Regionale patronen van oversterfte in Duitsland tijdens de COVID-19-pandemie: een analyse op deelstaatniveau
Christof Kuhbandner & Matthias Reitzner publiceerden in Royal Society Open Science (2025) een bijzonder grondige en niet minder opzienbarende studie.
Eerst een samenvatting in bullets, dan de samenvatting t/m de conclusies. Daarna aandachtspunten, mogelijke implicaties en een Bradford Hill-analyse door ChatGPT (Direct naar Bradford Hill-analyse onderaan).
Samenvatting in bullets
- Studie van 16 Duitse deelstaten over drie “pandemie-jaren” (apr 2020–mrt 2023) naar oversterfte.
- Berekening van verwachte doden via actuariële methode, met deelstaatcorrectie.
- In jaar 1: gematigde oversterfte, grote regionale variatie; in jaar 2: lichte stijging, patroon stabiel; in jaar 3: sterke stijging + kleinere variatie + veranderde rangorde.
- In jaar 1 & 2: oversterfte sterk gecorreleerd met officiële COVID-19-sterfte.
- In jaar 3: correlatie van oversterfte met COVID-19-sterfte verdwenen.
- Diverse factoren zoals economie (BBP), leeftijd, verzorgingsbehoefte en armoede tonen geen consistent patroon. Vertrouwen in instituties correleert in jaar 3, wat weer samenhangt met de vaccinatiegraad.
- Positieve correlatie tussen vaccinatiegraad en oversterfte.
Interpretatie: directe COVID-19-sterfte verklaart een groot deel van de oversterfte in de vroege fasen; in de latere fase is er waarschijnlijk een andere sterftedriver – mogelijk influenza, zorgachterstand of andere effecten – of een onvoorziene factor in relatie tot vaccinatie.
De studie moet worden gezien als een dringende oproep tot nader onderzoek; het mechanisme is immers onbekend en statistische correlatie bewijst nog geen causaliteit.
UITGEBREIDE SAMENVATTING
Achtergrond
Onderwerp van de studie is de oversterfte in Duitsland tijdens de eerste drie jaren van de COVID‑19-pandemie (in de studiedefinitie: van april 2020 tot maart 2023). De auteurs willen in het bijzonder:
- de regionale verschillen in oversterfte tussen de 16 Duitse deelstaten analyseren,
- de ontwikkeling per deelstaat per jaar in kaart brengen,
- correleren met staatsspecifieke indicatoren: aantal officieel gerapporteerde COVID-19-doden en infecties, vaccinatiegraad, beleidsstringentie (maatregelen), demografische en sociaaleconomische factoren (gemiddelde leeftijd, armoederisico, verzorgingsbehoefte, vertrouwen in instituties, etc.).
- op basis hiervan inzicht krijgen in welke factoren mogelijk de oversterfte hebben aangestuurd – enerzijds de directe COVID-19-impact, anderzijds bijkomende of latere drivers.
De motivatie is dat eerdere berekeningen van oversterfte (zowel in Duitsland als internationaal) aangaven dat de trends niet eenduidig door COVID-19-doden alleen verklaard konden worden, zeker niet in de latere fase van de pandemie. De auteurs verwijzen naar eigen eerdere werk over Duitsland (2020-22) en andere internationale studies.
Belangrijke punten uit de achtergrond:
- Oversterfte is een belangrijke maat omdat die ook de indirecte effecten van de pandemie meet (bijv. vertragingen in zorg, secundaire effecten van maatregelen).
- In Duitsland zagen eerdere studies dat de oversterfte in 2020 alleen marginaal boven het normale niveau uitkwam, terwijl 2021 en vooral 2022 zorgelijker waren.
- Regionale analyse (deelstaten) maakt het mogelijk om verbanden te leggen met variërende kenmerken per deelstaat, iets wat op nationaal niveau moeilijker is.
De auteurs benadrukken ook dat een goede temporele segmentatie belangrijk is: zij kiezen voor “pandemie-jaren” van april tot maart in plaats van kalenderjaren, omdat hiermee het effect van de start van de pandemie (vanaf ~ april 2020) en het overlappen van golven aan het einde/januari beter gemodelleerd worden.
Hun centrale onderzoeksvragen zijn kort samengevat:
- Hoe groot is de oversterfte per deelstaat per pandemie-jaar?
- Hoe veranderde de regionale patronen in de loop van de drie jaren?
- Wat zijn de correlaties tussen oversterfte en de staatsspecifieke indicatoren? Welke factoren lijken in welke fase relevant?
Methode
3.1 Berekening van verwachte sterfte & oversterfte
De auteurs gebruiken een actuarieel model gebaseerd op:
- bevolkings- en leeftijdsopbouw per deelstaat (statistiek Duitse bureaus)
- levens- en sterftetabellen (life tables) en trends in levensverwachting (“longevity trends”) om te berekenen hoeveel doden verwacht zouden zijn zonder pandemie (“expected deaths”).
- deelstaat-specifieke correctiefactoren (“state factors”) om ervoor te zorgen dat de voorspelling per deelstaat niet uitsluitend op een nationaal gemiddelde sterfte-kans gebaseerd is, aangezien deelstaten qua sterfte-kansen en demografie kunnen afwijken. (Zie figuur in supplementaire materialen)
De “absolute oversterfte” per deelstaat is het verschil tussen geobserveerde doden en de verwachte. De “relatieve oversterfte” is dit verschil uitgedrukt als percentage van de verwachting. (Zie het artikel voor mathematische details).
3.2 Tijd en segmentatie
- De drie “pandemie-jaren” zijn gedefinieerd als:
- Jaar 1 (P₁): april 2020–maart 2021
- Jaar 2 (P₂): april 2021–maart 2022
- Jaar 3 (P₃): april 2022–maart 2023
Hiermee vermijden ze vervorming door het begin van de pandemie in april, en het splitsen van belangrijke golven rond jaarwisseling.
3.3 Verzameling van indicatoren per deelstaat
Voor elke deelstaat verzamelden zij onder meer:
- Aantal officieel gerapporteerde COVID-19-doden per deelstaat per jaar (gesteld in verhouding tot verwachte sterfte).
- Aantal officieel gemelde SARS-CoV-2-infecties per deelstaat.
- Vaccinatiegraad: maandelijkse rapportages van dubbele en drievoudige vaccinaties, per deelstaat.
- Beleidsstringentie (“policy stringency”): hoe strikt de maatregelen waren.
- Demografische en sociaaleconomische factoren:
- Bruto binnenlands product (BBP) per capita als maat voor welvaart.
- Armoederisico (at-risk-of-poverty rate) per deelstaat.
- Gemiddelde leeftijd bevolking.
- Percentage mensen met verzorgingsbehoefte.
- Vertrouwen in instituties: data afkomstig uit een grote enquête vóór de pandemie, waarbij mensen hun vertrouwen in staat, parlement, media etc. konden aangeven.
Voor de factoren die over 2020-2022 weinig veranderden (zoals BBP per capita, armoederisico, gemiddelde leeftijd) namen zij het gemiddelde over de drie jaren, vanwege hoge correlaties per jaar (r > 0.96–0.99).
3.4 Correlatie- en veranderinganalyse
- Zij berekenden per deelstaat correlaties tussen oversterfte en de bovengenoemde indicatoren voor elk jaar.
- Daarnaast analyseerden zij verandering-scores (Δ) (bv. verandering in oversterfte van jaar 1 naar jaar 2) en keken of die associëerden met vaccinatiegraad e.d., om time-invariant confounders beter te hanteren.
3.5 Statistische significantie
Er worden Pearson-correlaties gerapporteerd met p-waarden, en de auteurs maken onderscheid tussen sterke correlaties in vroege jaren (jaar 1,2) versus het derde jaar (jaar 3). Zie tabel 4 in artikel voor detail.
Resultaten
4.1 Oversterfte per deelstaat per jaar
- In het eerste pandemie-jaar (P₁) was de gemiddelde oversterfte in Duitsland gematigd, maar met grote regionale variatie: sommige deelstaten hadden nauwelijks oversterfte of zelfs een tekort aan sterfte, terwijl andere (zoals de deelstaat Saxony) hoog zaten.
- In het tweede pandemie-jaar (P₂) nam de gemiddelde oversterfte iets toe, maar het patroon bleef grotendeels vergelijkbaar: deelstaten die in jaar 1 laag scoorden, bleven relatief laag; degenen die hoog zaten, bleven relatief hoog; de rangorde was redelijk stabiel (correlatie tussen jaar 1 en 2: r = 0.63, p=0.009).
- In het derde jaar (P₃) gebeurde er iets wezenlijks anders:
- De gemiddelde oversterfte nam sterk toe.
- De spreiding tussen deelstaten nam af ( standaarddeviatie daalde van 2.33 (jaar 2) naar 1.66 (jaar 3) ) — dat wil zeggen: de verschillen tussen deelstaten werden kleiner.
- De rangorde verschuifde: deelstaten die aanvankelijk relatief weinig oversterfte hadden, kregen nu relatief grotere toename. Correlatie tussen cumulatieve oversterfte in eerste twee jaren en oversterfte in derde jaar: r = −0.47 (p ≈ 0.069); voor verandering van jaar 2 → 3: r = −0.86 (p<0.001).
Deze drie kenmerken samen wijzen erop dat er een nieuw veroorzakend mechanisme optrad in jaar 3, dat voor alle deelstaten in meer of mindere mate gold, en dat de eerdere regionale patroon (sterke variatie, stabiele rangorde) deels werd doorbroken.
4.2 Correlatiematrix tussen oversterfte en indicatoren
In tabel 4 van het artikel worden de correlaties per jaar weergegeven. Belangrijkste bevindingen:
(a) COVID-19 gerelateerde correlaties
- In jaar 1: Oversterfte per deelstaat is zeer sterk positief gecorreleerd met gerapporteerde COVID-19-doden (r = 0.96, p<0.001).
- In jaar 2: Nog steeds sterk positief (r = 0.89, p<0.001).
- In jaar 3: Correlatie niet significant meer (r = 0.32, p=0.23).
- Aantekening: de gerapporteerde COVID-19-doden waren in jaar 1 en 2 aanzienlijk groter dan de oversterfte — d.w.z. officiële COVID-19-doden overschatten de toename in totale sterfte, wat suggereert dat niet alle officiële COVID-19-doden werden gevolgd door een netto toename in totaal aantal doden boven verwacht.
- Voor infecties: In jaar 3 is er een positieve correlatie tussen SARS-CoV-2-infecties en oversterfte, maar paradoxaal genoeg bleek hoger infectie-cijfers in jaar 1 of 2 samen te hangen met lagere oversterfte in jaar 3 — wat het argument tegen ‘long-COVID’ als hoofddriver van jaar 3 ondersteunt.
(b) Vaccinatiegraad
- In jaar 1: geen vaccinaties relevant (vaccinatie nog niet beschikbaar), maar er is toch een sterke negatieve correlatie tussen vaccinatiegraad (als later gemeten) en oversterfte — wat uiteraard geen causaal verband kan zijn, maar een indicatie van een derde factor.
- In jaar 2: Negatieve correlatie tussen vaccinatiegraad en oversterfte, wat op het eerste gezicht doet vermoeden dat vaccinaties oversterfte verlaagden. Echter, gezien de negatieve correlatie al in jaar 1 (zonder vaccinaties) wijzen de auteurs erop dat dit waarschijnlijk door een tijd-invariabele derde factor komt.
- In jaar 3: Positieve correlatie tussen vaccinatiegraad en oversterfte: deelstaten met hogere vaccinatiegraad hadden relatief grotere toename in oversterfte. Deze relatie bleef significant wanneer gekeken werd naar verandering in oversterfte van jaar 2 → 3 en gecontroleerd werd voor de sterfte in de voorgaande jaren.
- Bovendien: in jaar 3 daalden de officiële COVID-19-doden wel, maar de daling was minder sterk in deelstaten met hogere vaccinatiegraad — en ook de daling in case fatality rate (CFR) was kleiner in die deelstaten.
(c) Andere factoren (BBP, armoederisico, gemiddelde leeftijd, verzorgingsbehoefte, vertrouwen in instituties)
- Veel van deze factoren lieten geen consistente of geen sterke correlatie zien met oversterfte in de verschillende jaren.
- Een uitzondering: “vertrouwen in instituties” toonde in jaar 3 een correlatie met oversterfte, maar deze relatie werd geheel gemedieerd door vaccinatiegraad — d.w.z. deelstaten met hoger vertrouwen in instituties hadden hogere vaccinatiegraad, en die hogere vaccinatiegraad correleerde weer met hogere oversterfte. (PubMed)
Interpretatie & Discussie
5.1 Eerste twee pandemiejaren (jaar 1 en 2)
- De sterke positieve correlatie tussen oversterfte en COVID-19-doden in jaar 1 en 2 suggereert dat in deze jaren het belangrijkste deel van de oversterfte veroorzaakt werd door COVID-19-directe effecten.
- Tegelijkertijd wijzen de auteurs erop dat de officiële COVID-19-doden veel hoger waren dan de gemeten oversterfte, wat suggereert dat de officiële cijfers ofwel overlappende of niet-extra sterfte bevatten, of dat andere factoren (zoals minder doden door influenza of vertraging in zorg) de totale sterfte beïnvloedden.
- Het gegeven dat in jaar 2 de officiële COVID-19-doden afnamen, maar de oversterfte enigszins steeg, wijst erop dat toch ook bijkomende factoren een rol speelden — mogelijk indirecte effecten van de pandemie of maatregelen, of een verandering in populatie-dynamica.
- De correlatie tussen vaccinatiegraad en lagere oversterfte in jaar 2 kan dus niet per se worden geïnterpreteerd als vaccinatie-effect: de negatieve correlatie bestond al in jaar 1 (voor vaccinaties), wat erop duidt dat deelstaten met een betere uitgangspositie (bv. goede zorg, gezondheid) zowel minder oversterfte hadden als later hoger vaccinatieniveau bereikten. (Confounder-probleem).
5.2 Derde pandemie-jaar (jaar 3)
- Het derde jaar toont een andere dynamiek: de oversterfte stijgt sterk, de correlatie met COVID-19-doden verdwijnt, en de regionale variatie neemt af. Dit wijst op het optreden van een additionele of andere veroorzaker van oversterfte, los van direct COVID-19-sterfte.
- De positieve correlatie tussen vaccinatiegraad en oversterfte is opvallend: hogere vaccinatiegraad ging samen met hogere oversterfte. Dit blijft gelden na correctie voor sterfte in voorgaande jaren en andere confounders. Volgens de auteurs roept dit vragen op: zij benadrukken “the need for urgent investigation into potential unintended effects of vaccination or other previously neglected mortality drivers.”
- Ze sluiten mogelijke verklaringen uit:
- Het kan niet worden toegeschreven aan langdurige COVID-19-gevolgen (“Long COVID”), want hogere infectiecijfers in eerdere jaren gingen samen met lagere oversterfte in jaar 3.
- Het is ook niet logisch te verklaren door extra COVID-19-doden, want die verminderden juist in jaar 3, en correlatie met die officiële doden was laag.
- De auteurs verwijzen naar andere studies waarin in bijvoorbeeld één Duitse stad een influenza-golf in einde 2022 (!) verantwoordelijk bleek voor een forse extra sterfte, groter dan alle COVID-golven samen in die stad — dit suggereert dat influenza of andere ziekten/golven mogelijk de driver waren.
5.3 Mogelijke verklaringen & open vragen
Verschillende mogelijke scenario’s voor jaar 3 worden geopperd:
- Een nieuwe extra sterftebron: bv. ernstige influenza-golf, andere infectieziekten, verstoorde zorg, effecten van maatregelen of veranderde populatie-gezondheid.
- Mogelijke ongewenste effecten van vaccinaties — zij benadrukken dat de correlatie het niet automatisch betekent dat vaccinaties de oorzaak zijn, maar dat dit verband niet genegeerd mag worden en verder onderzocht moet worden.
- Het feit dat de correlatie positief is en regionaal consistent maakt het volgens de auteurs noodzakelijk om verdere data en onderzoek in te zetten (bijv. op deelstaat- of lokaal niveau, met specifieke doodsoorzaken).
- Ze waarschuwen voor automatische interpretatie in de richting “vaccinaties werkten niet”: omdat confounders, selectie-effecten en tijdsverloop complex zijn.
- Ze pleiten voor het onderscheid tussen verschillende mechanismen in verschillende jaren – wat werkte in jaar 1/2 (directe COVID-19-sterfte) is duidelijk anders dan wat jaar 3 liet zien.
5.4 Sterktes en beperkingen
Sterke punten:
- Gedetailleerde regionale analyse (16 deelstaten), met eigen berekening van verwachte sterfte via actuariële methoden en deelstaat-correctie.
- Goede segmentatie per jaar en tijdsintervallen waarmee golven beter worden beschreven.
- Zij maken expliciet onderscheid tussen direct COVID-19-sterfte en totale oversterfte, en analyseren meerdere factoren.
Beperkingen:
- Correlatie is geen causaliteit — verbanden zijn beschrijvend.
- Data zijn op deelstaat-niveau, niet op individueel niveau; doodsoorzaken voor oversterfte zijn niet opgesplitst (dus niet precies te zeggen door welke doden de oversterfte kwam).
- Vaccinatiecijfers, infectiecijfers en maatregelniveau zijn op aggregaatniveau; mogelijke verstorende factoren (bv. gezondheidsstatus vóór pandemie, regionale zorgcapaciteit) zijn niet volledig gemodelleerd.
- De onverwachte toename in jaar 3 vergt verdere data; zij zelf geven geen definitieve verklaring.
- Mogelijke invloed van andere ziektes (bv. influenza) of andere externe factoren zoals extreme hitte, milieu-inslagen etc. zijn niet volledig in de data opgenomen.
Conclusies
- In Duitsland was de gemiddelde oversterfte gedurende de eerste twee pandemiejaren (2020-2022) gematigd, met duidelijke regionale verschillen die relatief stabiel bleven per deelstaat.
- In het derde jaar (2022-2023) steeg de oversterfte aanzienlijk in vrijwel alle deelstaten, terwijl de regionale variatie kleiner werd en sommige deelstaten die aanvankelijk weinig getroffen waren, relatief harder werden.
- In jaar 1 en 2 is de oversterfte sterk gecorreleerd met officieel gerapporteerde COVID-19-doden – wat suggereert dat direct COVID-19-sterfte de voornaamste driver was in die jaren.
- In jaar 3 is deze correlatie verdwenen, en in plaats daarvan valt op dat de vaccinatiegraad en het vertrouwen in instituties (gemedieerd door vaccinatiegraad) de enige duidelijke associaties tonen — met het verrassende patroon dat hogere vaccinatiegraad geassocieerd is met grotere oversterfte.
- Deze bevindingen roepen op tot nader onderzoek naar mogelijke ongeziene sterftedrivers (zoals ernstige influenza-golven, andere ziekten of indirecte gevolgen van maatregelen) én tot nader onderzoek naar eventuele ongewenste effecten van vaccinatieprogramma’s.
- De auteurs benadrukken dat beleids- en onderzoeksdiscours niet mogen blijven hangen in de assumptie “COVID-19 = oversterfte”, maar dat de overlappende en veranderende mechanismen in verschillende fasen netjes onderscheiden moeten worden.
Tot zover de samenvatting.
Bradford Hill-analyse
Toegepast op de observatie dat in Duitsland de toename van oversterfte in 2022–2023 per deelstaat het sterkst samenhangt met de eerder bereikte vaccinatiegraad.
1. Sterkte van de associatie
De samenhang tussen vaccinatiegraad en de toename van oversterfte (jaar 2→3) is duidelijk, substantieel en statistisch sterk.
Na controle voor eerdere sterfte en andere variabelen blijft vaccinatiegraad de enige robuuste voorspeller over.
2. Consistentie
Binnen Duitsland komt hetzelfde patroon naar voren in verschillende analysestrategieën, inclusief change-scores die deelstaat-specifieke, tijdsinvariante factoren wegfilteren.
Vergelijkbare late-pandemische patronen (oversterfte die niet langer door COVID-sterfte wordt verklaard) worden ook gezien in Oostenrijk en in heranalyse van Europese jaardata.
3. Specificiteit
Oversterfte kan meerdere oorzaken hebben, maar van alle geteste factoren (COVID-doden, infecties, maatregelen, demografie, welvaart, zorgbehoefte) blijkt alleen vaccinatiegraad stabiel samen te hangen met de sterftestijging in 2022–2023.
Dat maakt de relatie niet exclusief, maar wel opvallend gericht.
4. Tijdsvolgorde
De vaccinatiegraad stabiliseert vóór 2022–2023.
De grote verschuiving in het sterftepatroon volgt daarna.
De noodzakelijke voorwaarde — oorzaak vóór effect — is hier vervuld.
5. Dosis-responsrelatie
Deelstaten met een hogere vaccinatiegraad laten een grotere stijging van de oversterfte zien.
Dit is een duidelijk monotone relatie op populatieniveau en functioneert als een dosis-responsachtig patroon.
6. Biologische plausibiliteit
In de literatuur bestaan meerdere plausibele mechanismen die een bijdrage aan oversterfte mogelijk maken (cardiovasculaire en trombotische processen, auto-immuunreacties, immuundisregulatie).
Het waargenomen Duitse patroon is daarmee biologisch goed verklaarbaar.
7. Coherentie met andere waarnemingen
In meerdere landen ontstaat na 2021 een vorm van oversterfte die niet meer samenvalt met COVID-golven.
De Duitse tijdreeksen laten een duidelijke trendbreuk zien vanaf voorjaar 2021.
De hypothese van een vaccingerelateerde component is hiermee goed verenigbaar.
8. Experimenteel bewijs / omkeerbaarheid
Echte experimentele toetsing ontbreekt (zoals vrijwel altijd bij populatie-interventies).
Wel benaderen de change-score-analyses een vorm van vóór/na-vergelijking binnen dezelfde populaties.
Niet sterk, maar wel aanwezig.
9. Analogie met bekende situaties
Er bestaan duidelijke precedenten waarbij grootschalige biomedische interventies onverwachte veiligheidsproblemen laten zien die pas op populatieniveau zichtbaar worden.
De analogie ondersteunt de plausibiliteit van een causale component.
Samenvattende conclusie
In de Duitse data voldoen meerdere Bradford-Hill-criteria op een niveau dat ongebruikelijk sterk is voor een observatiestudie. De combinatie van een sterke en robuuste associatie, correcte tijdsvolgorde, een dosis-responsachtig patroon, biologische plausibiliteit en coherentie met andere sterftewaarnemingen maakt dat vaccinatiegraad een serieuze kandidaat-verklaring is voor (een deel van) de oversterfte in 2022–2023. Niet als sluitend bewijs, maar als zwaarwegend signaal dat gericht, individueel-niveau onderzoek noodzakelijk en onvermijdelijk maakt.
Wat gaat hier nu mee gebeuren?
- Voor beleidsmakers en gezondheidsonderzoekers is het met goed fatsoen onmogelijk om niet breed te gaan kijken naar sterftecijfers. Dus niet alleen naar COVID-19-doden en naar niche deelsegmenten voor de interne structurering van de zorg, maar naar all-cause sterfte. Maar goed, wat verbaast ons nog…
- Voor vervolgstudies is behoefte aan data voor onafhankelijk onderzoek dus transparante, bruikbare ongemanipuleerde data. Sterfte-analyse per doodsoorzaak, per regio, met vaccinatiestatus, co-morbiditeit, zorgcapaciteit, infectiegeschiedenis etc.
- In het publieke debat: altijd voorzichtig zijn met interpretaties dat vaccinatie automatisch sterfte vermindert, op basis van deze ecologische regionale associaties – maar ook die associatie niet standaard afdoen met “toevallig”, “vergrijzing” of “uitgestelde zorg”.
JVI merkte in de vorige post al op dat hij een sectie miste die wel in de preprint stond: over miskramen. Dat comment staat hier en daar hoort deze grafiek bij.
Meer over deze studie lezen? Zie Maurice, Robin de Boer op zijn Substack en Herman Steigstra op X.