Martin Hechler
@martin46er1.bsky.social
Covid-Amateur-Modellierer, beim Auswandern von X.
(6) In (der etwas vollen) Grafik 4 ist diese AMELAG-DZ für die anderen Spalten der AMELAG-Datei ergänzt, alle gleich skaliert und verschoben, damit die Maxima zu den RKI-Daten passen. Zunächst sieht man, dass die Quotienten für kleine Werte besonders fehleranfällig sind. /7
December 3, 2025 at 8:43 PM
(6) In (der etwas vollen) Grafik 4 ist diese AMELAG-DZ für die anderen Spalten der AMELAG-Datei ergänzt, alle gleich skaliert und verschoben, damit die Maxima zu den RKI-Daten passen. Zunächst sieht man, dass die Quotienten für kleine Werte besonders fehleranfällig sind. /7
(5) Eigentlich passen die Daten gut zusammen. Wenn man jetzt annimmt, dass die AMELAG-Daten die Wirklichkeit darstellen (proportional), und damit die Variation der Dunkelziffer der RKI-Fallmeldungen schätzt (AMELAG/RKI), erhält man eine stark variierende DZ (grün in Grafik 3). /6
December 3, 2025 at 8:43 PM
(5) Eigentlich passen die Daten gut zusammen. Wenn man jetzt annimmt, dass die AMELAG-Daten die Wirklichkeit darstellen (proportional), und damit die Variation der Dunkelziffer der RKI-Fallmeldungen schätzt (AMELAG/RKI), erhält man eine stark variierende DZ (grün in Grafik 3). /6
(4) Grafik 2 zeigt die AMELAG-Viruslast (*1,25 und eine Woche rechts verschoben) im Vergleich zu allen RKI-Meldedaten (Fälle + Hospitalisierungen(HOSP) + Intensivbelegung (ITS) skaliert). HOSP ist proportional zu den Fällen, ITS fällt ab (weniger schwere Fälle durch XFG). /5
December 3, 2025 at 8:43 PM
(4) Grafik 2 zeigt die AMELAG-Viruslast (*1,25 und eine Woche rechts verschoben) im Vergleich zu allen RKI-Meldedaten (Fälle + Hospitalisierungen(HOSP) + Intensivbelegung (ITS) skaliert). HOSP ist proportional zu den Fällen, ITS fällt ab (weniger schwere Fälle durch XFG). /5
(2) Die AMELAG Abwasserdaten enthalten im
Wesentlichen 5 Spalten (Viruslast, Viruslast normalisiert, Vorhersage + 2 Schranken), alle 'hochverarbeitet' (→ github.com/robert-koch-...). Grafik 1 ergänzt diese 5 Kurven durch die skalierten RKI-Infektionsmeldungen (gepunktet). /3
Wesentlichen 5 Spalten (Viruslast, Viruslast normalisiert, Vorhersage + 2 Schranken), alle 'hochverarbeitet' (→ github.com/robert-koch-...). Grafik 1 ergänzt diese 5 Kurven durch die skalierten RKI-Infektionsmeldungen (gepunktet). /3
December 3, 2025 at 8:43 PM
(2) Die AMELAG Abwasserdaten enthalten im
Wesentlichen 5 Spalten (Viruslast, Viruslast normalisiert, Vorhersage + 2 Schranken), alle 'hochverarbeitet' (→ github.com/robert-koch-...). Grafik 1 ergänzt diese 5 Kurven durch die skalierten RKI-Infektionsmeldungen (gepunktet). /3
Wesentlichen 5 Spalten (Viruslast, Viruslast normalisiert, Vorhersage + 2 Schranken), alle 'hochverarbeitet' (→ github.com/robert-koch-...). Grafik 1 ergänzt diese 5 Kurven durch die skalierten RKI-Infektionsmeldungen (gepunktet). /3
(2) Die Tabelle gibt Modellwerte an verschiedenen Zeitpunkten für den Fall mit R1+0,04 am 15.11. und für konstante Dunkelziffer. Durch die häufigen Anpassungen entsprechen die Modellwerte der Vergangenheit gut den Meldungen. Die Vorhersage ist gerade unsicher (neue Variante).
November 29, 2025 at 12:35 PM
(2) Die Tabelle gibt Modellwerte an verschiedenen Zeitpunkten für den Fall mit R1+0,04 am 15.11. und für konstante Dunkelziffer. Durch die häufigen Anpassungen entsprechen die Modellwerte der Vergangenheit gut den Meldungen. Die Vorhersage ist gerade unsicher (neue Variante).
(1) Die Infektionsmeldungen steigen stärker als modelliert ⇒ bsky.app/profile/mart.... Der Effekt kommt wahrscheinlich durch mehr Kontakte (gepunktet) und nicht von der neuen Variante BA.3.2. Für eine Modellanpassung warte ich auf weitere Sequenzierungsdaten. ITS bleibt zurück./2
November 29, 2025 at 12:35 PM
(1) Die Infektionsmeldungen steigen stärker als modelliert ⇒ bsky.app/profile/mart.... Der Effekt kommt wahrscheinlich durch mehr Kontakte (gepunktet) und nicht von der neuen Variante BA.3.2. Für eine Modellanpassung warte ich auf weitere Sequenzierungsdaten. ITS bleibt zurück./2
Korrektur zu bsky.app/profile/mart...:
In Grafik 6 fehlten die Meldedaten seit dem 18.11. Auch die Intensivbelegungsmeldungen kehren zum Modell zurück (verbesserte Grafik unten).
In Grafik 6 fehlten die Meldedaten seit dem 18.11. Auch die Intensivbelegungsmeldungen kehren zum Modell zurück (verbesserte Grafik unten).
November 27, 2025 at 10:39 AM
Korrektur zu bsky.app/profile/mart...:
In Grafik 6 fehlten die Meldedaten seit dem 18.11. Auch die Intensivbelegungsmeldungen kehren zum Modell zurück (verbesserte Grafik unten).
In Grafik 6 fehlten die Meldedaten seit dem 18.11. Auch die Intensivbelegungsmeldungen kehren zum Modell zurück (verbesserte Grafik unten).
(3) Grafik 3-6 ergänzen Entwicklung und Vorhersage der Meldedaten für das Modell vom 26.11. mit BA.3.2.2. Die Intensivbelegung weicht vom Modell ab, während die Todesfälle ihm wieder folgen (Grafik 6). Das Variantenmodell ist noch sehr unsicher (Fluchteigenschaften?).
November 26, 2025 at 7:54 PM
(3) Grafik 3-6 ergänzen Entwicklung und Vorhersage der Meldedaten für das Modell vom 26.11. mit BA.3.2.2. Die Intensivbelegung weicht vom Modell ab, während die Todesfälle ihm wieder folgen (Grafik 6). Das Variantenmodell ist noch sehr unsicher (Fluchteigenschaften?).
(2) Die Aufwärtsentwicklung der letzten Tage relativ zur Kurve vom 20.11. für die Infektionen (Grafik 2) schreibe ich nicht der neuen Variante zu, sondern einer Änderung im Kontaktindex R1 (Wetter?). /3
November 26, 2025 at 7:54 PM
(2) Die Aufwärtsentwicklung der letzten Tage relativ zur Kurve vom 20.11. für die Infektionen (Grafik 2) schreibe ich nicht der neuen Variante zu, sondern einer Änderung im Kontaktindex R1 (Wetter?). /3
(1) Wie erwartet, bewegt sich der neue Sequenzierungsdatenpunkt am 6.11., mit 77 Messungen statt der 45 von vor einer Woche, hin zur Modellkurve vom 20.11. (Grafik 1) → bsky.app/profile/mart.... /2
November 26, 2025 at 7:54 PM
(1) Wie erwartet, bewegt sich der neue Sequenzierungsdatenpunkt am 6.11., mit 77 Messungen statt der 45 von vor einer Woche, hin zur Modellkurve vom 20.11. (Grafik 1) → bsky.app/profile/mart.... /2
(2) Ein Modell, das zu den 4 gemeldeten Sequenzierungspunkten für BA.3.2* passt, ist 'ziemlich beliebig' (Grafik 1A für den Fall in (1) oben und Grafik 1B). Damit ist die Entwicklung kaum vorhersagbar (Grafik 2A und 2B). 'Es kann viel schlimmer kommen'. Die Daten der nächsten Wochen entscheiden.
November 23, 2025 at 8:46 AM
(2) Ein Modell, das zu den 4 gemeldeten Sequenzierungspunkten für BA.3.2* passt, ist 'ziemlich beliebig' (Grafik 1A für den Fall in (1) oben und Grafik 1B). Damit ist die Entwicklung kaum vorhersagbar (Grafik 2A und 2B). 'Es kann viel schlimmer kommen'. Die Daten der nächsten Wochen entscheiden.
(1) bsky.app/profile/mart... berichtete vom 'steilen' Vordringen einer neuen Covid-Variante (von 2% auf 11% in 2 Wochen). Eine 'sauberere' Modellierung benötigt weitere 2 Wochen Sequenzierungsdaten. Vorerst in den Grafiken der etwa zu erwartende Effekt auf R-Wert und Meldevariablen. /2
November 23, 2025 at 8:46 AM
(1) bsky.app/profile/mart... berichtete vom 'steilen' Vordringen einer neuen Covid-Variante (von 2% auf 11% in 2 Wochen). Eine 'sauberere' Modellierung benötigt weitere 2 Wochen Sequenzierungsdaten. Vorerst in den Grafiken der etwa zu erwartende Effekt auf R-Wert und Meldevariablen. /2
(2) Die Sequenzierungsdaten deuten auf einen sehr steilen Anstieg des Anteils der neuen Variante hin. Eine Modellierung, die zu einem solchen Anstieg passt, lässt die Winterwelle bis Februar 2026 noch einmal ansteigen und erst dann zusammenbrechen (Grafik 2).
November 20, 2025 at 11:58 AM
(2) Die Sequenzierungsdaten deuten auf einen sehr steilen Anstieg des Anteils der neuen Variante hin. Eine Modellierung, die zu einem solchen Anstieg passt, lässt die Winterwelle bis Februar 2026 noch einmal ansteigen und erst dann zusammenbrechen (Grafik 2).
(1) Der Anteil einer neuen Covid-Variante (BA.3.2.2?) scheint über 10% zu steigen (Grafik 1). Zu früh, genau zu modellieren, aber eine (zugegeben voreilige) Simulation zeigt: ⇒ /2.
November 20, 2025 at 11:58 AM
(1) Der Anteil einer neuen Covid-Variante (BA.3.2.2?) scheint über 10% zu steigen (Grafik 1). Zu früh, genau zu modellieren, aber eine (zugegeben voreilige) Simulation zeigt: ⇒ /2.
Die Todesfälle pro Woche liegen seit langem bei ~63% der Intensivbelegung 2 Wochen vorher (9% pro Tag). Die Meldungen der Intesivbelegung haben sich von meiner Modellierung seit einer Woche etwas abgelöst, sie fallen stärker, und seit 3 Tagen steigen die Todesfälle relativ zu dieser Entwicklung.
November 15, 2025 at 6:35 PM
Die Todesfälle pro Woche liegen seit langem bei ~63% der Intensivbelegung 2 Wochen vorher (9% pro Tag). Die Meldungen der Intesivbelegung haben sich von meiner Modellierung seit einer Woche etwas abgelöst, sie fallen stärker, und seit 3 Tagen steigen die Todesfälle relativ zu dieser Entwicklung.
(2) Die Tabelle zeigt Modellwerte heute, vor einer Woche, in einer Woche und am geschätzten Zeitpunkt der Halbierung der Infektionen (30.12.25).
November 15, 2025 at 10:34 AM
(2) Die Tabelle zeigt Modellwerte heute, vor einer Woche, in einer Woche und am geschätzten Zeitpunkt der Halbierung der Infektionen (30.12.25).
(1) Die Covid Fall- und Hospitalisierungsmeldungen des RKI folgen dem am 11.11. angepassten Modell (Grafik 2+3). Die Intensivbelegung geht stärker zurück als vorhergesagt, die Todesfälle steigen wieder (Grafik 4). Der RKI-R-Wert liegt heute genau auf der Modellkurve (Grafik 1). /2
November 15, 2025 at 10:34 AM
(1) Die Covid Fall- und Hospitalisierungsmeldungen des RKI folgen dem am 11.11. angepassten Modell (Grafik 2+3). Die Intensivbelegung geht stärker zurück als vorhergesagt, die Todesfälle steigen wieder (Grafik 4). Der RKI-R-Wert liegt heute genau auf der Modellkurve (Grafik 1). /2
(3) Der Abfall der DZ jetzt würde bedeuten, dass die tatsächliche Inzidenz noch stärker abfällt, als in meiner Modellierung mit konstanter DZ (Grafik). Wegen des ‚parallelen‘ Verlaufs der RKI-Fallmeldungen mit HOSP und ITS (mit XFG-Korrektur) halte ich das zumindest für merkwürdig.
November 13, 2025 at 10:42 AM
(3) Der Abfall der DZ jetzt würde bedeuten, dass die tatsächliche Inzidenz noch stärker abfällt, als in meiner Modellierung mit konstanter DZ (Grafik). Wegen des ‚parallelen‘ Verlaufs der RKI-Fallmeldungen mit HOSP und ITS (mit XFG-Korrektur) halte ich das zumindest für merkwürdig.
(1) Die Grafik vergleicht AMELAG und RKI Daten, alle auf die gleiche Höhe am 2024-Maximum skaliert. RKI-HOSP und RKI-Fälle verlaufen gleich, RKI-ITS fällt 2025 ab, bei mir als geringere XFG-Pathogenität interpretiert. Die grüne Kurve ist der Quotient AMELAG/RK-Fälle. /2
November 13, 2025 at 10:42 AM
(1) Die Grafik vergleicht AMELAG und RKI Daten, alle auf die gleiche Höhe am 2024-Maximum skaliert. RKI-HOSP und RKI-Fälle verlaufen gleich, RKI-ITS fällt 2025 ab, bei mir als geringere XFG-Pathogenität interpretiert. Die grüne Kurve ist der Quotient AMELAG/RK-Fälle. /2
Durch das vorzeitige Brechen der Covid-Welle ⇒ bsky.app/profile/mart... reduziert sich die Schätzung aller Infektionen mit DZ in 2025
- von 12,3 Mio
- auf 9,7 Mio, falls R1 gleich bleibt (Grafik 11),
- auf 11,6 Mio für R1+0,2 ab heute (rot gestrichelt in Grafik),
- auf 10,7 Mio für R1+0,1 am 1.11.
- von 12,3 Mio
- auf 9,7 Mio, falls R1 gleich bleibt (Grafik 11),
- auf 11,6 Mio für R1+0,2 ab heute (rot gestrichelt in Grafik),
- auf 10,7 Mio für R1+0,1 am 1.11.
November 8, 2025 at 10:32 AM
Durch das vorzeitige Brechen der Covid-Welle ⇒ bsky.app/profile/mart... reduziert sich die Schätzung aller Infektionen mit DZ in 2025
- von 12,3 Mio
- auf 9,7 Mio, falls R1 gleich bleibt (Grafik 11),
- auf 11,6 Mio für R1+0,2 ab heute (rot gestrichelt in Grafik),
- auf 10,7 Mio für R1+0,1 am 1.11.
- von 12,3 Mio
- auf 9,7 Mio, falls R1 gleich bleibt (Grafik 11),
- auf 11,6 Mio für R1+0,2 ab heute (rot gestrichelt in Grafik),
- auf 10,7 Mio für R1+0,1 am 1.11.
(4) Eine andere Ursache für höhere Immunisierung wäre ein geringerer Immunschwund. Grafik 10 modelliert einen solchen Fall. R1 fällt (richtigerweise) weniger, die Modulation Ende Oktober jedoch bleibt. ⇒ Ein Fehler bei den Schwundannahmen ist nicht für den Absturz verantwortlich. /5
November 8, 2025 at 10:24 AM
(4) Eine andere Ursache für höhere Immunisierung wäre ein geringerer Immunschwund. Grafik 10 modelliert einen solchen Fall. R1 fällt (richtigerweise) weniger, die Modulation Ende Oktober jedoch bleibt. ⇒ Ein Fehler bei den Schwundannahmen ist nicht für den Absturz verantwortlich. /5
(3) Mehr Infektionen im Sommer heben die Bevölkerungsimmunisierung. Grafik 6-9 zeigen eine Modellierung mit einem genäherten AMELAG DZ-Profil.
Die R1-Modulation bleibt notwendig, um den Absturz der Welle zu erzeugen, und HOSP und ITS (DZ-frei modelliert) passen nicht mehr. /4
Die R1-Modulation bleibt notwendig, um den Absturz der Welle zu erzeugen, und HOSP und ITS (DZ-frei modelliert) passen nicht mehr. /4
November 8, 2025 at 10:24 AM
(3) Mehr Infektionen im Sommer heben die Bevölkerungsimmunisierung. Grafik 6-9 zeigen eine Modellierung mit einem genäherten AMELAG DZ-Profil.
Die R1-Modulation bleibt notwendig, um den Absturz der Welle zu erzeugen, und HOSP und ITS (DZ-frei modelliert) passen nicht mehr. /4
Die R1-Modulation bleibt notwendig, um den Absturz der Welle zu erzeugen, und HOSP und ITS (DZ-frei modelliert) passen nicht mehr. /4
(2) Für die niedrigen Infektionszahlen im Sommer kommen die AMELAG Abwasserdaten auf eine höhere DZ als die in meiner Modellierung relativ zu DZ-freier ITS (=87). In Grafik 5 ist die AMELAG-Kurve eine Woche nach rechts verschoben und in der Höhe bei den Wellenbergen an die RKI-Kurve angepasst. /3
November 8, 2025 at 10:24 AM
(2) Für die niedrigen Infektionszahlen im Sommer kommen die AMELAG Abwasserdaten auf eine höhere DZ als die in meiner Modellierung relativ zu DZ-freier ITS (=87). In Grafik 5 ist die AMELAG-Kurve eine Woche nach rechts verschoben und in der Höhe bei den Wellenbergen an die RKI-Kurve angepasst. /3
(1) Grafik 1-4 zeigen die Anpassung des Covid-19-Modells vom 7.11., und zwar mit DZ=konst., aber mit am Maximum neu skalierten Pathogenitätsfaktoren (HOSP und ITS) für XFG.
Die 2025-Welle ist eine Woche früher gebrochen als vorher modelliert.
Woran kann das liegen? → /2 bis /5
Die 2025-Welle ist eine Woche früher gebrochen als vorher modelliert.
Woran kann das liegen? → /2 bis /5
November 8, 2025 at 10:24 AM
(1) Grafik 1-4 zeigen die Anpassung des Covid-19-Modells vom 7.11., und zwar mit DZ=konst., aber mit am Maximum neu skalierten Pathogenitätsfaktoren (HOSP und ITS) für XFG.
Die 2025-Welle ist eine Woche früher gebrochen als vorher modelliert.
Woran kann das liegen? → /2 bis /5
Die 2025-Welle ist eine Woche früher gebrochen als vorher modelliert.
Woran kann das liegen? → /2 bis /5
Die Erklärung des Rückgangs der Fallmeldungen durch DZ-Anstieg in ⇒ bsky.app/profile/mart...
ist unbefriedigend. Auch HOSP und ITS fallen relativ zum Modell. Die Grafiken zeigen eine vorläufige Anpassung durch R1-Manipulation. Die Grenzen meines Modells scheinen erreicht zu sein.
ist unbefriedigend. Auch HOSP und ITS fallen relativ zum Modell. Die Grafiken zeigen eine vorläufige Anpassung durch R1-Manipulation. Die Grenzen meines Modells scheinen erreicht zu sein.
November 1, 2025 at 1:38 PM
Die Erklärung des Rückgangs der Fallmeldungen durch DZ-Anstieg in ⇒ bsky.app/profile/mart...
ist unbefriedigend. Auch HOSP und ITS fallen relativ zum Modell. Die Grafiken zeigen eine vorläufige Anpassung durch R1-Manipulation. Die Grenzen meines Modells scheinen erreicht zu sein.
ist unbefriedigend. Auch HOSP und ITS fallen relativ zum Modell. Die Grafiken zeigen eine vorläufige Anpassung durch R1-Manipulation. Die Grenzen meines Modells scheinen erreicht zu sein.