Daniel Haake Profile picture
Senior Data Scientist, Winner of Gerhard Fürst Award 2020 (Federal Statistical Office), https://t.co/sQSogrleRe. Data Science, developer of https://t.co/akDZCY9uUq

Nov 25, 2021, 24 tweets

Die Fallzahlen steigen immer weiter. Der 7-Tage-Mittelwert liegt aktuell bei 54.062, der Höchststand vor der 4. Welle bei 25.851. Doch wie sieht die Gesamtsituation deutschlandweit aus und wie ist die Lage im Vergleich zum letzten Jahr?

Ein Update. (1/n)

Ein Problem sind wie immer die Nachmeldungen. Von den heute 75.961 gemeldeten Fällen waren 52.329 den Gesundheitsämtern seit gestern bekannt und dementsprechend 23.632 länger als einen Tag. (2/n)

Deshalb ist es besser sich die Fälle nach Erkrankungsbeginn anzusehen. Dafür gibt es den Nowcast des RKI. Bei Fällen mit unbekanntem Erkrankungsbeginn wird dieser durch das RKI approximiert. (3/n)

Beim Vergleich der 7-Tage-Mittelwerte der gemeldeten Fälle mit dem des Nowcast RKI fällt auch ein deutlich geglätteter Kurvenverlauf auf. Der Nowcast des RKI bildet im übrigen auch die Grundlage für die Berechnung der R-Werte. (4/n)

Anhand des Verlaufs des 7-Tage-R-Werts des RKI kann man auch gut die Ausbreitungsgeschwindigkeit beurteilen. Aufgrund der Approximation, wobei bei unbekanntem Erkrankungsbeginn das Meldedatum der wichtigste Parameter ist, unterliegt auch dieser Schwankungen. (5/n)

Man kann aber auch den R-Wert anhand der 7-Tage-Mittelwerte des Nowcast berechnen und erhält dabei einen glatteren Kurvenverlauf. Dabei fällt auf, dass die Wachstumsrate seit dem 20.10. von 1,25 auf 1,14, mit einem zwischenzeitlichen Anstieg. (6/n)

Die zwischenzeitlichen Welle sehe ich zumindest teilweise bedingt durch die Approximation des Erkrankungsbeginns beim Nowcast des RKI. Denn in der Zeit gab es Feiertage und in einigen Bundesländern Ferienzeiten. Das führt u.a. zu Nachmeldungen. (7/n)

Eigentlich sollte das beim Nowcast nicht so wichtig sein, da es die Fälle nach Erkrankungsbeginn aufschlüsselt. Allerdings wird der Erkrankungsbeginn bei den Fällen, wo er nicht bekannt ist, approximiert, wobei das Meldedatum der wichtigste Parameter ist und (8/n)

Nachmeldungen dann doch eine Rolle spielen. Die Ferien spielen ebenfalls eine Rolle. Bspw. weil Schüler nicht mehr regelmäßig getestet werden, nach den Ferien jedoch schon. Den Effekt der Welle haben wir auch schon in früheren Phasen der Pandemie sehen können. (9/n)

Schauen wir uns beispielsweise Weihnachten 2020 an. In der blauen Linie kann man die gemeldeten Fälle sehen (7-Tage-Mittelwert). Dort haben wir einen starken Abfall mit anschließendem Anstieg und daraufhin wieder einen Abfall. Der Nowcast nach Erkrankungsbeginn (türkis) (10/n)

liegt einerseits weiter in der Vergangenheit, da er nach Erkankrankungsbeginn auflöst. Außerdem ist zu erkennen, dass die Welle zwar deutlich abgeflacht wurde, aber doch nicht ganz verschwunden ist. Das liegt wie gesagt daran, dass das Meldedatum bei der Approximation (11/n)

des Erkrankungsbeginns bei unbekanntem Erkrankungsbeginn der wichtigste Parameter ist. Deshalb ist dann eine Approximation erschwert und wird etwas verfälscht. Deshalb wird die Welle nicht komplett ausgeglichen. Das schlägt sich dann auch auf den Verlauf des R-Wertes (12/n)

nieder. Zwar korrigiert der R-Wert anhand des Nowcast die Schwankungen der gemeldeten Fälle, doch dieser kann nicht komplett abgefangen werden. (13/n)

Das selbe Phänomen können wir auch an Ostern erkennen. Auch hier gab es eine vermeintliche Welle, die auf die Ferienzeit zurückzuführen ist. Durch den Nowcast wird das zum großen Teil korrigiert, aber auch hier wieder nicht komplett, weshalb eine leichte Welle bleibt. (14/n)

Das schlägt sich auch hier auf den R-Wert nieder. Auch hier kann man eine Glättung der Welle sehen, die aber auch hier nicht komplett ausgeglichen werden kann, aufgrund der zuvor genannten Effekte. (15/n)

Anhand der zuvor genannten Beispiele kann man erkennen, dass solche Wellen Feiertagen und Ferienzeiten geschuldet sind und durch die Approximation nicht komplett beglichen werden. Deshalb dürfte zumind. ein Teil der aktuellen Welle Ende Oktober hierauf zurückzuführen sein. (16/n)

Schaut man sich den aktuellen 7-Tage-R-Wert des RKI an, hält der Trend der fallenden Wachstumsrate auch weiter an. Er liegt aktuell bei 1,04.

Was wäre gewesen, wenn der Trend sich ab dem 21.10. fortgesetzt hätte und es zu keiner Verlangsamung gekommen wäre? (17/n)

Dann hätten wir jetzt nicht einen 7-Tage-Mittelwert der gemeldeten Fälle von ca. 54.000, sondern von knapp 100.000. Eine Verlangsamung des Fallgeschehens ist also deutlich zu erkennen. (18/n)

Der Feiertags- und Ferieneffekt sollte dabei keine große Rolle spielen. Denn zunächst gibt es zu wenige Fälle, die dann nachgemeldet werden, so dass danach der Kurvenverlauf wieder gleich laufen sollte. Dennoch kann man den Trend auch ab dem (19/n)

07.11. laufen lassen. Da sind dann geringere Zahlen zu erwarten, da der Trend erst später startet. Aber auch dann hätte es knapp 72.000 neue Fälle pro Tag gegeben und nicht 54.000. Die Verlangsamung der Dynamik ist also klar erkennbar. (20/n)

Doch viel wichtiger als die gemeldeten Fälle ist die Situation in den Krankenhäusern. Schauen wir daher nach den Betten, die mit Intensivpatienten mit einem positiven COVID-19-Test behandelt werden. Obwohl wir neue Höchststände bei den gemeldeten Fällen haben, (21/n)

sind wir von Höchstständen auf den Intensivstationen noch entfernt. Lag die Höchstzahl der belegten Betten in der Pandemie bei 5.762, liegt er aktuell bei 4.202. Allerdings haben wir mittlerweile mehr belegte Betten, als vor einem Jahr mit 3.781 belegten Betten. (22/n)

Doch wie sieht die Dynamik aus? Berechnet man den R-Wert anhand der Neuaufnahmen auf ITS, erkennt man auch hier eine Verlangsamung. Mit Glättung mittels eines Mittelwertes berechnet anhand +- 6 Tage, ist recht gut erkennbar, dass der R-Wert seit Anfang November fällt. (23/n)

Es muss wie immer darauf geachtet werden, dass es sich um eine gesamtdeutsche Betrachtung handelt. Regional kann dies deutlich abweisen. Hierzu sei auch an den CODAG-Bericht verwiesen.



(24/24)

Share this Scrolly Tale with your friends.

A Scrolly Tale is a new way to read Twitter threads with a more visually immersive experience.
Discover more beautiful Scrolly Tales like this.

Keep scrolling