Demographie und Gesellschaft im Fokus Folge 1: Covid19-Forschung: Telefointerview mit Dr. Patrizio Vanella
Wir begrüßen Sie, liebe Hörerinnen und Hörer zur Podcastreihe der Deutschen Gesellschaft für Demographie. Unser erster Gast ist Herr Dr. Patrizio Vanella. Er wird seine aktuellen Forschungen in Bezug auf die Covid-19-Pandemie im Bereich der Wirtschaft, Mortalität und Epidemiologie vorstellen. Dr. Patrizio Vanella ist derzeit am Helmholtz-Zentrum für Infektionsforschung in Braunschweig in der Abteilung für Epidemiologie als Statistiker beschäftigt. Teil seiner Forschungstätigkeit ist die demographische und epidemiologische Prognostik. Aufgrund der aktuellen Situation können wir leider nur ein Telefoninterview mit ihm durchführen. Viel Spaß beim Zuhören!
___________________________________________
Hallo Dr. Vanella.
Vielen Dank, dass Sie sich Zeit genommen haben, an unserer Podcastreihe teilzunehmen. Würden Sie vielleicht damit starten, einen kurzen Überblick über den Inhalt Ihrer Forschung zu geben?
Ja, sehr gerne. Aktuell, wie man sich vielleicht vorstellen kann, ist der Fokus bei uns am HZI1 sehr stark auf der Forschung zur Covid-19-Pandemie. Unsere Forschungsgruppe hat dabei das Ziel, internationale Studienergebnisse und Daten zusammenzubringen. Womit wir dann Rückschlüsse ziehen wollen, welche Folgen die Pandemie hat. Ich bin persönlich an einer Reihe von recht heterogenen Studien beteiligt. Dabei handelt es sich zum einen um mathematische Modellierungen des Infektionsgeschehens in Deutschland und auf Bundeslandebene, sowie der kurz- und mittelfristigen volkswirtschaftlichen Auswirkungen der Pandemie gegenüber dem, was Gegenmaßnahmen an volkswirtschaftlichen Kosten verursachen könnten. Andere Studien, an denen ich auch beteiligt bin, sind mehr epidemiologischer Natur und versuchen sich an der Erklärung der internationalen Unterschiede der Prävalenz ernster Verläufe der Erkrankung, sowie der Mortalitätsraten. Im Allgemeinen ist der Informationsbedarf selbstverständlich riesig im Moment, da es sich hier um ein zuvor unbekanntes Virus handelt, das auch sehr signifikante Folgen hat und für das auch noch kein Impfstoff vorliegt. Wir verstehen es als unsere Aufgabe, mit unseren Kenntnissen und Fähigkeiten für diese Ausnahmesituation einen Beitrag zum Allgemeinwohl zu leisten. Das können wir natürlich am besten, indem wir die Öffentlichkeit informieren und wissenschaftliche Grundlagen für politische Entscheidungen liefern. Entsprechend beschäftigen wir uns mit Themen, die in der öffentlichen Diskussion akut sind, um wissenschaftlich fundierte Beiträge zu dieser Diskussion beizusteuern.
Die aktuelle Pandemie ist ja besonders dadurch geprägt, dass viele Leute sich die aktuellen Fallzahlen anschauen können online, zum Beispiel beim Robert Koch-Institut (RKI). Welche Daten verwenden Sie denn für Ihre Forschung?
Die von Ihnen schon angesprochenen Daten des Robert Koch-Institutes, mit denen arbeiten wir auch sehr viel. Das sind auch die Daten, mit denen wir unser Infektionsmodell füttern. Das sind täglich verfügbare Daten zu Meldungen zu Infektionen und Todesfällen, die wir dann noch unterfüttern mit öffentlich verfügbaren Populationsdaten, die man auf der Datenbank der Regionalstatistik finden kann. Für unsere ökonomische Studie mit dem ifo² greifen wir auf ökonomische Daten zurück, die das ifo aus Arbeitsmarkbefragungen selbst generiert hat. Für unsere anderen Arbeiten, epidemiologischen Studien, arbeiten wir mit Daten aus publizierten Studien oder Berichten der nationalen Gesundheitsbehörden, die wir entsprechend dann extrahieren und zusammenbringen. Das sind in erster Linie Daten zur Schwere des Krankheitsverlaufs der Studienpopulation, also wie viele Personen nach demographischen Merkmalen oder bestimmten Vorerkrankungen stratifiziert, hospitalisiert wurden, Intensivpflege benötigten und final entweder verstorben oder genesen sind.
Da kommen einem gleich die in den Medien aufgegriffene Diskussion über das R, also die Reproduktionszahl, oder verschiedenen Inkubationszeiten und Datenübermittlungen in den Kopf. Vor welche Herausforderung stellt Sie das in Ihrer Forschung?
Es gibt da einige Schwierigkeiten. Es gibt immer wieder die Diskussion, dass die R-Werte sehr unterschiedlich berechnet werden zwischen dem RKI und uns. Das liegt unter anderem daran, dass wir den Infektionszeitpunkt in der Regel nicht genau kennen und dementsprechend die Daten, mit denen wir arbeiten, sind dann die Daten der Meldung. Die haben wiederum den Fehler, dass die Meldung in der Regel erst dann stattfindet, wenn wir schon erste Symptome hatten und die Person sich eine gewisse Zeit davor auch angesteckt hat. Dann gibt es neben den Meldungsdaten noch die sogenannten Referenzdaten. Das sind in der Regel Schätzzahlen des RKI, wann sich die Personen infiziert haben müssten, die entsprechend dann auch mit einem gewissen Fehler behaftet sind. Das ist sehr problematisch. Was wir relativ gut wissen, sind natürlich die Todesfallzahlen. Die sind ziemlich genau. Wobei, wenn wir uns das im internationalen Vergleich ansehen, durchaus Unterschiede da sind, weil manche Länder verstärkt testen und dann Todesfälle die sie feststellen, wenn eine Infektion mit dem Virus vorlag, als Tod durch Covid vermerken. Obwohl es durchaus sein kann, dass zwar eine Infektion vorlag, aber Tatsache die Covid-Erkrankung nicht die Todesursache war. Auch der internationale Vergleich zwischen den Daten ist sehr schwierig, weil die demografischen Daten vorher sehr unterschiedlich berichtet werden. Viele Länder berichten nichts zu den Altersstrukturen der Infizierten, der Todesfälle. Manche berichten keine Unterscheide zwischen den Geschlechtern, obwohl da sehr signifikante Unterschiede sind in der Schwere. Auch bei den Ländern, die zum Alter berichten, da haben wir auch eine Studie zu gemacht, da sind wiederum die Altersgruppen sehr unterschiedlich was es dann wieder schwer macht, sie zu vergleichen. Dann sind viele Größen, die sich überhaupt nicht beobachten lassen in den Daten. Wie gesagt, wir wissen nicht, wie viele Leute tatsächlich infiziert sind. Es gibt viele Fälle, vor allem in den jüngeren Altersgruppen, bei denen wir wissen, dass diese nicht so vulnerabel sind, dementsprechend nur mit leichten Symptomverläufen oder teilweise auch asymptomatisch sind. Die werden dann häufig überhaupt nicht in der Statistik aufgeführt. Von daher haben wir da viele Verzerrungen in den Daten. Das ist auch eine große Herausforderung, damit irgendwie umzugehen.
Meine nächste Frage wäre, mit welchen Methoden ist es Ihnen möglich, Ergebnisse aus diesen Daten zu ziehen? Würden Sie uns mal, vielleicht auch für Fachfremde, einen kurzen Überblick geben?
Die Methodiken, die wir verwenden, sind entsprechend der Forschungsfragen auch sehr unterschiedlich. Die Modellierungsstudien der Gruppe von Michael Meyer-Herrmann³ verwenden ein mathematisch-epidemiologisches Modell, das nennen wir SECIR-Modell. Die Idee dabei ist, dass wir ausgehend von einer Startpopulation simulieren, wie sich bestimmte Personengruppen in der Bevölkerung in ihren Gesundheitszuständen verändern. SECIR steht für Susceptible (empfänglich), Exposed (ausgesetzt), Carrier (Träger), Infected (infiziert), Removed (genesen, verstorben). Dabei gibt es gewisse Übergangswahrscheinlichkeiten zwischen den fünf Zuständen, die sich dann entweder aus den Daten schätzen lassen oder durch vorige Studienergebnisse informiert werden. Das ist auch etwas, wo dann die Schwierigkeiten mit den Daten eintreten. Sie wissen ja beispielsweise nicht, wie viele Leute „Carrier“ sind. Das können wir nicht beobachten. Die Modellierungen, die ich auch selbst durchführe, da benutze ich sehr klassische Ansätze aus der Ökonometrie, Statistik und der Demographie: Regressionsmodelle, Hauptkomponentenanalyse, Zeitreihenmodelle. Ich kann vielleicht noch kurz auf die Hauptkomponentenanalyse eingehen, weil viele damit nicht vertraut sind: Das ist eine Methode, bei der wir die Originaldaten zu neuen Variablen transformieren, die wir dann Hauptkomponenten nennen. Es gibt dazu auch Fachliteratur, die die geneigten Leser sich durchaus zu Gemüte führen können. Es gibt ein sehr schönes deutschsprachiges Lehrbuch von Andreas Handl4. Ich habe selbst auch eine Reihe von Publikationen verfasst, die sich auf die Anwendung der Methode in der Demographie beziehen5. Ganz kurz gesagt: Hauptkomponenten sind Indizes, mathematisch würden wir dazu sagen „Linearkombinationen“, aus den Originalvariablen, die dann entsprechend zu den Originalvariablen korreliert sind, jedoch untereinander unkorreliert sind. Das ermöglicht Analysen hochdimensionaler statistischer Probleme, unter Einbezug der Korrelation der Originalvariablen. Bei Zeitreihenmodellen handelt es sich im Wesentlichen um eine Mischung aus sogenannten klassischen Zeitreihenmodellen, wie sie traditionell zum Beispiel bei Konjunkturprognosen gerne genutzt werden und ARIMA-Modellen, wie sie aus dem finanzstatistischen Umfeld stammen. Die Modelle schätzen dabei Trends in den fraglichen Variablen und quantifizieren die Stochastizität der Zeitreihen. Und dann schließlich, im Rahmen der Metaanalysen die wir machen, hab ich zum Beispiel mit Mixed-Effects-Modellen gearbeitet. Dafür werden einfach Ergebnisse aus multiplen Studien gepoolt, um statistisch Einflüsse verschiedener exogener Variablen auf eine Zielvariable unter Einbezug der Unterschiede in den Studienpopulationen zu testen.
Das war eine ganze Menge. Aber ein schöner Überblick für weniger fachkundige Hörer. Wir werden auf der Internetseite der DGD auch nochmal eine schriftliche Version hochladen, das heißt, man kann es sowohl nochmal nachhören, als auch nochmal nachlesen. Sie haben ja schon angesprochen, dass Sie an vielen thematisch durchaus verschiedenen Studien zu Covid-19 arbeiten und welche Ergebnisse haben sich da gezeigt?
Ich versuch es sehr grob, aber gleichzeitig verständlich. Zum Ersten lässt sich sagen, das ist ja auch schon ein bisschen durch die Medien gegangen: es gibt so ein gewisses Infektionsniveau, wir reden da vom Rt-Wert oder dem Reproduktionsniveau, bis zu welchem die Epidemie durch das Gesundheitssystem beherrschbar scheint. Es muss aber natürlich einschränkend gesagt werden, dass dieser Wert sehr volatil ist. Was wir ja auch beobachten: Durch lokale Ausbrüche, die wir in der letzten Zeit auch immer wieder in den Medien durchaus hatten, kann dieser kurzzeitig stark in die Höhe schnellen, geht dann auch schnell wieder runter. Bei unserer Studie mit dem ifo konnten wir dann zeigen, dass es aus ökonomischer Sicht sinnvoll ist, Maßnahmen gegen Covid so auszutarieren, dass wir das Reproduktionsniveau unter 1 halten, ohne dabei die Wirtschaftsaktivität zu sehr einzuschränken. Man muss dazu auch sagen: Die bisher verfügbaren Daten erlauben es statistisch nicht, Rückschlüsse auf die Wirksamkeit bestimmter Maßnahmen zu schließen. Dazu bräuchten wir ein experimentelles Umfeld mit entweder zwei vergleichbaren Gruppen, die sich nur in den Maßnahmen unterscheiden würden, oder Zeitreihendaten mit ausreichender Länge, in denen spezifische Maßnahmen separat getestet würden. Qualitativ sprechen die Ergebnisse aus meiner Sicht aber stark dafür, dass das Gesamtpaket der Maßnahmen sehr wirksam war. Das Ansteigen des Reproduktionsniveaus nach den Lockerungen der Maßnahmen spricht meiner Meinung nach ja auch klar dafür. Das wird in der öffentlichen Diskussion gerne falsch dargestellt, weil sich nicht relative Werte angeschaut werden, sondern absolute. Auch da mal ein relativ banales Beispiel: wenn wir Rt von 1 und eine Ausgangssituation von 100 Infizierten haben, dann werden diese 100 Infizierten, 100 weitere Personen anstecken. Anderes Beispiel: wenn wir 10.000 Infizierte haben, gleiches Rt, dann werden wir 10.000 weitere Infizierte haben. Die Dynamik ist in beiden Fällen gleich schlecht, impliziert eine theoretisch unendlich andauernde Epidemie. Wenn wir da nur auf die absoluten Zahlen schauen, dann sieht der erste Fall weniger dramatisch aus. Womit wir dann aber die tatsächliche Dynamik falsch einschätzen, weil das Wachstum im Endeffekt gleich stark ist, relativ. Weitere Ergebnisse aus unseren anderen Studien, die vielleicht ganz interessant sind: Schlüsse lassen sich auf jeden Fall ziehen, dass Männer ceteris paribus vulnerabler sind. Heißt im Endeffekt: wenn alle anderen Umstände gleich sind, sehen wir, dass Männer signifikant vulnerabler sind als Frauen und wir sehen, dass das Mortalitätsrisiko, ähnlich wie das Pflegerisiko interessanterweise, ab dem Alter von ungefähr 70 massiv zunimmt und Personen mit Vorerkrankungen wie Bluthochdruck, Diabetes und Kardiovaskulären Erkrankungen einem signifikant höheren Mortalitätsrisiko unterliegen.
Aber besonders denke ich mal, das wird aus den von Ihnen erwähnten Herausforderungen deutlich, dass ein Blick auf die bloßen Infektionszahlen nicht reicht, um sich einen Überblick über die Dynamiken zu verschaffen. Wie würden Sie zusammenfassen, welchen Beitrag hat Ihre Forschungen für die Demografie?
Ich würd es eher anders herum drehen: Welchen Betrag die Demografie haben kann auf die Forschung. Ich kann es auch ein bisschen provokativ ausdrücken: Man sieht es immer wieder, dass manche selbst ernannten Experten die Diskussion sehr verzerren. Vor allem in Bezug auf die Sinnhaftigkeit der politischen Maßnahmen, ohne, dass diese aber die statistische Qualifikation aufweisen für die fundierte Bewertung der Lage. Wobei sie sich durch ein Thema, das gerade Mode ist, profilieren wollen. Das sind Punkte, wo die Allgemeinbevölkerung dadurch, dass sie nicht die methodische Ausbildung hat, nicht unterscheiden kann, „Was sind jetzt gute, was sind jetzt schlechte Studien?“. Die Demografie könnte sich dabei, aus meiner Sicht sehr sinnvoll einbringen, da wir eine Branche sind, die über das Handwerkszeug verfügt, in dem Fall mit Epidemiologen und Virologen, methodische Expertise einzubringen. Demografische Aspekte werden aus meiner Sicht in der Epidemiologie völlig ignoriert oder nur am Rande erwähnt. Da wird in diesem Fall nur mit sehr vereinfachten Annahmen gearbeitet, was darin resultiert, dass die entsprechenden Analysen nur sehr unzureichend sind. Liegt aus meiner Sicht an der Divergenz der Methodenausbildung der verschiedenen Disziplinen. Zum anderen auch an den verschiedenen zeitlichen Foki. Wir Demografen tendieren dazu, gesellschaftliche Entwicklung in der langen Frist zu durchdenken. In der Epidemiologie hingegen, wird häufig eher in der kurzen oder mittleren Frist gedacht, um die klinische Praxis und die Gesundheitspolitik akut zu informieren. Ich denke daher in der Tat, dass das ein sehr interessantes Forschungsthema ist, mit dem ich mich abseits der Covid-19-Forschung beschäftige: Dass detailliertere, aktuelle demographische Informationen in Form von tatsächlichen Daten oder Prognosen in der kurzen Frist, sowie aktuellere Daten, sehr hilfreich wären, um auch in der Epidemiologie genauere Auswertungen durchführen zu können. Ich habe generell das Gefühl, dass meine demographische Brille, neben den etwas anderen Methodenkenntnissen, auch eine andere Philosophie mit sich bringt und als sehr positiv und erfrischend wahrgenommen wird. Damit eine schöne Ergänzung ist, für das zweifellos viel höhere, inhaltlich gesundheitswissenschaftliche Verständnis der Epidemiologen und Virologen.
Sind wir wieder bei der Interdisziplinarität von der wir vorhin auch schon gesprochen haben, die ganz wichtig ist in diesem Bereich der Forschung. Auf diese Forschung, die sie schon angesprochen haben, weiter aufbauend: wird es da weiterführende Forschungsprojekte geben?
Naja, also ich verrate immer wenig, weil sich bei uns auch sehr viel, sehr akut ändert. Aber ich sage mal so: die Sachen, die vielleicht auch kein Geheimnis mehr sind, da kann ich schon ein bisschen drauf eingehen. Generell kann man sich auch vorstellen, werden wir sicherlich mit dem Thema noch eine ganze Weile beschäftigt sein. Gleiches gilt entsprechend für mich persönlich dann auch. Es läuft noch, das dürfte bekannt sein, eine von unserem Abteilungsleiter Gérard Krause6 geleitete, deutschlandweite Antikörperstudie an. Bei der werde ich sicherlich mit einigen statistischen Auswertungen der dabei generierten Daten noch sehr beschäftigt sein. Will natürlich aber nicht verhehlen, dass es nicht meine Intention ist, ein Covid-19 Experte zu werden, das überlasse ich dann lieber Virologen, Epidemiologen, Biometrikern. Mein Ziel ist es eher nicht, nur Forschungsergebnisse für die nächsten 12 Monate zu erzielen. Von daher versuche ich in diesem Rahmen, den wir haben, methodische Ansätze zu entwickeln und Schlüsse zu ziehen, die sich auf andere Problemstellungen übertragen lassen. Aus demographischer Sicht wäre es sicherlich interessant, sich die mittelfristigen und langfristigen Effekte dieser Pandemie auf die demographische Entwicklung anzusehen. Das ist aber in der Tat eine Fragestellung, die aus statistischer Sicht seriös erst in ein paar Jahren beantwortet werden kann. Wobei ich da sicher auch noch so ein paar Ideen im Kopf hätte. An denen mangelt es sowieso eher nicht.
Also könnte man zusammenfassen: Es bleibt spannend. Dann bedanke ich mich erst mal an dieser Stelle ganz herzlich bei Ihnen Dr. Vanella.
Ich bedanke mich auch. Vielen Dank für das Interesse. Hat mich sehr gefreut über die Anfrage. Hoffe auch das war für die Hörer ein recht spannendes und informatives Gespräch.
Die thematisierten Forschungen von Dr. Patrizio Vanella:
Dorn, Florian & Khailaie, Sahamoddin & Stöckli, Marc & Binder, Sebastian & Lange, Berit & Vanella, Patrizio & Wollmershäuser, Timo & Peichl, Andreas & Fuest, Clemens & Meyer-Hermann, Michael. (2020). Das gemeinsame Interesse von Gesundheit und Wirtschaft: Eine Szenarienrechnung zur Eindämmung der Corona- Pandemie. Ifo Schnelldienst digital 6/2020.
Fernandez-Villalobos, Nathalie V. & Ott, Jördis J. & Klett-Tammen, Carolin J. & Bockey, Annabelle & Vanella, Patrizio & Krause, Gérard & Lange, Berit (2020). Quantification of the association between predisposing health conditions, demographic, and behavioural factors with hospitalisation, intensive care unit admission, and death from COVID-19: a systematic review and meta-analysis. [in Begutachtung].
Khailaie, Sahamoddin & Mitra, Tanmay & Bandyopadhyay, Arnab & Schips, & Marta & Mascheroni, Pietro & Vanella, Patrizio & Lange, Berit & Binder, Sebastian & Meyer-Hermann, Michael. (2020). Estimate of the development of the epidemic reproduction number Rt from Coronavirus SARS-CoV-2 case data and implications for political measures based on prognostics. 10.1101/2020.04.04.20053637.
Vanella, Patrizio & Wiessner, Christian & Holz, Anja & Krause, Gérard & Möhl, Annika & Wiegel, Sarah & Lange, Berit & Becher, Heiko. (2020). The Role of Age Distribution, Time Lag Between Reporting and Death and Healthcare System Capacity in Case Fatality Estimates of COVID-19. 10.21203/rs.3.rs-38592/v1.
Vanella, Patrizio & Basellini, Ugofilippo & Kuhlmann, Alexander & Lange, Berit (2020). Assessing International Excess Mortality in Times of Pandemics Based on Principal Component Analysis – The Case of COVID-19. [in Erstellung].
Weitere Informationen:
1 Helmholtz-Zentrum für Infektionsforschung GmbH (HZI): https://www.helmholtz-hzi.de/
2 Institut für Wirtschaftsforschung (ifo): https://www.ifo.de/
3 Prof. Dr. Michael Meyer-Herrmann, Helmholtz-Zentrum für Infektionsforschung GmbH, System-Immunologie: https://www.helmholtz-hzi.de/de/forschung/forschungsschwerpunkte/
immunantwort-und-interventionen/system-immunologie/m-meyer-hermann/
4 Handl, Andreas (2010): Multivariate Analysemethoden. Theorie und Praxis multivariater Verfahren unter besonderer Berücksichtigung von S-PLUS. 2. Aufl. Springer VS.
5 Vanella, P.; Deschermeier, P. 2020: „A Probabilistic Cohort-Component Model for Population Forecasting – The Case of Germany.” Journal of Population Ageing. doi: 10.1007/s12062-019-09258-2.
Vanella, P.; Deschermeier, P. 2019: “A Principal Component Simulation of Age-Specific Fertility – Impacts of Family and Social Policy on Reproductive Behavior in Germany.“ Population Review 58(1): 78-109.
Vanella, P. 2018: “Stochastic Forecasting of Demographic Components Based on Principal Component Analyses.” Athens Journal of Sciences 5(3): 223-246.
Vanella, P.; Deschermeier, P. 2018: “A stochastic Forecasting Model of international Migration in Germany.” Familie – Bildung – Migration. Familienforschung im Spannungsfeld zwischen Wissenschaft, Politik und Praxis. Tagungsband zum 5. Europäischen Fachkongress Familienforschung, herausgegeben von Kapella, O.; Schneider, N.F.; Rost, H. (S. 261-280). Opladen, Berlin, Toronto: Verlag Barbara Budrich.
Vanella, P. 2017: “A principal component model for forecasting age- and sex-specific survival probabilities in Western Europe.“ Zeitschrift für die gesamte Versicherungswissenschaft (German Journal of Risk and Insurance) 106(5): 539-554.
6 Prof. Dr. Gérard Krause, Helmholtz-Zentrum für Infektionsforschung GmbH, Epidemiologie: https://www.helmholtz-hzi.de/de/nc/forschung/forschungsschwerpunkte/bakterielle-und-virale-krankheitserreger/epidemiologie/team/
Intro & Outro: Anna-Victoria Holtz
Interviewende: Sina Jankowiak