Wir haben gesehen, dass die Verwendung der Daten ohne Berücksichtigung des Fehlers, auch bei hoher Sensitivität und Spezifität ungenügend sein kann (siehe Teil 1). Dennoch war nach wie vor offensichtlich, dass Staaten der industrialisierten Welt, vor allem Europa und die USA auch nach Korrektur am stärksten betroffen waren, zumindest was die Todesraten anbelangt. Wir wollen im weiteren Verlauf untersuchen, welche Faktoren dies bedingt haben könnte.
Folgende Parameter werden in diesem Zusammenhang hinzugezogen:
- Body Mass Index (BMI): Häufig wurde spekuliert, dass der BMI einen negativen Einfluss auf den Verlauf der Corona-Erkrankungen haben könnte [1]. Darüber hinaus ist der BMI ein Indikator für eine gegebenenfalls ungesunde Lebensweise, weil dieser sich u.a. aufgrund von Bewegungsmangel erhöht, welche ein Risikofaktor für zahlreiche Erkrankungen darstellt [2].
- Bruttosozialprodukt: Je geringer die verfügbare Menge an finanziellen Möglichkeiten, desto höher das Risiko für gesundheitliche Probleme [3]. Dies ist vor allem dadurch bedingt, weil die Qualität der Nahrung, die Verfügbarkeit ärztlicher Betreuung und auch die Exposition zu anderen kritischen Parametern (Gifte, Lärm, Schmutz, Gewalt etc.) erhöht ist. Ein geringes Bruttosozialprodukt könnte daher ein Risikofaktor für Corona darstellen.
- „Happiness“: Der „World Happiness Report“ ist ein jährlicher Bericht, welcher aufgrund sozio-ökonomischer Faktoren einen Score errechnet der Auskunft über das relative Glückempfinden einer Bevölkerung eines Landes gibt. Da „Glücklichsein“ sich positiv auf die Gesundheit auswirken sollte und der „Happiness-Score“ ein Indikator für zahlreiche weitere positive Bedingungen in einem Land sein kann, sollte sich ein hoher Score Corona-Folgen abschwächen können.
- Luftverschmutzung: Bei Corona handelt es sich primär, um eine Erkrankung der Atemwege [4]. Sollten die Atemwege in Folge hoher Luftverschmutzung verstärkt in Mitleidenschaft gezogen werden, so ist davon auszugehen, dass Corona nicht nur einfacher den Körper infizieren, sondern auch leichter einen tödlichen Verlauf bedingen könnte [5].
- Bevölkerungsdichte: Engverbunden mit der Luftverschmutzung ist die Bevölkerungsdichte. Je höher die Bevölkerungsdichte, desto geringer natürlicher Raum. Dies kann zu einer erhöhten Luftverschmutzung beitragen und die Ausbreitung von Infektionskrankheiten begünstigen. Auch sozialer Stress ist in Ballungsräumen erhöht, was ebenfalls negative gesundheitliche Auswirkungen haben kann.
- Entwicklungsniveau: Das relative Entwicklungsniveau eines Staates ist maßgeblich dafür verantwortlich, dass die Bevölkerung nicht nur gesünder leben kann, sondern auch schwere gesundheitliche Probleme besser behandelt bzw. Vorbeugemaßnahmen leichter umgesetzt werden können. Das Entwicklungsniveau sollte demnach erwartungsgemäß den Folgen der Corona-Epidemie entgegenlaufen.
- Altersstruktur: Je höher das Medianalter einer Bevölkerung ist, desto eher ist davon auszugehen, dass sich eine gesundheitliche Ausnahmesituation wie die Corona-Pandemie negativ auf das Überleben in der Bevölkerung auswirkt. Die Sterberate sollte folglich erhöht sein.
Zunächst wollen wir uns einen Überblick über mögliche Korrelationen zwischen den oben angesprochenen Parametern und den Corona-Parametern (Fälle, Tote, „Wahrscheinlichkeit für korrektes Ergebnisse“ etc.) verschaffen (Abbildung 1). Beachte, dass diesmal nur insgesamt 138 Staaten, statt ehemals 179 untersucht werden, weil in bestimmten Datensätzen nicht alle Staaten vertreten waren, die im Corona-Datensatz auftauchen (siehe unten "Daten & Methode").
Abbildung 1 Korrelationsmatrizen von allgemeinen Parametern und Corona-Parametern. Es wurden einmal alle 138 Staaten untersucht (A) und einmal nur jene Staaten (insgesamt 51), in denen die „Wahrscheinlichkeit auf korrekte Testergebnisse“ größer oder gleich 15% betrug (B). Legende: bmi = Body-Mass-Index, happy = Happiness-Score, dollar = Bruttosozialprodukt pro Kopf Kaufkraftbereinigt, density = Bevölkerungsdichte, healthy = Gesunde Lebenserwartung, age = Medianalter, development = Entwicklungs-Score, probability = Wahrscheinlichkeit, dass der Test ein korrektes Ergebnis zeigt, test_proz = Anteil an Test in Prozent der Bevölkerung, cases_proz_off = Fälle in Prozent der Bevölkerung offizielle Zahlen, deaths_proz_off = Tote durch Corona in Prozent der Bevölkerung offizielle Zahlen, cases_proz_real= Fälle in Prozent der Bevölkerung korrigiert, deaths_proz_off = Tote durch Corona in Prozent der Bevölkerung korrigiert. Das Signifikanzniveau wurde auf einen P-Wert von 0.001 festgelegt. Alle Korrelation, die unter diesem Wert liegen werden mit einem schwarzen Kreuz markiert. Stand 27.07.2020. Made by Chapper – unrestricted use allowed.
Ein „Lineares Modell“ ist eine Kombination von Parametern, um einen bestimmten Parameter „vorherzusagen“ [6]. Im Falle einer „Linearen Regression“ wie im ersten Teil dieser Serie (Teil 1, Abbildung 3) erfolgt dies anhand einer Regressionsgeraden beziehungsweise der Geradengleichung. Sollten mehr als ein Faktor zur Schätzung notwendig sein, müssen Modelle entworfen werden. Das einfachste solcher Modelle ist das „Lineare Model“.
Um Zusammenhänge aufzuklären wurde zum Beispiel das folgende „Lineare Modelle“ erstellt:
Yi kann dabei sowohl die Todesrate als auch die Fallzahl sein. β sind jeweils Konstanten der im Modell verwendeten Parameter. Diese Konstanten gilt es zu schätzen. Die x-Werte beziehen sich auf die verwendeten Parameter im Modell, in unserem Falle stellt x1 den BMI, x2 das Bruttosozialprodukt, x3 das Medianalter, x4 das Entwicklungsniveau und x5 die Bevölkerungsdichte dar. Beim Faktor εi handelt es sich um den jeweiligen Fehler. Ich habe insgesamt acht Modelle gebaut. Vier für die Anzahl der Corona-Fälle in Prozent und vier für die Anzahl der Todesfälle in Prozent. Ich untersuchte jeweils alle Staaten anhand offizieller und korrigierter Zahlen, sowie nur jene Staaten mit einer Wahrscheinlichkeit von mindestens 15%, dass die Ergebnisse der Corona-Tests tatsächlich korrekt waren und auch hier wieder die offiziellen und korrigierten Zahlen. Um die Verwirrung nicht noch zu erhöhen werde ich lediglich die Ergebnisse aus meinen „Linearen Modellen“ beschreiben. Die Resultate können im Abschnitt"Anhang" (siehe unten) eingesehen werden.
Resultate aus den „Linearen Modellen“
In Bezug auf Corona-Todesfälle konnte ich keinerlei signifikante Ergebnisse ermitteln. Das heißt, dass auch nach Modellbildung kein Zusammenhang von BMI, Bruttosozialprodukt, Medianalter, Bevölkerungsdichte und/oder Entwicklungsniveau mit der Corona-Todesfällen auszumachen waren. Im Gegensatz dazu waren Zusammenhänge der Parameter Bruttosozialprodukt und BMI mit der Anzahl an Corona-Fällen erkennbar. Auch das Entwicklungsniveau, aber nicht das Median-Alter und oder die Bevölkerungsdichte offenbarten einen möglichen Einfluss auf die Höhe von Corona-Fallzahlen. Die Korrelationen waren hier zumeist positiv, d.h. ein höherer BMI und ein höheres Bruttosozialprodukt schienen mit einer höheren Anzahl an Corona-Fällen zu korrelieren. Zur Illustration sollen die Zusammenhänge gezeigt werden (Abbildung 2).
Abbildung 2 Korrelation von Bruttosozialprodukt (GDP in $) (A), Entwicklungsniveau (Development) (B) und Medianalter (Age) (C) zum BMI. Die Größe der Punkte pro Staat ist abhängig von der „Gesamtzahl an Corona-Fällen in %“. Der Kontinent auf welchem sich das jeweilige Land befindet ist farblich hervorgehoben. Insgesamt flossen 138 Staaten in die Analyse ein. Stand 27.07.2020. Made by Chapper – unrestricted use allowed.
In Abbildung 2 ist zu sehen, dass ein höheres Bruttosozialprodukt und auch ein höheres Entwicklungsniveau mit einer höheren „Zahl an Corona-Fällen“ einhergehen. Dies erkennt ihr an den vermehrt größeren Punkten in Abbildung 2A & B. Gleichzeitig hat auch der BMI einen starken Einfluss. Man erkennt, dass sich die Staaten mit großen Punkten eher auf der rechten Seite befinden (jenseits der „BMI-25-Marke“). Der entscheidende Punkt an Abbildung 2 ist das Median-Alter (Abbildung 2C). Ihr erkennt allgemein eine Häufung von Ländern mit hohen Corona-Zahlen im oberen Bereich rechts der Mitte. Diese Hälfte enthält das Cluster „Europa“ („Cluster-E“). Die USA liegen noch weiter rechts von „Cluster-E“ entfernt und stellen eine jener Nationen mit den meisten Corona-Fällen dar (dies ist der dunkelblaue Punkt). Etwas weiter unten erscheint das Cluster „Südamerika“ („Cluster-SA“). Links unten ist das afrikanische Cluster („Cluster‑AF“) mit niedrigem BMI, niedrigem Median-Alter und niedriger „Zahl an Corona-Fällen“ zu erkennen. Ein zusammenhängendes asiatisches Cluster existiert nicht. Asien teilt sich vielmehr in zwei bis drei Cluster auf. Ein asiatisches Cluster erscheint weiter rechts des europäischen Clusters („Cluster-AS1“). Ein weiteres kleineres asiatisches Cluster ist links des europäischen Clusters zu finden („Cluster-AS2“). Zwischen „Cluster-AS2“ und „Cluster-AS1“ bzw. unterhalb von „Cluster-AS2“ befindet sich noch ein eher diffuses asiatisches Cluster („Cluster-AF3“). Das asiatische Cluster „Cluster-AS1“ beinhaltet eher wohlhabende Staaten wie Katar, Kuweit oder Bahrain, also jene Staaten, die einen hohen BMI, einem vergleichsweise niedrigen Median-Alter, aber zum Teil vielen Corona-Fällen. „Cluster-AS2“ enthält ebenfalls wohlhabende Länder Asiens, die aber einen sehr niedrigen BMI, ein deutlich höheres Median-Alter als „Cluster-AS2“, aber vergleichsweise wenige Corona-Fälle aufweisen. Zu „Cluster‑AS2“ gehören unter anderem Japan, Süd-Korea, aber auch Singapur und die Volksrepublik China (Anmerkung: Taiwan würde auch hier reinfallen, ist aber in meiner Analyse nicht vorhanden). Das letzte asiatische Cluster „Cluster-A3“ weist ein niedriges Medianalter, einen niedrigen BMI und wenig Corona-Fälle auf. In „Cluster-A3“ gehören eher ärmere Staaten Asiens wie Afghanistan, Pakistan, Laos, die Philippinen, aber auch Indien oder Vietnam. Diese Länder weisen ein Muster vergleichbar dem afrikanischen Cluster „Cluster-AF“ auf.
Ihr erkennt deutlich, dass es Staaten mit niedrigen BMI und hohem Medianalter gibt, welche weniger Fälle aufwiesen („Cluster-AF2“). Hingegen gibt es zahlreiche „alte Gesellschaften“ mit höheren BMI, die auch mehr Corona-Fälle zeigen (vor allem das europäische Cluster „Cluster-E“).
Dieser Beobachtung nach zu schlussfolgern hängt der Anteil an Corona-Fällen nicht zwangsläufig mit dem Medianalter, sondern eher mit dem BMI zusammen.
Der BMI ist wiederum abhängig vom Bruttosozialprodukt und somit auch vom Entwicklungszustand des Landes. Dennoch haben manche Gesellschaften trotz hoher Lebensqualität und damit einhergehend größeren Medianalter, einen sehr niedrigen BMI samt wenigen Corona-Fällen, wodurch diese die „BMI-These“ stützen. Eben diese Staaten verhalten sich anders als vergleichbare Staaten mit hohem BMI, aber zum Teil wesentlich jüngeren Menschen. Somit wäre dies ein Hinweis, dass der BMI mit gesundheitlichen Problemen in Zusammenhang steht, die Corona "begünstigen". In der Realität sind die Verhältnisse wahrscheinlich wesentlich komplexer. Dennoch muss nochmals betont werden, dass zumindest die Häufigkeit an Corona-Fällen eher mit dem BMI als dem Alter einhergeht (Abbildung 3).
Abbildung 3 Boxplots von „Corona-Fällen in %“ (Total Cases %) anhand von BMI und Medianalter (Median Age). Die Daten von 138 Staaten flossen in die Analyse ein. Stand 27.07.2020. Made by Chapper – unrestricted use allowed.
In Abbildung 3 ist zu erkennen, dass es eine klare Zunahme der Corona-Zahlen mit ansteigendem BMI gibt (Abbildung 3A). Beim Medianalter hingegen zeigt sich kein derart geradliniger Trend (Abbildung 3B). Vielmehr ist ein Anstieg zu beobachten (bis ca. 35 Jahren), welcher dann wieder abnimmt. Wichtig ist in diesem Zusammenhang zu verstehen, dass das Bruttosozialprodukt hervorragend mit dem Medianalter korreliert (R2 = 0,855). Mit dem BMI hingegen ist nur eine geringfügige Korrelation mit dem Bruttosozialprodukt zu beobachten (R2 = 0,6). Aus diesem Grund kann argumentiert werden, dass der Zusammenhang zwischen BMI und „Gesamtzahl an Corona-Fällen“ nur indirekt durch ein höheres Bruttosozialprodukt und folglich einen höheren Lebensstandard verursacht wird. Demnach wird eine medizinische Auswirkung des BMI wahrscheinlicher.
Eine Hypothese, welche in diesem Zusammenhang aufgestellt werden kann, könnte wie folgt lauten:
Deutlich mehr Menschen in Ländern mit niedrigen BMI waren mit Corona infiziert, infolge eines gesunden Lebensstils brach die Erkrankung jedoch vermutlich nicht aus und wurde somit auch nicht detektiert, da keine Notwendigkeit zur Testung erkannt wurde. Abseits eines gesunden Lebensstils könnten bestimmte Abwehrmaßnahmen des Körpers infolge geringfügiger Nahrungsaufnahme die Corona-Erreger rechtzeitig entschärft oder den Ausbruch/Verlauf abgemildert haben. Wir werden dies weiter unten noch besprechen.
Wichtig ist in diesem Zusammenhang zu verstehen, dass gerade Länder wie Japan, Südkorea und auch Taiwan keinen Lockdown (siehe unten) hatten und trotzdem nur wenige Fälle zeigten. Wir gehen auf diese Problematik weiter unten näher ein. Vorerst wollen wir uns aber noch den Themen Luftverschmutzung und „Allgemeine Gesundheit“ widmen. Leider waren in den Datensätzen nicht so viele Länder enthalten, wie im Corona-Datensatz. Dennoch lohnt es sich diese Aspekte zu beleuchten, um die oben gemacht These bzgl. BMI und die damit einhergehende Gesundheitsproblematik weiter zu untersuchen (Abbildung 4).
Abbildung 4 Korrelation von Luftverschmutzung (Air Pollution) und BMI (A, n = 90), Gesundheitsniveau (Health Grade) und BMI (B, n = 54), sowie Luftverschmutzung und Gesundheitsniveau (C, n = 43). Die Größe der Punkte pro Staat ist abhängig von der „Gesamtzahl an Corona-Fällen in %“. Der Kontinent auf welchem sich das jeweilige Land befindet ist farblich hervorgehoben. Stand 27.07.2020. Made by Chapper – unrestricted use allowed.
Ihr könnt anhand von Abbildung 4 erkennen, dass es wieder zur Clusterbildung kommt. Das europäische „Cluster-E“ (cyan-farbige Punkte) zeichnet sich durch einen hohen BMI, geringere Luftverschmutzung, guter Gesundheit und dennoch hohe Corona-Raten aus. Gleiches gilt für das südamerikanische Cluster in lila („Cluster-SA“). Interessanterweise tendiert das asiatische Cluster AS1 (Golfstaaten wie Bahrain, Kuwait oder Katar etc.) mit hohem BMI, geringerem Gesundheitsniveau und hoher Luftverschmutzung zu vermehrtem Auftreten von Corona. „Cluster-AS2“ hingegen, welches durch Staaten wie Japan oder Südkorea, aber auch Singapur geprägt ist, hebt sich von „Cluster-AS1“ deutlich ab. Charakteristisch für „AS2-Staaten“ sind ein niedriger BMI, ein hohes Gesundheitsniveau und geringe Luftverschmutzung. Prinzipiell zeigen Staaten aus „Cluster-AS2“ auch geringere Corona-Fälle an und waren, abgesehen von Singapur auch nicht in einem Lockdown (siehe unten). Singapur stellt einen Sonderfall dar, denn es ist der am dichtesten besiedelten Raum auf Erden. Womöglich hat die hohe Bevölkerungsdichte hier einen entscheidenden Beitrag zur Ausbreitung geleistet, obwohl die Bevölkerungsdichte im globalen Maßstab keinen signifikanten Einfluss auf die Ausbreitung von Corona erkennen ließ. Ich schließe daraus, dass es neben der „BMI-Schwelle“ auch eine gewisse kritische Grenze in Bezug auf die Bevölkerungsdichte geben muss. In Tabelle 1 (siehe Teil 1), Abbildung 2 und nun auch Abbildung 4 fiel bereits auf, dass primär Kleinstaaten bzw. Golfstaaten betroffen waren. In Abbildung 5 soll aus diesem Grunde das Zusammenspiel von BMI und Bevölkerungsdichte analysiert werden.
Abbildung 5 Zusammenhang von Bevölkerungsdichte und BMI. Die Größe der Punkte pro Staat ist abhängig von der „Gesamtzahl an Corona-Fällen in %“. Der Kontinent auf welchem sich das jeweilige Land befindet ist farblich hervorgehoben. Insgesamt flossen 138 Staaten in die Analyse ein. Der Code für die jeweiligen Staaten ist nur von Staaten zu sehen mit mehr als 150 Personen pro km2. Stand 27.07.2020. Made by Chapper – unrestricted use allowed.
In Abbildung 5 ist deutlich zu sehen, dass der BMI als eine Art „Risiko-Faktor“ auftritt. Staaten mit einem höheren BMI haben demnach eine höhere Corona-Anfälligkeit. Steigt in diesem Zusammenhang noch die Bevölkerungsdichte an, so verschärft sich die Problematik. Wir wissen bereits, dass das Alter keine eindeutige Korrelation mit den Corona-Fallzahlen hat (Abbildung 2 & 3). Da es eine wesentlich stärke Korrelation von Alter und Bruttosozialprodukt gibt, ist der Einfluss des BMI somit nur eingeschränkt als ein Artefakt oder „Indirekte Korrelation“ des Bruttosozialprodukts zu deuten. In starken Ballungsräumen können die postulierten positiven Effekte des BMI teilweise ausgehebelt werden. Dies sieht man besonders deutlich an Singapur. Dort ist die weltweit höchste Bevölkerungsdichte mit rund 8500 Personen pro km2 zu finden.
Zusammenfassend kann geschlussfolgert werden, dass Luftverschmutzung und allgemeiner Gesundheitszustand tendenziell die Häufigkeit von Corona-Fällen beeinflussen können. Den kritischsten Faktor stellt allerdings der BMI dar.
Es konnte bisher gezeigt werden, dass die „Exakte Corona-Diagnose“ anscheinend stark abhängig von tatsächlichen Fallzahlen ist (siehe auch Teil 1). Es konnte außerdem aufgezeigt werden, dass die Todesraten nicht anhand von Korrelationen mit anderen medizinischen, sozialen, wirtschaftlichen oder logistischen Parametern abgeleitet werden können (siehe dazu auch Anhang). Die Corona‑Fallzahlen hingegen hängen vor allem vom BMI und unter bestimmten Bedingungen von weiteren Faktoren wie Luftverschmutzung oder Bevölkerungsdichte ab. Das Medianalter zeigt keinen eindeutigen Einfluss. Das erste Fazit aus dieser Betrachtung lässt vermuten, dass die Corona‑Zahlen gegebenenfalls überbewertet werden.
Allerdings könnte auch das Gegenteil der Fall sein. Es besteht demnach auch die Möglichkeit, dass Länder mit sehr niedrigen Corona-Zahlen in Wahrheit viel stärker betroffen waren, es in diesen Ländern aber nicht bemerkt wurde.
Folgende Ursachen könnten verantwortlich sein:
- Die jeweiligen Länder waren aufgrund mangelhafter technischer Ausrüstung nicht zur Diagnose im Stande
- Infektionen in den jeweiligen Ländern bleiben unentdeckt, weil die Menschen aufgrund eines geringeren Medianalters weniger stark betroffen waren und somit kaum Symptome zeigten
- Die Menschen in den jeweiligen Ländern hatten einen geringeren BMI und waren somit „resistent“
- Das sozio-ökonomische Umfeld der Staaten war höher und daher konnten sich Infektionskrankheiten weniger stark auswirken/verbreiten
- Die Maßnahmen der Regierungen, insbesondere der Lockdown in den jeweiligen Ländern waren „härter“ und somit konnte die Pandemie erfolgreich gestoppt werden
Abbildung 6 Korrelation von „Tage im Lockdown“ und „Anzahl der Corona-Fälle in %“. Insgesamt flossen 95 Staaten in die Analyse ein. Die USA stellen hier einen Sonderfall dar. Ich habe für die USA den Lockdown bis zum heutigen Tage angenommen, weil sich immer noch Staaten im Lockdown befinden. Die Zahlen der USA sind daher mit Vorsicht zu genießen ändern aber nichts am Trend. Der Korrelationskoeffizient beträgt etwa 0,367. Made by Chapper – unrestricted use allowed.
Anhand von Abbildung 6 ist zu erkennen, dass der Lockdown offensichtlich keine besondere Wirkung hatte, denn ansonsten wären in Staaten mit längerem Lockdown auch deutlich weniger Corona‑Fälle registriert worden. Das Gegenteil ist allerdings der Fall.
Schützt zelluläres Recycling vor Corona?
Anhand der hier ausgewerteten Daten schließe ich, dass der wirksamste Schutz gegen Corona ein niedriger BMI oder vielmehr die damit einhergehenden physiologischen und biochemischen Bedingungen sind. Allen voran halte ich es für denkbar, dass Leute mit einem geringeren BMI oder geringerer Nahrungsaufnahme ein höheres Maß an Autophagie aufweisen. Ich hatte die Autophagie schon eingehend an anderer Stelle besprochen. Hier könnt ihr alle meine Artikel zum Thema Autophagie und Kalorierestriktion einsehen. Grundsätzlich handelt es sich bei der Autophagie um ein zelluläres Recyclingprogramm, welches es uns erlaubt gealterte, kaputte oder potentiell gefährliche Strukturen wirksam aus den Zellen zu entfernen [7]. Dadurch werden unter anderem auch die Kraftwerke der Zellen, die Mitochondrien saniert (Mitophagie, siehe dazu auch meine Artikel hier, hier und hier). Schon vor Jahren war ich über Artikel gestolpert, die eine möglichen Beitrag der Autophagie gegenüber dem Schutz vor Infektionen diskutiert haben [8–10]. Die Autophagie ist anscheinend auch dazu im Stande eintretende Viren abzufangen, dies wird auch als Xenophagie bezeichnet [11]. Dadurch wird das Virus nicht nur an der Vermehrung gehindert, es werden vielmehr auch Bruchstücke des Virus auf der Oberfläche von Zellen präsentiert, wodurch Immunzellen in die Lage versetzt werden Gefahren zu erkennen und Maßnahmen einzuleiten. Dieser Umstand wurde auch schon in einschlägigen wissenschaftlichen Publikationen im Zusammenhang mit Corona diskutiert [7,11].Die wirksamste Strategie sind dieser Argumentation zufolge Fastenkursen, Sport oder die Verwendung von Substanzen, die die Autophagie auslösen. Solche Maßnahmen hatte ich bereits in einem früheren Artikel beschrieben (siehe hier). Substanzen, die die Autophagie verstärken sind unter anderem Spermidin oder Resveratrol, es gibt aber noch eine ganze Reihe mehr (schaut euch dazu auch meine alten Artikel an) [11]. Da das Coronavirus über eine Korrekturlesefunktion verfügt werden Medikamente, die beispielsweise gezielt Mutationen im Virus erzeugen nutzlos sein [12]. Auch ist nicht davon auszugehen, dass das Virus schnell mutiert, denn auch dies würde vom viralen Korrekturlesemechanismus unterbunden werden. Wann eine Impfung kommt, ist bisher noch nicht abzusehen. Klaus Stöhr, der ehemalige Koordinator der SARS-Forschung der WHO geht davon aus, dass das Coronavirus die gesamte Menschheit infizieren wird und wir somit eine globale Resistenz aufbauen. Dies würde seiner Schätzung nach etwa ein bis zwei Jahre dauern [12]. Solche Vorgänge sind nicht unüblich. Etwa 45% des menschlichen Genoms beispielsweise besteht aus sogenannten „Transponierbaren Elementen“ [13]. Dies sind DNA-Fragment, welche sich über Millionen von Jahren in der menschlichen Genetik eingenistet haben und "virusähnliche" Eigenschaften haben. Tatsächlich sind mindestens 8% des menschlichen Genoms viralen Urspungs. Wahrscheinlich wird auch das Corona-Virus (SARS‑CoV-2) diesen Weg gehen. Um das Leid möglichst gering zu halten wäre die Autophagie ein probates Mittel um diese Phase gesund zu überstehen. Ich denke daher, dass es sinnvoll wäre, wenn die Regierungen nicht nur die Erforschung eines Impfstoffs, sondern auch die Erforschung dieser Zusammenhänge fördern würden.
Um die Frage abschließend zu klären ob es mehr oder weniger Corona-Fälle auf Erden gibt.
Ich gehe davon aus, dass es bedeutend mehr Fälle gibt beziehungsweise auch schon mehr Leute infiziert waren. Zwar zeigte, die Bayes-Korrektur, dass es weniger sein sollen (etwa 60% weniger, siehe Teil 1). Dies setzt aber eine eindeutige Symptomatik voraus. Wenn ich bei bestimmten Personen keine Erkrankung sehe, so werden diese nach Bayes als „nicht-betroffen“ klassifiziert. Ich denke aber eher, dass sehr viele gesunde Leute mit niedrigem BMI in Kontakt mit dem Virus kamen und unbemerkt eine Resistenz aufgebaut haben. Dies wurde vermutlich, durch die Autophagie unterstützt. Personen, die gesundheitlich angeschlagen waren bzw. einen zu hohen BMI aufweisen, hatten hingegen weniger Glück. Man geht davon aus, dass fast 90% der Patienten, die eine Corona-Infektion nicht überlebt haben, übergewichtig bis fettleibig waren [1]. Dies kann ich anhand der globalen Todesfälle zwar nicht, aber bei Betrachtung der Gesamtfälle sehr wohl nachvollziehen (siehe Anhang). In diesem Zusammenhang empfehle ich jedem dem Virus durch eine gesunde Lebensweise entgegenzutreten. Alle wichtigen Informationen findet ihr in meinen Artikeln, die ich einst hier zusammenfasste. Nehmt dieses Thema auch in Abwesenheit einer akuten Bedrohungslage bitte nicht auf die leichte Schulter.
Wird es eine zweite Welle geben?
Meines Erachtens nach auf jeden Fall. Im Sommer sind die Leute tendenziell gesünder als im Winter [14]. Dies hat vielerlei Ursachen. In der Regel ist das Immunsystem stärker und somit haben Viren auch weniger Chancen uns krank zu machen. Das Corona-Virus wird demnach gegen Herbst zum nächsten Schlag ausholen und uns eine zweite Welle bescheren. Darauf sollte jeder gefasst sein. Es sei denn die „Unbemerkte Verbreitung“ ist schon derart hoch, dass es ausbleibt.
Wichtig in jedem Fall: Arbeitet jetzt an Eurer Gesundheit.
Bis bald
Euer Chapper
Daten & Methoden
Die verwendeten Corona-Daten stammen von der Website https://www.worldometers.info/coronavirus/ und wurden mittels Webscraping in RStudio (Version 3.6.3) geladen:
R Core Team (2020). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. URL https://www.R-project.org/.
Folgende Packages habe ich zur Auswertung verwendet:
tidyverse, rvest, plyr, table1, corrplot, Hmisc, ggthemes, broom, ggrepel, ggpubr, factoextra, rstatix, gridExtra, scales, psych, kableExtra, knitr
Den Code stelle ich euch auf Anfrage gern zur Verfügung.
Weitere Datenquellen waren:
https://en.wikipedia.org/wiki/List_of_countries_by_body_mass_index
https://worldpopulationreview.com/countries/healthiest-countries/
https://en.wikipedia.org/wiki/List_of_countries_by_GDP_(PPP)_per_capita
https://www.worldometers.info/world-population/population-by-country/
https://en.wikipedia.org/wiki/World_Happiness_Report
https://www.worldometers.info/world-population/population-by-country/
https://www.iqair.com/world-most-polluted-countries
https://worldpopulationreview.com/countries/developed-countries/
https://en.wikipedia.org/wiki/List_of_countries_by_sex_ratio
https://en.wikipedia.org/wiki/List_of_NATO_country_codes
https://www.worldometers.info/geography/countries-of-the-world/
https://en.wikipedia.org/wiki/Template:COVID-19_pandemic_lockdowns
Absehen von den Lockdown-Daten (wurden mit Excel aufbereitet), wurden alle anderen Daten mittels Webscraping in RStudio geladen.
Anhang
Hier gebe ich die Ergebnisse meiner „Linearen Modelle“ wieder. Der p-Wert (p-value) hinten muss am besten ≤5e-2 bzw. 0.05 sein, dann könnt ihr von einer „statistischen Signifikanz“ sprechen. Ihr seht, dass solche „Signifikanzen“ bei „Gesamtzahl“ (Cases), nicht aber bei den Toten (Deaths) erreicht werden können. Das heißt ihr könnt unter Verwendung der angegebene Parameter nur die „Gesamtzahl an Corona-Kranken“ und nicht die „Corona-Toten“ vorhersagen.
Appendix Ergebnisse „Linearer Modelle“. A: Vorhersage „Gesamtzahl in %“. B: Vorhersage „Gesamtzahl in %“ korrigiert nach Bayes. C: Vorhersage „Gesamtzahl in %“ nur Staaten mit „Wahrscheinlichkeit richtig-positiv“ ≥15%. D: Vorhersage „Gesamtzahl in %“ nur Staaten mit „Wahrscheinlichkeit richtig-positiv“ ≥15% korrigiert nach Bayes. E: Vorhersage „Totenzahl in %“. F: Vorhersage „Totenzahl in %“ korrigiert nach Bayes. G: Vorhersage „Totenzahl in %“ nur Staaten mit „Wahrscheinlichkeit richtig-positiv“ ≥15%. H: Vorhersage „Totenzahl in %“ nur Staaten mit „Wahrscheinlichkeit richtig-positiv“ ≥15% korrigiert nach Bayes. I: Vorhersage „Gesamtzahl in %“. J: Vorhersage „Totenzahl in %“. In A bis H wurde die Vorhersage mittels BMI (over_bmi), Bruttosozialprodukt (dollar), Medianalter (med_age), Bevölkerungsdichte (density) und Entwicklungsniveau (dev_index) vorgenommen. In die Vorsagen von I & J wurden BMI (over_bmi), Gesundheitsniveau (health_grade), Luftverschmutzung (avg_2019) und Medianalter (med_age) einbezogen.
Literatur
[1] Juliane Gutmann, Gewicht und Coronavirus: Wer so viel wiegt, riskiert schweren Covid-19-Verlauf. https://www.merkur.de/leben/gesundheit/body-mass-coronavirus-uebergewicht-erhoeht-risiko-schweren-krankheitsverlauf-zr-13718373.html.
[2] B. Kast, Der Ernährungskompass: Das Fazit aller wissenschaftlichen Studien zum Thema Ernährung, eighth. Auflage, C. Bertelsmann, München, 2018.
[3] medico international, Armut macht krank, Krankheit macht arm, 2018. https://www.medico.de/armut-macht-krank-krankheit-macht-arm-17057/.
[4] P. Sun, X. Lu, C. Xu, W. Sun, B. Pan, Understanding of COVID-19 based on current evidence, J. Med. Virol. (2020). https://doi.org/10.1002/jmv.25722.
[5] Stephen Khan, Air pollution exposure linked to higher COVID-19 cases and deaths: new study, 2019. https://theconversation.com/air-pollution-exposure-linked-to-higher-covid-19-cases-and-deaths-new-study-141620.
[6] Jürgen Heddrich & Lothar Sachs, Angewandte Statistik: Methodensammlung mit R, sixteenth ed., Springer Spektrum.
[7] D. Glick, S. Barth, K.F. Macleod, Autophagy: cellular and molecular mechanisms, J. Pathol. 221 (2010) 3–12. https://doi.org/10.1002/path.2697.
[8] S. Shoji-Kawata, B. Levine, Autophagy, antiviral immunity, and viral countermeasures, Biochim. Biophys. Acta 1793 (2009) 1478–1484. https://doi.org/10.1016/j.bbamcr.2009.02.008.
[9] H.K. Lee, A. Iwasaki, Autophagy and antiviral immunity, Curr. Opin. Immunol. 20 (2008) 23–29. https://doi.org/10.1016/j.coi.2008.01.001.
[10] X. Dong, B. Levine, Autophagy and viruses: adversaries or allies?, J. Innate Immun. 5 (2013) 480–493. https://doi.org/10.1159/000346388.
[11] D. Carmona-Gutierrez, M.A. Bauer, A. Zimmermann, K. Kainz, S.J. Hofer, G. Kroemer, F. Madeo, Digesting the crisis: autophagy and coronaviruses, Microb. Cell 7 119–128. https://doi.org/10.15698/mic2020.05.715.
[12] David Cyranoski, Spektrum der Wissenschaft.
[13] W. Janning, E. Knust, Genetik: Allgemeine Genetik, molekulare Genetik, Entwicklungsgenetik, Thieme, Stuttgart, 2004.
[14] H. Jia, E.I. Lubetkin, Time Trends and Seasonal Patterns of Health-Related Quality of Life Among U.S. Adults, Public Health Rep. 124 (2009) 692–701.
Posted from my blog with SteemPress : http://worldofchapper.de/rp295320-ovh/index.php/2020/07/27/corona-die-unendliche-pandemie-teil-2-das-problem-mit-den-staaten/