlich nachvollziehbar erklären würde.

Werkstattbericht

Ich selber bin gerade dabei nachzuvollziehen, ob man diesen Zusammenhang mithilfe einer Zeitreihenanalyse, in diesem Fall einer ARIMA-Analyse dokumentieren kann. Ich habe eine Zeitreihe an die Covid-19 Mortalitätsdaten in Deutschland angepasst und einen Interventionsterm zu Beginn der Impfkampagne eingesetzt. Der war signifikant und relativ deutlich. Und er war positiv. Das heißt: Die Impfung würde die Covid-19 Sterblichkeit verschlimmern, wenn diese Analyse stimmt. Der Einfluss auf die Intensivbettenbelegung war nicht erkennbar. Das sind vorläufige Analysen, die ich für nicht belastbar halte. Ich sage das hier deswegen, weil ich kompetente Kollegen, die das vielleicht lesen, auffordern möchte, sich mit mir in Verbindung zu setzen, um diese Analyse zu prüfen, zu widerlegen oder zu verbessern. Ich stelle gerne meinen Auswertungsbericht und meine Daten zur Verfügung.

Die englischen Daten zur mangelnden Wirksamkeit und eine rasche Risiko-Nutzen-Abschätzung

In England werden wenigstens Daten publiziert, aus denen man eine Risiko-Nutzen-Analyse ableiten kann. Am 23. Januar hat das Joint Committee on Vaccinations einen Bericht publiziert. Man muss in den Anhang sehen, damit man die Brisanz erkennt.

Dann sieht man: In den mittleren Altersgruppen steigt das Risiko für eine Covid-19-Hospitalisierung mit der Anzahl der Impfungen. Also: Je mehr geimpft, umso höher das Risiko, mit einer Covid-19 Diagnose ins Krankenhaus zu kommen. Während bei Ungeimpften im Alter zwischen 40 und 49 14,5 Hospitalisierungen auf eine Million Menschen kommen, sind es bei denen mit ein oder zwei Dosen 20,1. Auch für die folgenden Alterskohorten ist das Risiko einer Covid-19-Hospitalisierung höher mit als ohne Impfung. Das Gleiche gilt für schwere Hospitalisierung in den mittleren Altersgruppen. Bei den jüngeren Gruppen zeigt sich kaum ein Unterschied. Nur bei den ganz Alten gibt es einen positiven Effekt. Die Number Needed to Vaccinate (NNV), also die Anzahl derer, die man impfen muss, um einen Fall von Hospitalisierung zu verhindern, liegt bei der mittleren Altersgruppe zwischen 19.000 und 54.000 Menschen und steigt bei den Booster-Impfungen auf 48.000 bis 176.000 Menschen. Bei den jüngeren Menschen ist die NNV immer über 100.000 und geht für manche Altersgruppen fast auf 500.000 hoch.

Die NNV für Todesfälle ist gar nicht mehr angegeben. Warum wohl? Weil die Impfung höchstwahrscheinlich gar keine Todesfälle verhindert. Wir hatten seinerzeit [14-16] eine grobe NNV von 12.000 – 25.000 geschätzt, um einen Todesfall zu verhindern und wurden dafür geprügelt. Jetzt zeigt sich, dass diese Schätzung höchstwahrscheinlich viel zu freundlich war. Denn man muss diese Zahlen ja mit den zu erwartenden Nebenwirkungen ins Verhältnis setzen. Laut der Analyse der Zulassungsdaten, die Fraiman und Kollegen untersucht haben [17], liegt die Inzidenz von schweren Nebenwirkungen je nach Impfstoff zwischen 15 und 10 pro 10.000 oder 150 und 100 pro 100.000. Wir impfen also irgendwas zwischen 5.000 und 400.000 Leute, um einen Fall, in Zahlen:1 Fall von schwerer Hospitalisierung mit Covid-19 zu verhindern. Wenn wir das tun, nehmen wir irgendwas zwischen 7 und 600 schweren Nebenwirkungen in Kauf, um diesen einen Fall von Hospitalisierung zu verhindern. Dieses Risiko-Nutzen-Verhältnis ist so pervers negativ, dass selbst die Impfkommission in England es nur kommentarlos in einer Anhangtabelle verstecken konnte. Wer es nicht glaubt: Dr. John Campbell erklärt das in einer halben Stunde, zwar auf Englisch, aber gut.

„Quo usque tandem, Catilina, abutere patientia nostra – Wie lange noch, Catilina, willst Du unsere Geduld missbrauchen”. So hat Cicero seine Invektive gegen Catilina, den Republiksverschwörer, eingeleitet, die schließlich zu einer Niederschlagung dessen Aufstandes führte, wenn ich meine römische Geschichte noch richtig erinnere. Das Gleiche könnte man heute auch ausrufen: Wie lange noch muss es dauern, bis irgendwer, der Macht und Einfluss genug hat, den Mut aufbringt, das Schweigen zu brechen? Was hier geschieht, ist unsäglich. Es ist Unrecht. Es ist ethisch falsch. Es ist sachlich falsch. Es ist unvernünftig in hohem Grade. Es war ein Angriff auf die menschliche Unversehrtheit und es war eine Beleidigung der Vernunft (das ist noch das Geringste, finde ich). Ich finde es erschreckend, wie viele sich das gefallen lassen und nicht laut aufschreien. Ich finde es unerträglich, dass alle unsere Verantwortlichen geflissentlich darüber hinwegsehen. Ich finde es zutiefst verstörend, wie unsere gesamte Leitmedienlandschaft, von kleinen Feigenblattausnahmen abgesehen, seit geschlagenen 3 Jahren das Märchen von der Impfnotwendigkeit weiter beteten.

Und da ereifert Ihr Euch noch, liebe Faktenchecker und Medienmacher von PFF, dass manche Leute eine Verschwörung am Werk sehen? Ja, wie sonst lässt sich ein solcher Wahnwitz erklären, außer durch Absicht, exorbitante Feigheit, oder kolossale Unvernunft und Inkompetenz der wichtigsten Entscheidungsträger? Und welches davon wäre schlimmer? Oder kann mir wer eine bessere Erklärungsmöglichkeit liefern?

Quellen und Literatur

  1. Watson OJ, Barnsley G, Toor J, Hogan AB, Winskill P, Ghani AC. Global impact of the first year of COVID-19 vaccination: a mathematical modelling study. Lancet Infectious Diseases. 2022. doi: https://doi.org/10.1016/S1473-3099(22)00320-6.
  2. Klement RJ, Walach H. SEIR models in the light of Critical Realism – a critique of exaggerated claims about the effectiveness of Covid 19 vaccinations  Futures. 2023;accepted.
  3. Ferguson N, Laydon D, Nedjati Gilani G, Imai N, Ainslie K, Baguelin M, et al. Impact of non-pharmaceutical interventions (NPIs) to reduce COVID19 mortality and healthcare demand. London: Imperial College, 2020.
  4. an der Heiden M, Buchholz U. Modellierung von Beispielszenarien der SARS-CoV-2-Epidemie 2020 in Deutschland. Berlin: Robert Koch Institut, 2020.
  5. Rockenfeller R, Günther M, Mörl F. Reports of deaths are an exaggeration: German (PCR-test-positive) fatality counts during the SARS-CoV-2 era in the context of all-cause mortality. MeRxiv. 2022;https://doi.org/10.1101/2022.11.18.22282534
  6. Walker PGT, Whittaker C, Watson OJ, Baguelin M, Winskill P, Hamlet A, et al. The impact of COVID-19 and strategies for mitigation and suppression in low- and middle-income countries. Science. 2020;369(6502):413-22. doi: https://doi.org/10.1126/science.abc0035.
  7. Ioannidis JPA. The infection fatality rate of COVID-19 inferred from seroprevalence data. Bulletin of the World Health Organization. 2021;99:19-33F. doi: https://doi.org/10.2471/BLT.20.265892.
  8. Ioannidis JPA. Reconciling estimates of global spread and infection fatality rates of COVID-19: an overview of systematic evaluations. European Journal of Clinical Investigation. 2021;51:e13554. doi: https://doi.org/10.1111/eci.13554.
  9. Axfors C, Ioannidis JPA. Infection fatality rate of COVID-19 in community-dwelling populations with emphasis on the elderly: An overview. medRxiv. 2021:2021.07.08.21260210. doi: https://doi.org/10.1101/2021.07.08.21260210.
  10. Friston KJ, Parr T, Zeidman P, Razi A, Flandin G, Daunizeau J, et al. Tracking and tracing in the UK: a dynamic causal modelling study. arXiv. 2020;2005.07994.
  11. Friston KJ, Parr T, Zeidman P, Razi A, Flandin G, Daunizeau J, et al. Second waves, social distancing, and the spread of COVID-19 across America. Wellcome Open Res 5(103). 2021. doi: https://doi.org/10.12688/wellcomeopenres.15986.3.
  12. Dowd E. „Cause Unknown“ – The epidemic of Sudden Deaths in 2021 and 2022. New York: Skyhorse; 2022.
  13. Rügemer W. Blackrock und Co enteignen. Frankfurt: Nomen; 2021.
  14. Walach H, Klement RJ, Aukema W. Retracted: The Safety of COVID-19 Vaccinations—We Should Rethink the Policy. Vaccines. 2021;9(7):693. doi: 10.3390/vaccines9070693. PubMed PMID: doi: https://doi.org/10.3390/vaccines9070693.
  15. Walach H, Klement RJ, Aukema W. The risk-benefit ratio of Covid-19 vaccines: Publication policy by retraction does nothing to improve it. Clinical and Translational Discovery. 2022;2(1):e35. doi: https://doi.org/10.1002/ctd2.35.
  16. Walach H, Klement RJ, Aukema W. The Safety of COVID-19 Vaccinations — Should We Rethink the Policy? Science, Public Health Policy, and the Law. 2021;3:87-99. https://www.publichealthpolicyjournal.com/general-5.
  17. Fraiman J, Erviti J, Jones M, Greenland S, Whelan P, Kaplan RM, et al. Serious adverse events of special interest following mRNA COVID-19 vaccination in randomized trials in adults. Vaccine. 2022;40(40):5798-805. doi: https://doi.org/10.1016/j.vaccine.2022.08.036.