Corona Virus 2019 / 2020: Entwicklung der Fallzahlen in Deutschland im internationalen Vergleich

Coronavirus-Infektion 2019/2020: Deutschland im internationalen Vergleich

HInweise und Anregungen bitte gerne an: dieter@dieter-graessle.de

Link zum Python-Code zum Herunterladen, Zusammenführen und Plotten der Daten.

 

+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++

Kurzkommentar Stand der Daten 09.04.2020

Leider bin ich die letzten Tage nicht dazu gekommen, mich weiter mit den Zahlen zu beschäftigen. Es ist gut zu sehen, dass nun ein stärkeres Augenmerk auf die Entstehung der Daten gerichtet wird. Das wird zunächst nicht viel helfen, denn retrospektiv erhobene klinische Daten sind keine Experimentaldaten, die qualitativ mit Daten aus prospektiven und randomisierten Studien vergleichbar sind. Aber es führt zumindest dazu, dass die Fragestellungen geschärft werden.

Ein sehr lesenswerter Artikel von Peer Ederer zur Betrachtung der Zahlen mit wichtigen Fragen und Anregungen zur Selbstreflexion im Umgang mit den gegenwärtigen Daten („Blindflug“) findet sich hier.

++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++

Kurzkommentar Stand der Daten 29.03.2020

Die geringere Anzahl von neu gemeldeten bestätigten Fällen kann noch nicht als Indikator für einen Rückgang des Wachstums der Fallzahlen angesehen werden. Ich habe verschiedene Vorschläge erhalten, Plots für die Mortalitätsquotienten zu erstellen. Dies wäre aber nicht besonders sinnvoll, da sich die jeweiligen Nenner ( = landesspezifische „confirmed cases“) nicht als vergleichbar erhoben betrachten lassen. Interessanter könnte ein differenzieller Plot sein, bei dem die jeweilige Veränderung zum Vortag abgebildet wird.

+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++

Kurzkommentar zum Stand der Daten 25.03.2020:

Alle URLs der Datenquellen der Johns Hopkins University (confirmed, deaths, recovered) haben sich nun geändert und sind aktualisert. Eventuell erscheinen noch kleinere Fehler.

Link zum Repository der JHU mit dem Änderungshinweis: https://github.com/CSSEGISandData/COVID-19/tree/master/csse_covid_19_data/csse_covid_19_time_series

Der Trend in den deutschen Fallzahlen mit geringerem Wachstum bei einer Verzehnfachungszeit von ca. 13 – 16 Tage setzt sich fort. Damit erhöht sich auch die Verdopplungszeit auf ca. 4,5 Tage.

+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++

Kurzkommentar zum Stand der Daten 24.03.2020:

Die URL von zwei Datenquellen der Johns Hopkins University (confirmed und deaths) hat sich geändert (Vielen Dank an Lennart für den Hinweis! ) .

Link zum Repository der JHU mit dem Änderungshinweis: https://github.com/CSSEGISandData/COVID-19/tree/master/csse_covid_19_data/csse_covid_19_time_series

Nach update sind die Plots wieder auf dem letzten Stand der bei der JHU verfügbaren Daten.

Sollte der erkennbare schwächere Anstieg der letzten 5 Tage so anhalten, dann hätte sich die Verzehnfachungszeit auf ca. 12 – 16 Tage deutlich verlängert.

+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++

Kurzkommentar, Stand der Daten 23.03.2020

Die Zahlen des Johns-Hopkins-Repositories zum 23.03.2020 sind vermutlicfehlerhaft.

Die Fallzahl-Kurven sollen sich nach Auskunft des RKI beginnen, etwas abzuflachen. Nun ist es vielleicht voreilig, nach sehr wenigen gut aussehenden Tageszahlen bereits Schlüsse zu ziehen, aber hoffen wir, dass sich hier tatsächlich ein ersehnter „Flatten the Curve“-Effekt zeigt und eine Rückkehr zur Normalität in Aussicht kommt.

Was aus statistischer Sicht erstaunt, ist die Glattheit der Kurven schon bei kleinen Fallzahlen. Dies deutet meiner Meinung nach darauf hin, dass die tatsächlichen Infektionszahlen unsymptomatischer und unbeobachteter Fälle deutlich größer sind als die beobachteten Fallzahlen und diese nur einen näherungsweise konstanten Auszug aus den ersteren darstellen.

Es wäre die Zeit tiefergehender Analysen durch Institutionen wie das RKI: Hat Corona nun wirklich die Gesamtmortalität erhöht? Oder ist hier – und vor allem in welchem Ausmaß – ein Beobachtungseffekt durch neu vorhandenen Testmöglichkeiten entstanden, durch den lediglich in großem Umfang die Todessachen anders lauten? Wodurch sind die hohen Todesfallzahlen in Oberitalien zu erklären? Viele dieser Fragen sind bereits von durchaus namhaften Wissenschaftlern gestellt worden, es fehlt bisher an den Antworten.

+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++

Kurzkommentar Stand 22.03.2020

Im Verlauf sind keine wesentlichen Veränderungen zum Vortag erkennbar.

+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++

Kurzkommentar Stand 21.03.2020

Im Verlauf sind keine wesentlichen Veränderungen zum Vortag erkennbar.

Kommentar zu den Zahlen: Ob die Zahlen positiv Getesteter jetzt die tatsächliche Entwicklung der Fallzahlen oder die Ausweitung der Tests widerspiegeln, kann nicht so leicht beurteilt werden. Beides wirkt wahrscheinlich mit.

Die zu dieser Beurteilung ebenfalls benötigten Parameter Sensitivität und vor allem Spezifität sind für die PCR-Tests auf Coronavirusinfektion aktuell nicht bekannt oder zumindest von mir nicht auffindbar.

Aus diesen Gründen ist auch die prozentuale Mortalität innerhalb der Länder und im Vergleich zwischen den Ländern nicht unproblematisch.

Als Entscheidungsgrundlage eignen sich aber die Entwicklungsparameter der Absolutzahlen der Todesfälle. Steigen die Todesfallzahlen ebenfalls exponentiell und gefährden die klinische Versorgung der Patienten, so herrscht Handlungsbedarf.

++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++

Kurzkommentar Stand 21.03.2020

Der lorithmische Plot zeigt nach wie vor ein weitgehend geradliniges Schaubild für die Fallzahlen in Deutschland. Das heißt, das Wachstum der Fallzahlen setzt sich exponentiell mit gleicher Wachstumsrate fort. Die Wachstumsrate in Italien scheint sich stetig zu reduzieren und liegt nun unter der deutschen. Über die Ursachen lässt sich streiten.

Die Verzehnfachungszeit der deutschen Fallzahlen beträgt nun ca. 9-10 Tage, die Verdopplungszeit ungefähr 2,7 – 3 Tage.

Diverse große Tageszeitungen, die sich selbst gerne dem Qualitätsjounalismus zurechnen, schreiben noch immer von einem sprunghaften und überraschenden Anstieg. Der logarithmische Plot zeigt klar, dass seit Wochen die Zahlen stetig und glatt wachsen, von sprunghaft kann keine Rede sein. Beachtlich ist, wie lange das RKI den Begriff „exponentielles Wachstum“ vermieden hat. Dies liegt mit Sicherheit nicht am intellektuellen Unvermögen.
++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++

Video: Wie liest man Informationen aus einem logarithmischen Plot heraus?

Deutschland im europäischen Vergleich

Die Graphik mit linearer y-Achse zeigt als größte Auffälligkeit die hohen Fallzahlen in Italien. Auf eine Ähnlichkeit der Länderkurven kann aus diesem Plot noch nicht ganz geschlossen werden.

 

Interessanteres ergibt sich aus dem nachfolgenden halblogarithmischen Plot (die y-Achse gibt hier die Zehnerpotenzen der Fallzahlen wieder). Die Ähnlichkeit der Verläufe in den europäischen Ländern Deutschland, Italien und Spanien ist klar ersichtlich. Es ist zu beobachten, dass die Kurve für Deutschland um ca. 8 Tage der italienischen hinterherhinkt. Es ist nicht zu erwarten, dass sich dieser Verlauf kurzfristig ändert. Zeitreihen von Fallzahlen einer Infektion unterliegen systembedingt einem wesentlich trägeren Änderungsverhalten der Trends als z.B. Börsenkurse. Ein (noch) nicht sichtbarer eventueller Unterschied könnte durch die räumliche Verteilung der infizierten Personen entstehen (die räumliche Konzentration ist in Italien größer).

In China hat es nach den drastischen Shutdown-Maßnahmen ca. 14 Tage gedauert, bis eine deutliche Auswirkung auf den Entwicklungstrend der Fallzahlen erkennbar war (Wu and MacGoogan 2020). Sollten die (weniger drastischen) Maßnahmen in Deutschland mit Schulschließungen zum 16.03.2020 ähnliche Wirkung zeigen, ist eine bis ungefähr Ende März steigende Fallzahl von mehreren Zehntausend zu erwarten. Auffällig ist die im Vergleich sehr hohe Mortalität in Italien. Dies wirft die Frage auf, ob es hier wirklich einen so großen Unterschied in der Versorgung gibt oder ob die gemeldeten Zahlen für „confirmed cases“ zwischen den Ländern wirklich vergleichbar erhoben sind. Eine unterschiedliche Testdichte führt natürlich auch zu unterschiedlichen Fallzahlen in einer vergleichbaren Population.

 

Deutschland im Vergleich mit asiatischen Ländern

Es ist erkennbar, dass die gezeigten asiatischen Staaten deutlich niedrigere Wachstumsraten der Infektion aufweisen, obwohl sie näher an der Infektionsquelle (China) liegen.

Noch deutlicher ist dies im halblogarithmischen Plot zu sehen. Trotz eines erheblichen zeitlichen Vorlaufs hat es Deutschland nicht geschafft, aus diesem Vorteil einen Nutzen zu ziehen. Die ausgewählten asiatischen Länder sind offensichtlich wesentlich erfolgreicher in der Eindämmung der Pandemie.

China

++++ Der Python-Code muss an das neue Format der JHU angepasst werden. ++++

China hat offensichtlich die Krise überstanden. Die (kumulierten) bestätigten Fallzahlen wachsen nicht weiter und stagnieren bei ca. 80.000 Fällen, die aktiven (akut erkrankten) Fälle gehen deutlich zurück.

Die gezeigten Graphiken basieren auf den Daten der Johns-Hopkins-University und / oder des Robert-Koch-Instituts. Es kann keine Gewähr für die Korrektheit und Vollständigkeit der verwendeten Daten geleistet werden. Die Datenlage ist sehr dynamisch, deswegen finden sich bei verschiedenen Quellen im Internet auch unterschiedliche Zahlen, die laufend aktualisiert oder auch korrigiert werden.

Verwendete Datenquellen:

Weitere Interessante Seiten:

Die Johns-Hopkins-University bietet ein hervorragendes Datenvisualisierungstool für den globalen Verlauf der aktuellen Coronavirus-Infektion unter dem folgenden Link: Coronavirus COVID-19 Global Cases by Johns Hopkins CSSE

Eine Sammlung quantitativer Parameter aus Publikationen zu COVID-19 findet sich hier:
https://github.com/midas-network/COVID-19/tree/master/parameter_estimates/2019_novel_coronavirus

Weitere sehr gute Visualisierungen, Daten fund Parameter finden sich auf auf worldometer.info.

Weitere Plots auf Basis der JHU-Daten: https://mtholder.github.io/covid19plots/

Die Kurven werden von einem Python-Programm generiert. Der Code ist hier zu finden.

 

 

Weiterlesen

Python-Code Corona Plots (needs updating)

Python, Pandas, Matplotlib

Der wesentliche Teil des Codes zum Erzeugen der Plots. Mit Sicherheit kein Meisterwerk, suboptimal und schnell geschrieben…. . Die wesentlichen Schritte sind enthalten, so dass man selber damit eigene Ideen realisieren kann.

Datendownload, Reformatting  und Merging der separaten Datentabellen ist mit pandas realisiert, die Plots werden mit matplotlib erstellt. Für Standardplots hätte ich anstattdessen seaborn verwendet.

Weiterlesen