Content uploaded by Ronald Meester
Author content
All content in this area was uploaded by Ronald Meester on Aug 20, 2024
Content may be subject to copyright.
1
Eindverslag van het onderzoek naar een
mogelijke relatie tussen Covid-19 vaccinaties
en oversterfte in Nederland 2021 - 2023
Juli 2024
Ronald Meester
1
en Marc Jacobs
2
1
Prof. dr. Ronald Meester is hoogleraar Waarschijnlijkheidsrekening aan de Vrije Universiteit in Amsterdam;
r.w.j.meester@vu.nl.
2
Dr. Marc Jacobs is onaankelijk datawetenschapper en stassch consultant; MSJadvies@gmail.com.
2
“In het verleden kregen veel mensen de vraag, ‘Kunt u bewijzen dat transvetten
schadelijk zijn’, waarbij ze gedwongen werden met bewijs op de proppen te komen –
wat ze uiteraard niet konden want het duurde tientallen jaren voordat de schade zich
openbaarde.”
Nassim Nicholas Taleb in Antifragiel (2012).
“During the pandemic, it was emphasised by politicians and the media on a daily
basis that every COVID-19 death mattered and every life deserved protection
through containment measures and COVID-19 vaccines. In the aftermath of the
pandemic, the same morale should apply. Every death needs to be acknowledged
and accounted for, irrespective of its origin. Transparency towards potential lethal
drivers is warranted.”
Saskia Mostert, Marcel Hoogland, Minke Huibers en Gertjan Kaspers in Excess mortality
across countries in the Western World since the COVID-19 pandemic: ‘Our World in Data’
estimates of January 2020 to December 2022, BMJ Public Health 2024;2:e000282.
doi:10.1136/ bmjph-2023-000282.
“The intuitive mind is a sacred gift and the rational mind is a faithful servant. We
have created a society that honors the servant and has forgotten the gift.”
Albert Einstein
3
Inhoud
Hoofdstuk 1: Inleiding en verantwoording - 4
Hoofdstuk 2: Oversterfte in Nederland – een overzicht - 9
Hoofdstuk 3: Enkele aanwijzingen via gepubliceerde bijwerkingen - 22
Hoofdstuk 4: Een meta-analyse van de literatuur - 28
Hoofdstuk 5: Macro-analyses - 55
Hoofdstuk 6: Analyses op basis van CBS microdata - 68
Hoofdstuk 7: Betrouwbaarheid van de data - 134
Hoofdstuk 8: Medische overwegingen - 143
Hoofdstuk 9: Conclusies en aanbevelingen - 162
4
Hoofdstuk 1
Inleiding en verantwoording
Voor u ligt het eindverslag van ons onderzoek naar een mogelijke relae tussen Covid-19
vaccins en de aanhoudende overstere in Nederland. Het is weliswaar ons eindverslag, maar
dat wil niet zeggen dat alles hiermee is gezegd. Hoewel wij zullen concluderen dat er zeker
aanwijzingen zijn die wijzen op een rol van de vaccins bij de huidige overstere, is het
onmogelijk om binnen de jd en de nanciële middelen die wij tot onze beschikking hadden
tot een denief antwoord te komen, als dat überhaupt al mogelijk zou zijn op dit moment.
De situae is namelijk bijzonder complex.
Daarnaast speelt er nog iets anders mee. Zoals u zult lezen hebben we grote
vraagtekens bij de data die ons werden aangeleverd via onder meer het CBS en het RIVM.
Zoals we zullen uitleggen zijn er goede argumenten die sterk suggereren dat deze data niet
betrouwbaar zijn. Waarom de data onbetrouwbaar zou zijn weten we niet, we stellen het
slechts vast. Maar het is evident dat dit het doen van goed onderzoek doen ernsg
belemmert.
Wij waren oorspronkelijk van plan om een onderzoek naar een mogelijke relae
tussen Covid-19 vaccinaes en de overstere in Nederland genancierd te krijgen door
ZonMw. Ons onderzoeksvoorstel – inhoudelijk overeenkomend met een gedeelte van het
hier gepresenteerde onderzoek – werd echter afgewezen. Ons onderzoek zou niet
uitvoerbaar zijn in de beschikbare jd, en wij zouden hiervoor ook niet voldoende experse
in huis hebben.
Daarna hebben we gezocht naar een manier om het onderzoek toch te nancieren,
en dit resulteerde in een crowdfunding iniaef in samenwerking met de Schng De
Menselijke Maat.
3
We zijn de schng veel dank verschuldigd voor de bijzonder prege
samenwerking en het in ons gestelde vertrouwen. We zijn ook vooral veel dank verschuldigd
aan alle mensen die nanciëel hebben bijgedragen aan dit onderzoek. Het gaf ons de
overtuiging dat veel mensen net als wijzelf vinden dat dit onderzoek moest plaatsvinden.
Wij zijn als onderzoekers inhoudelijk onaankelijk en hebben geen conicterende
belangen. We zijn ons tegelijkerjd scherp bewust van de maatschappelijke spanning rond
dit onderwerp. Voor veel mensen is het feit dat we hier onderzoek naar willen doen al
voldoende om ons als anvaxers of verspreiders van desinformae weg te zeen. Gezien de
enorme vaccinaedrang en soms -dwang die in ons land jdens de pandemie werd
uitgeoefend is het onderwerp natuurlijk ook poliek brisant. Iedereen die jdens de
3
Academisch onderzoek naar een mogelijke relae tussen vaccinae en overstere - Schng De Menselijke
Maat
5
pandemie twijfels uie bij het nut of de noodzaak van de vaccinaes werd al snel door de
media en de poliek als desinformant afgeschilderd – dat is ons ook overkomen, zelfs
expliciet door landelijke gezagsdragers. In die omstandigheden is de waarheid doorgaans het
eerste slachtoer. Met dit onderzoek proberen we iets dichter bij die waarheid te komen. We
hopen dat de media, de medici en de poliek niet hun gebruikelijke Pavlov-reace gaan
vertonen bij het lezen van dit rapport.
We hebben ons bij het onderzoek veelal beperkt tot Nederland, behalve bij de meta-
analyse van de literatuur, de data van de EMA en de trial van AstraZeneca. Deze keuze had
alles te maken met gebrek aan jd en geld; we hadden onze handen hier al behoorlijk vol
aan. Het is overigens ook niet aljd gezegd dat internaonale vergelijkingen zinvol zijn. De
economische, sociale en gezondheidssituae tussen landen is vaak heel verschillend, en
zeker zoiets als overstere kan in verschillende landen heel verschillende dingen betekenen
die zich maar moeilijk laten vergelijken. De temporele relaes tussen de Covid-golven en de
vaccinaes zijn bijvoorbeeld in elk land weer anders. Maar hoe het ook zij, wij beperken ons
vooral tot de situae in Nederland maar merken wel op dat in Engeland vergelijkbare
conclusies zijn getrokken.
4
We vinden het belangrijk dat ons onderzoek navolgbaar is. In principe zeggen we er
aljd bij waar de data te vinden zijn, en welke methodes we hebben gebruikt. Dat betekent
echter niet onmiddellijk dat iedereen ons onderzoek zomaar kan repliceren. Voor ons
onderzoek op macro niveau gebruiken we soms rekensoware die online beschikbaar is,
maar die iemand ook gewoon zelf zou kunnen ontwikkelen: wát we uitrekenen wordt aljd
duidelijk gemaakt.
Sommige data zijn echter niet of nauwelijks toegankelijk. Zo is de CBS-microdata
(waar we ten behoeve van dit rapport middels een van de hieronder genoemde
onderzoekers toegang toe hadden) alleen onder zeer strikte voorwaarden toegankelijk, en is
het dus niet mogelijk om onze conclusies makkelijk te veriëren. Het spreekt voor zich dat
wij dit een onwenselijke situae vinden: alle modellen en data die bij een dergelijk
onderzoek worden gebruikt dienen in principe vrij toegankelijk te zijn voor alle
wetenschappers. Natuurlijk kan iedereen met toegang tot deze microdata ons werk
repliceren.
We hebben het werk niet alleen maar met ondergetekenden uitgevoerd. We prijzen
ons gelukkig met collega-onderzoekers die heel veel werk hebben verricht. Het kernteam
bestond naast onszelf uit:
Dr. Bram Bakker, datawetenschapper, verbonden als parttime onderzoeker aan
Amsterdam UMC/Amsterdam Medical Research BV en aan Cygnify BV;
Dr. Jona Walk, arts en onderzoeker immunologie en infeceziekten;
Jan Bonte, neuroloog.
4
Zie bijvoorbeeld ook Figuur 56.
6
Daarnaast zijn er nog enkele andere onderzoekers geweest die bijdrages hebben geleverd
aan sommige hoofdstukken: drs. Herman Steigstra, drs. Anton Theunissen en Wouter
Aukema. We geven per hoofdstuk in een voetnoot aan wie aan dat specieke hoofdstuk
hee bijgedragen.
Waar hebben we ons precies mee beziggehouden? Welnu, een onderzoek als dit kent
vele faceen. Sowieso is elk onderzoek waarbij stasek, modellen en getallen een rol
spelen gebaat bij verschillende gezichtspunten en benaderingen. We hebben geprobeerd om
gebruik te maken van wat er zoal aan data beschikbaar waren. Dit hee tot gevolg dat de
keuze van de onderwerpen op detailniveau soms een kje ad hoc lijkt: zo bespreken we een
trial van AstraZeneca omdat die gegevens toevallig beschikbaar kwamen jdens de
uitvoering van ons werk. We hebben soms het werk van anderen bestudeerd, soms opnieuw
geïnterpreteerd, en soms hebben we ook een geheel nieuwe eigen analyse gemaakt – vooral
van de CBS microdata en de macrocijfers van het CBS en het RIVM.
We geven nu een overzicht van de opzet van dit rapport. In Hoofdstuk 2 beginnen we
met een impressie van de overstere in Nederland. Overstere is een feit als er meer
mensen sterven dan je verwacht, en dat maakt deze verwachng cruciaal. Het betekent dat
overstere model-aankelijk is, en dat we dus goed moeten uitzoeken wat de beste manier
is om verwachte stere te deniëren en daarna vast te stellen. We benaderen het fenomeen
overstere iets anders dan het CBS, maar het is geruststellend dat onze conclusies op dat
punt niet veel afwijken van die van het CBS. Wij concluderen dan ook dat de overstere zélf
niet of nauwelijks ter discussie staat. In de toekomst kan dat overigens nog veranderen.
Recentelijk hee het RIVM bijvoorbeeld aangegeven dat de verwachte stere voor de
komende jaren naar boven wordt bijgesteld. Vanuit sociaalgeograsch oogpunt is dat
begrijpelijk maar voor een studie naar overstere is dat niet verstandig.
In Hoofdstuk 3 gaan we in op gerapporteerde bijwerkingen van de vaccins, aan de
hand van data van AstraZeneca en de EMA. Deze data laten zien dat we bijwerkingen
(inclusief mogelijk overlijden) absoluut serieus moeten nemen.
Vervolgens rapporteren wij over onze literatuurstudie, in Hoofdstuk 4. Er is over de
vaccins extreem veel gepubliceerd in zeer korte jd, en deze publicaes waren, we zeggen
het voorzichg, niet allemaal van hoge kwaliteit. In een situae waarin beleid ondersteund
wordt door wetenschappelijke publicaes is dat natuurlijk een serieus probleem. Naast de
vraag wat deze wetenschap ons in dit dossier dan eigenlijk vertelt, is het een groter
maatschappelijk probleem dat geluiden uit de wetenschappelijke hoek veel te snel als
waarheid worden gezien. Vaak zijn het gewoon meningen van wetenschappers, en dat is heel
wat anders.
Hoofdstuk 5 behandelt macro-data: globale gegevens waaraan je ook kunt rekenen en
waaruit soms ook conclusies te trekken zijn. Dergelijke conclusies moeten aljd met enige
terughoudendheid bekeken worden, maar als heel verschillende macro-data toch ongeveer
dezelfde kant op wijzen kan dat wel degelijk een onderdeel van de argumentae worden.
Soms is het nodig om uit te zoomen om niet afgeleid te worden door details. Stasek is ook
nooit een kwese van één gezichtspunt: als een beeld consistent opdoemt vanuit
7
verschillende benaderingen dan zegt dat iets. De macro-data gaan vooral, maar niet
uitsluitend, over kortere termijn eecten van vaccinaes.
Daarna, in het lange Hoofdstuk 6, rapporteren wij de bevindingen van ons onderzoek
met behulp van de micro-data van het CBS en het RIVM. Dat onderzoek is uitgevoerd door
en in samenwerking met Amsterdam UMC onderzoekers, als extra onderdeel van het
lopende oversterfte-project daar en middels co-sponsoring. Dat onderzoek had binnen de
micro-data omgeving ook beschikking over de vaccinatiedata op individueel persoonsniveau.
De eerder genoemde dataproblemen behandelen we nog iets gedetailleerder in
Hoofdstuk 7. Wij beschouwen de kennelijk onbetrouwbare data als een belangrijk aspect van
ons onderzoek, omdat daarmee duidelijk wordt dat uitspraken van het CBS wat betre de
eecten van de vaccins, niet betrouwbaar kunnen zijn. We zeggen dit niet zomaar, maar
onderbouwen dit met een gedegen analyse van de situae. Het is bovendien niet alleen een
probleem van het CBS; we zullen zien dat er ook problemen zijn met de data op Europees
niveau. We zullen overigens geen poging doen om te achterhalen waaróm de data
onbetrouwbaar zijn. Wel vinden wij dat daar een diepgaand onderzoek naar zou moeten
plaatsvinden.
Tensloe is het natuurlijk zo dat een mogelijke relae tussen vaccins en mortaliteit
ook medisch-biologische begrepen of geduid moet kunnen worden. Stasek alleen zal in
zichzelf nooit helemaal bevredigend kunnen zijn. De vraag of er aanwijzingen in die richng
te vinden zijn, beantwoorden we tot op zekere hoogte in Hoofdstuk 8, waarna we in
Hoofdstuk 9 afsluiten met conclusies en aanbevelingen.
Het is al met al een lijvig rapport geworden met erg veel informae. Als service voor
de lezer beginnen we elk hoofdstuk met een zo kort mogelijke samenvang van de
bevindingen uit dat hoofdstuk. De overvloed aan gegevens kan ook bijdragen aan een gevoel
van overweldiging: wat kunnen we op basis van onze bevindingen nu werkelijk concluderen
over de veiligheid (en werkzaamheid) van de vaccins?
Overtuigingen zijn persoonsaankelijk, en onderzoekers die dezelfde data hebben
trekken soms (of vaak) toch heel verschillende conclusies. Om toch overtuigd te raken van
een hypothese die je eerder bizar ache heb je erg veel bewijs nodig, terwijl je bij een
hypothese die toch al heel logisch leek met minder bewijs genoegen neemt. Dat fenomeen is
normaal, helemaal niet controversieel en ligt ten grondslag aan het zogenaamde Bayesiaanse
paradigma in de stasek. Het is precies dit Bayesiaanse paradigma dat wij als uitgangspunt
nemen, en dat de lezer ook kan helpen om zijn of haar eigen mening te vormen.
Binnen dat paradigma zijn er aljd minimaal twee hypotheses die in aanmerking
komen als verklaring voor een bepaald fenomeen of verschijnsel. Over deze mogelijke
verklaringen lopen de meningen a priori zeker uiteen. Vervolgens kun je nagaan of nieuwe
inzichten en nieuwe gegevens beter te begrijpen zijn vanuit de ene of vanuit de andere
hypothese. Op die manier kan een oorspronkelijke overtuiging soms bevesgd worden maar
soms ook juist niet. Dat is de manier waarop wij naar de gegevens kijken: zijn die beter te
verklaren vanuit de gedachte dat de vaccins hebben bijgedragen aan de overstere of niet?
8
Ons uitgangspunt daarbij is dat we het zeker niet onmogelijk achten dat er een relae
bestaat – een houding die volgens ons op dit moment de enige juiste is omdat we ons in een
nieuwe situae bevinden: een massale medische intervene jdens een pandemie met een
nieuw product waarna er gedurende lange jd een onverklaarde overstere optreedt.
Helaas is het ook zo dat een mogelijke relae tussen vaccins en hoge stere voor een
aantal mensen al bij voorbaat onbespreekbaar is. Wij kennen bijvoorbeeld
wetenschapsjournalisten en polici voor wie de vaccins als mogelijke mede-verklaring voor
de hoge stere ondenkbaar zijn. Die mensen zullen moeilijk overtuigd kunnen worden,
omdat een verandering van een dergelijke a priori-houding extreem veel bewijs vraagt.
Sterker nog, als je iets zeker weet zal je nooit meer van mening veranderen. Een dergelijke
opstelling staat de waarheidsvinding uiteraard zeer in de weg.
De lezer kan zijn of haar vooroordeel (dat we allemaal hebben) onder ogen zien, en
zichzelf daarna de vraag stellen of de gegevens en data in dit rapport beter passen bij de
hypothese dat de vaccins niet of nauwelijks bijdragen aan de overstere, of bij de hypothese
dat ze dat wel doen. Het komt ons voor dat een dergelijke benadering de enige manier is om
er maatschappelijk verder mee te komen. Zoals Francis Bacon al zei: de waarheid is niet de
dochter van autoriteit maar van de jd. We hopen met dit rapport iets bij te dragen aan de
waarheidsvinding in dit beladen dossier.
Ronald Meester en Marc Jacobs
Juli 2024
9
Hoofdstuk 2
Overstere in Nederland – een overzicht
5
Samenvang
We leggen uit hoe wij verwachte sterfte berekenen, en hoe dit impliceert dat de oversterfte
reëel is. Onze verwachting wijkt niet veel af van de tijdens de coronajaren gehanteerde norm
van het CBS. Oversterfte is geen kwestie van wekelijks of maandelijks tellen om te zien of je
in die week of maand binnen de ‘bandbreedte’ van de verwachting blijft. Het gaat om het
cumulatieve effect, en bovendien moet je er rekening mee houden dat je na oversterfte
ondersterfte verwacht. Als die uitblijft is er verborgen oversterfte. Vanaf 2021, het jaar
waarop vaccineren tegen Covid-19 begon, zien we een zeer afwijkend sterftepatroon in
Nederland, zowel in omvang als in moment van overlijden.
Inleiding
Oversterfte is een maat voor hoeveel mensen er meer overlijden dan je zou verwachten, en
treedt bijvoorbeeld op tijdens of na een epidemie. We merken onmiddellijk op dat het bij
oversterfte van groot belang is hoeveel sterfgevallen je verwacht, en daarmee is ook
duidelijk dat het tot op zekere hoogte een model-eigenschap is. Een ander model voor de te
verwachten sterfte levert andere oversterftecijfers op. Het is dus belangrijk om de te
verwachten sterfte zo realistisch mogelijk in te schatten.
Het CBS geeft elk kalenderjaar een prognose voor de te verwachten sterfte op
weekbasis. Deze prognose is opgesplitst in drie leeftijdscohorten: 0 - 65, 65 - 80 en 80+. Elke
week wordt voor elk van de drie cohorten geteld hoeveel overledenen er zijn. Als het
verschil voor de betreffende week groter is dan een zekere bandbreedte die van tevoren is
bepaald, dan spreekt het CBS van oversterfte. In feite begint het CBS dus elke week met een
schone lei om oversterfte vast te stellen.
Door deze telwijze over een zeer korte termijn is de onzekerheid in de cijfers erg
groot, en is er volgens het CBS al snel geen sprake van oversterfte. Deze methode is om
minstens twee redenen onbevredigend.
Allereerst is het helemaal niet zo dat wanneer je elke week binnen de bandbreedte
blijft, er geen oversterfte zou zijn. Als je elke week aan dezelfde kant van de bandbreedte zit,
dan telt dat over een groter aantal weken wel degelijk op tot oversterfte. Hier is een
analogie die wellicht behulpzaam is. Bij 10 keer werpen met een munt zal een uitkomst van 6
keer kop niet onmiddellijk tot de conclusie leiden dat de munt niet zuiver is. Echter, als je 60
5
Met bijdrages van drs. Herman Steigstra en drs. Anton Theunissen.
10
keer kop werpt bij 100 worpen is er wel degelijk goede reden om aan de zuiverheid van de
munt te twijfelen. Elke keer opnieuw beginnen is dus geen goed idee, want het gaat om het
cumulatieve effect.
Maar er is nog een tweede reden waarom elke week opnieuw beginnen niet correct
is. Na een periode van oversterfte verwacht je een periode van ondersterfte, omdat er
tijdens de oversterfte-periode mensen met zwakke gezondheid vaker zijn overleden. Als je
die daaropvolgende ondersterfte niet aantreft, is dat in feite ook oversterfte, hoewel deze
dan enigszins verborgen is in de dynamiek van de cijfers.
Naast deze problemen moeten we natuurlijk ook goed kijken waar het CBS haar
verwachtingen op baseert. Sinds 2 oktober 2020 gebruikt het CBS een nieuwe methode om
de baseline (de verwachting van het aantal sterfgevallen) vast te stellen. Dit is beschreven op
de website van het instituut.
6
De vijf jaren voor corona (2015 - 2019) dienen tot op heden als
basis voor de prognose tijdens en na de coronajaren. Dat is logisch, want de uitzonderlijke
sterfte tijdens de coronajaren vormt natuurlijk geen goede referentie voor het bepalen van
de verwachting. Met de sterftekansen uit de periode 2015 - 2019 wordt in combinatie met
de jaarlijks geactualiseerde bevolkingsopbouw voor de jaren na 2019 de baseline bepaald.
Deze baseline is de verwachting die het CBS gebruikt om uitspraken te doen over de
oversterfte.
De baseline die wij zelf hieronder in dit hoofdstuk bepalen blijkt wat hoger uit te
vallen dan die van het CBS. Dit betekent dat het zeker niet aan onze verwachting ligt dat wij
wel oversterfte waarnemen waar het CBS dat soms niet doet.
We gebruiken de sterftecijfers en cijfers over de bevolkingssamenstelling van het CBS
zelf, dus ook daar liggen de verschillen niet. Wel laten we zien dat we aan de hand van de
CBS-cijfers voor sterfte en bevolkingssamenstelling een nauwkeurige schatting kunnen
maken van het aantal te verwachten overlijdens per leeftijd bij overlijden. Vervolgens
kunnen we zien hoe het patroon zich heeft gewijzigd sinds de vaccinaties van start zijn
gegaan, hetgeen ons informatie verschaft over de feitelijkheid en de oorzaken van de
oversterfte.
Bij onze analyse maken we uitsluitend gebruik van de primaire data over de periode
2010 -2019 die daarvoor bij het CBS beschikbaar is.
7
8
Met behulp van deze cijfers worden
allereerst per jaar en per leeftijd (dus niet per cohort zoals bij het CBS maar voor elke leeftijd
apart) prognoses berekend voor de sterftekans.
De sterekans
Het te verwachten aantal overlijdens voor elke leeftijd is het product van de
bevolkingsgrootte en de sterftekans. Daarbij moeten we rekening houden met de
ontwikkeling van de levensverwachting. Bij deze berekeningen moeten we zorgvuldig
omgaan met de leeftijd bij overlijden in relatie tot het jaar waarvoor de
bevolkingssamenstelling is getabelleerd. Door gebruik te maken van de combinatie leeftijd
6
Overstere en verwachte stere | CBS
7
StatLine - Bevolking; geslacht, leeijd en burgerlijke staat, 1 januari (cbs.nl)
8
CBS Open data StatLine
11
bij overlijden en de gemiddelde bevolkingssamenstelling voor elk kalenderjaar, voorkomen
we systematische fouten in de berekeningen.
Per leeftijd-kalenderjaar combinatie berekenen we vervolgens de sterftekans als het
quotiënt van het aantal overledenen en gemiddeld aantal inwoners voor dat jaar, telkens
voor mannen en vrouwen apart. Door deze tien kansen (van 2010 - 2019) wordt een
regressielijn berekend.
Ter illustratie geven we in Figuur 1 twee lijnen, voor mannen van 50 respectievelijk 60 jaar
oud. De gestreepte lijnen zijn de berekende trendlijnen door de jaren 2010-2019, de blokjes
zijn de werkelijke overlijdenskansen voor deze 14 jaren (2023 is op basis van een schatting).
Op basis van de opgebouwde oversterfte t/m week 43 is een prognose voor de oversterfte in
2023 opgenomen. Deze lijnen worden voor elke leeftijd berekend.
Figuur 1. Sterekans mannen van 50 en 60 jaar oud.
Voordat we verder gaan, maken we enkele opmerkingen over de regressielijn, die
gebaseerd is op de jaren 2010 – 2019, en die de basis is voor de verwachting van de sterfte
in de jaren erna. Een criticus kan namelijk (terecht) opmerken dat een regressielijn
onmogelijk ‘juist’ kan zijn. Immers, hoewel de sterftekansen kennelijk structureel afnemen,
zal dat in de toekomst onmogelijk lineair kunnen gaan, en uiteindelijk zal de trend moeten
afvlakken.
Dat is natuurlijk correct, maar we hebben vastgesteld dat dit voor de korte termijn
waarover we hier praten (enkele jaren) vrijwel niets uitmaakt. Een geavanceerder model zal
de afname in sterftekans beter kunnen verklaren en voorspellen, en we kunnen ook een
model nemen waarin de sterftekansen op een gegeven moment niet meer dalen. Voor
langere-termijn voorspellingen is dat belangrijk, maar voor het doel van dit rapport niet.
12
De uitkomsten van de berekeningen geven tabellen met sterftekansen per leeftijd-
jaar combinatie. We zien in Figuur 1 overigens al iets opmerkelijks: mannen van 50 werden
in vergelijking tot de verwachte sterftekans kennelijk relatief zwaarder getroffen dan die van
60 jaar oud.
Om meer inzicht te krijgen in het resultaat hebben we voor een tweetal
leeftijdsgroepen de cijfers getotaliseerd als de sterftekansen voor 45-60 jaar en voor 65-80
jaar; nog steeds uitgesplitst naar geslacht. De blokjes in Figuur 2 zijn de percentages
werkelijk overledenen, de streeplijnen zijn de prognoses onder de aanname dat er geen
corona zou zijn geweest.
Figuur 2. Sterekans 45 - 60 jaar, mannen versus vrouwen.
Voor de leeijd 65 - 80 jaar, zie Figuur 3. We zien hier dat in de loop der jaren de
jaarlijkse kans om te overlijden langzaam kleiner wordt. Vrouwen worden nog steeds
gemiddeld ouder dan mannen (de jaarlijkse overlijdenskans is kleiner) maar het verschil
neemt af. De sterekans van mannen in de leeijdsgroep van 65 - 80 jaar is nu even groot als
die van vrouwen ongeveer 20 jaar geleden.
Wat verder opvalt is dat bij vrouwen tussen 45 en 60 jaar de sterftekans tijdens het
eerste corona jaar (2020) wél daalt volgens de meerjarige trend, maar dat er bij de mannen
daarentegen een lichte stijging is te zien. In het eerste jaar dat er gevaccineerd werd, zien
we ook de sterftekans van vrouwen stijgen. Hier is er kennelijk sprake van een verschil
tussen mannen en vrouwen.
13
Figuur 3. Sterekans voor leeijden 65 - 80 jaar, mannen versus vrouwen.
De baseline
Het uiteindelijke doel van deze berekeningen is het verkrijgen van een baseline. De baseline
is het verwacht aantal overlijdens per leeftijd, gebaseerd op de sterfte in de periode 2015
t/m 2019. Deze baseline kunnen we dan gebruiken om de verwachting voor de jaren na 2019
te kunnen inschatten.
Voor elk jaar vermenigvuldigen we de sterftekans voor elke leeftijd met de grootte
van de bevolking voor de betreffende groep, en verkrijgen zo een schatting voor het aantal
te verwachten overlijdens. Zo verkrijgen we dus voor elk kalenderjaar een curve die per
leeftijd de sterfte voorspelt. Het verschil tussen de werkelijke sterfte en de prognose (de
baseline) is dan de oversterfte. Dit is dus een andere baseline dan die het CBS toont, want
dat is er een die het weeknummer als horizontale as heeft. Onze baseline heeft juist lééftijd
op de horizontale as staan, en geeft nu de mogelijkheid om precies te zien wat er met de
sterfte gebeurt in de jaren na 2019 in vergelijking met de jaren ervoor.
In Figuur 4 zien we als voorbeeld de baseline berekend voor 2020 voor zowel mannen
als vrouwen. Wat direct opvalt is de scherpe piek bij de 75-jarigen. Dat is een gevolg van de
babyboom, de geboortegolf in 1946 direct na de Tweede Wereldoorlog.
De onzekerheid
Er is altijd een zekere mate van onzekerheid in de waarden van de baseline. Als eerste
controle vergelijken we of de langs deze weg berekende baseline-waarden overeenstemmen
met de prognose die het CBS afgeeft. Ook de CBS-prognose is een berekening met een
rekenmodel, gebaseerd op de groei van de bevolking. Niet duidelijk is hoe het CBS precies
14
Figuur 4. Baseline voor 2020, mannen versus vrouwen.
rekening houdt met de ontwikkeling van de levensverwachting. Het is interessant om te zien
of onze totaalcijfers over alle leeftijden dicht bij de jaartotalen van het CBS liggen. In Tabel 1
geven we een overzicht van de waarden die volgens ons rekenmodel worden gevonden in
vergelijking met de door CBS gepubliceerde cijfers. We vonden verschillende bronnen bij CBS
met ook verschillende prognoses, waarvan we er hier enigszins willekeurig twee tonen.
9
De
prognose uit 2017 zat voor 2021 en 2022 het dichtst bij de baseline die in 2023 werd
gebruikt.
10
Jaar
Model
CBS 2017
CBS 2023
2018
151.969
150.885
2019
154.000
152.508
2020
155.666
154.253
153.400
2021
156.819
156.107
154.887
2022
158.175
158.035
155.491
Tabel 1. Baseline volgens ons model en volgens het CBS.
De verschillen zijn niet groot en goed te verklaren door de verschillen in
rekentechniek. Zeker in vergelijking tot de oversterfte-aantallen, die liggen in de orde van
9
Overstere in september | CBS
10
StatLine - Prognose overledenen; geslacht en leeijd, 2017-2059 (cbs.nl)
15
grootte van 15.000 per jaar, zijn de verschillen in schattingen acceptabel. Het lijkt er wel op
te wijzen dat het CBS onvoldoende rekening houdt met de vergrijzing van de bevolking,
waardoor onze verwachtingscijfers iets hoger uitvallen zoals we al eerder aankondigden.
De schattingen voor de sterftecijfers van het CBS variëren dus enorm door de jaren
heen. Zo vinden we de gebruikte schatting voor 2020 terug als gepubliceerd op 19 december
2017 van 154.247
11
en op 16 december 2020 is dit gestegen tot 164.092, bijna 10.000 meer
dus.
12
Hier lijkt Covid-19 achteraf verwerkt te zijn in de prognose voor 2020 en later weer
herroepen tot de actuele waarde van 154.253. Het CBS maakt dit op haar website allemaal
niet duidelijk, en het is voor ons niet na te gaan hoe en waarom de methode kennelijk door
de jaren heen wordt aangepast. Wel merkwaardig is dat de baseline kennelijk door de jaren
naar beneden werd bijgesteld, waardoor de oversterfte telkens iets groter leek te worden
volgens het CBS.
Overstere
Nu we voor elke leeftijd een verwachting hebben voor het aantal overlijdens, kunnen we
voor elk coronajaar een grafiek maken van de oversterfte per leeftijd. In het eerste
coronajaar is er vrijwel uitsluitend sprake van oversterfte die wordt toegeschreven aan
corona zelf. In Figuur 5 zien we de grafiek voor de oversterfte in 2020.
Figuur 5. Overstere 2020, mannen en vrouwen.
Om misverstanden te voorkomen merken we op dat dit een hele andere grafiek is dan de
vorige. In de vorige grafiek schetsten we de baseline, die in deze nieuwe grafiek als het ware
is platgeslagen op de horizontale as. In deze nieuwe grafiek kijken we dus naar de sterfte
relatief ten opzichte van de eerder berekende baseline.
11
StatLine - Prognose overledenen; geslacht en leeijd, 2017-2059 (cbs.nl)
12
StatLine - Prognose overledenen; geslacht en leeijd, 2020-2070 (cbs.nl)
16
We zien een totale oversterfte in 2020 van 13.012 en deze volgt een patroon dat we
ook zien bij griepepidemieën: vrijwel alleen oversterfte boven de 65 jaar. Ter vergelijking zijn
de oversterftes in 2018 en 2019 opgenomen, waar er in 2018 een griepepidemie was (groen)
en in 2019 juist geen griep (geel). We zien in 2020 een veel grotere sterfte in dezelfde
leeftijdsgroep dan bij de griep van 2018. We kunnen verder goed zien dat er in 2019 een
ondersterfte te zien is, die spiegelt met de oversterfte in 2018: ondersterfte na oversterfte.
Dat verschijnsel zouden we ook moeten zien in 2021 als gevolg van de hoge oversterfte in
2020.
Onderstere na overstere
Na een periode met oversterfte volgt altijd een periode met ondersterfte. Dat wordt zoals
we al eerder schreven veroorzaakt door het feit dat een griepgolf overwegend de zwakkeren
in de samenleving treft, die dan vervolgens dus feitelijk eerder overlijden dan wanneer er
geen griep geweest zou zijn. Gedurende minstens een jaar na een griepgolf vindt er dan
ondersterfte plaats.
13
Eigenlijk zouden we dus na het eerste corona jaar (2020) een ondersterfte moeten
zien als gevolg van de eerste en tweede coronagolf. Die zien we echter niet, wellicht omdat
de Britse variant en later de Delta variant langskwamen. De werkelijke oversterfte is
daardoor enigszins vertekend door de ondersterfte die we niet zien. Als we een schatting
willen maken van de werkelijke oversterfte, dan moeten we dus een schatting hebben voor
deze onzichtbare ondersterfte.
Om enig gevoel te krijgen voor dit fenomeen grijpen we terug op de voorgaande
jaren (2015 - 2019) waarin jaren met griep afgewisseld werden door jaren zonder griep. We
berekenen de totale oversterfte gedurende de eerste 4 maanden van elk van deze jaren
(waarin er dus griep kan heersen) en vergelijken die met de 8 daaropvolgende maanden. Als
we dat grafisch afbeelden, dan krijgen we Figuur 6.
Op de horizontale as staat de overstere gedurende de eerste 4 maanden van het
jaar. We zien dat er bijvoorbeeld in de eerste 4 maanden van 2015 een overstere van 6629
was, gevolgd door een onderstere van 3111 gedurende de resterende 8 maanden. De
regressielijn door deze punten voorspelt dat 56% van de overstere in de eerste vier
maanden wordt gecompenseerd door onderstere jdens de acht maanden erna – dat zie je
terug in de coëcient van de regressielijn.
We kunnen deze bevindingen natuurlijk niet zomaar toepassen op de oversterfte in
de coronajaren, maar het fenomeen van ondersterfte na oversterfte bestaat dus wel
degelijk. We kiezen in de berekeningen en grafieken hieronder voor een voorzichtige
schatting dat de oversterfte in 2020 voor 50% als ondersterfte in 2021 doorwerkt. Iemand
die dat anders inschat kan eenvoudig zijn of haar eigen keuze hierin maken. Voor hem of
haar zullen de rode stippellijnen in onderstaande grafieken wat anders uitpakken.
13
De complete overstere analyse - Maurice de Hond
17
Figuur 6. Onderstere na overstere voor 2015 t/m 2019.
De overstere in 2021
Op 6 januari 2021 werd in Nederland gestart met vaccineren. In de eerste maanden van
2021 werden de eerste prikken gezet, enkele maanden later de herhaalprikken en in de
herfst de zogenaamde boosters. De verwachting was dat vaccinatie de oversterfte zou
terugbrengen. Niets was echter minder waar, en het is interessant om te zien wat de cijfers
zeggen, zie Figuur 7.
Figuur 7. Overstere 2021, mannen en vrouwen.
We zien dat er vanaf 2021 bij de zeer ouderen enige afname in de overstere te zien is, maar
die is verdwenen als je corrigeert voor onderstere na overstere. De rode sppellijn is de
18
gecorrigeerde overstere, door de overstere in 2020 voor 50% op te tellen bij overstere in
2021, zoals we hierboven hebben uitgelegd. We benadrukken opnieuw dat de grooe van de
correce niet nauwkeurig bepaald kan worden, maar het eect zélf is niet omstreden.
Maar het grootste verschil zien we optreden tussen de 50 en 75 jaar. Vergeleken met
2020 is er in 2021 een extra sterfte van rond de 100 - 200 overlijdens per jaar voor elke
leeftijd in deze categorie.
De overstere in 2022
In 2022 zien we bijna hetzelfde patroon als de jaren ervoor, waarbij we opnieuw
benadrukken dat de grootte van de correctie ter discussie kan staan, zie Figuur 8.
Figuur 8. Overstere 2022.
Vooral de stijgende sterfte onder de groep van 40 - 65 jaar is opvallend. Deze groep wordt
normaal gesproken niet getroffen door griep met dodelijke afloop.
De overstere in 2023
Voor 2023 zijn er bij het schrijven van dit hoofdstuk nog geen cijfers beschikbaar voor het
aantal overlijdens uitgesplitst naar leeftijd en geslacht. Uiteraard zijn er wel cijfers op
weekbasis beschikbaar, en als we deze vergelijken met die voor 2022 zien we vrijwel exact
dezelfde aantallen overlijdens als in 2022. Dat is natuurlijk opvallend, want in 2023 zijn er
vrijwel geen overlijdens meer aan corona. In Nederland worden die niet meer bijgehouden
door de GGD. Er is nog wel een kwartaalrapportage door het CBS waar we gemiddeld twee
overlijdens door Covid-19 per dag lezen.
In Figuur 9 zijn alle voor ondersterfte gecorrigeerde cijfers samengebracht.
19
Figuur 9. Overstere in 2020-2023, gecorrigeerd voor verborgen onderstere.
We zien hier duidelijk en onmiskenbaar dat er in alle jaren waarin werd gevaccineerd meer
oversterfte was dan in 2020, het jaar zonder vaccinatie.
Procentuele stere
Het zijn met name de ouderen die het vaakst overlijden, maar het is ook interessant om voor
elke leeftijd te kijken naar de procentuele verhoging van de kans te overlijden. Dit zijn in
principe dezelfde cijfers als hierboven getoond, maar dan in verhouding tot het aantal
overlijdens dat je mag verwachten voor elke leeftijd. Figuur 10 laat dat zien.
Hier zien we iets bijzonders. Voor de ouderen blijft gedurende de drie coronajaren de
oversterfte rond de 10% schommelen. Echter voor de leeftijden onder de 55 jaar stijgt deze
elk jaar met rond de 5 -10%. De sterftekans neemt elk jaar toe, terwijl er inmiddels
nauwelijks nog corona is.
Onverklaarde overstere
Tijdens de eerste golf van corona aan het begin van 2020 werd al opgemerkt dat het vooral
de ouderen en kwetsbaren met onderliggend lijden waren die ernstig ziek werden en ook
vaak overleden aan Covid-19. Later werd ook geconstateerd dat de gemiddelde leeftijd van
overlijden vrijwel overeenkwam met de levensverwachting. De oversterfte was daarmee
volledig verklaard. Laten we met het zojuist verworven gereedschap eens verder kijken. Zie
Figuur 11.
We beginnen in 2020, de rode lijn. Dat is vrijwel geheel sterfte aan Covid-19. De
mediaan ligt net boven de 80 jaar; dit komt overigens overeen met de mediaan van de totale
sterfte. Wel overlijden er duidelijk vrijwel geen mensen aan corona onder de 65 jaar en
boven de 75 jaar juist wat meer. Dat is allemaal goed te begrijpen als je in gedachten houdt,
nogmaals, dat in 2020 de oversterfte vrijwel helemaal door corona kwam.
20
Figuur 10. Percentage overstere 2020-2022; 2018 en 2019 als referenes.
Figuur 11. Leeijdsverdeling overstere 2020-2022.
21
Hoe anders wordt het beeld in 2021, de oranje lijn. De overstere begint nu al bij 50
jaar toe te nemen. Het zijn vooral de overlijdens onder de 70 jaar die de gemiddelde leeijd
van overlijden ruwweg met bijna 5 jaar omlaag brengen; een heel ander beeld dus dan in
2020. En het meest verrassende is dat het patroon in 2022 (de groene lijn) vrijwel hetzelfde
is als in 2021. Nadat corona vrijwel verdwenen is, herstelt het patroon zich niet: de
verschuiving van ruwweg 5 jaar blij. We ontkomen niet aan de conclusie dat een ander
fenomeen dan corona zelf verantwoordelijk is voor de onverklaarde overstere.
Het feit dat sinds 2021 de leeftijd van overlijden van deze groep opeens met ruwweg
5 jaar wordt verlaagd, lijkt een aantal oorzaken uit te sluiten. Verborgen sterfte aan corona
zou immers alleen het aantal overlijdens doen toenemen en zou geen verschuiving van
leeftijd veroorzaken. In 2020 was dit ook bij corona het geval, maar dit verschil verdwijnt in
2021, alweer een reden om aan andere oorzaken dan corona te denken.
Als uitgestelde zorg de oorzaak zou zijn, dan zou dit inhouden dat als de onthouden
zorg wel had kunnen doorgaan, een levensverlenging van bijna 5 jaar de norm zou zijn. Dat
lijkt wel erg veel, dus uitgestelde zorg lijkt daarmee uitgesloten als belangrijke oorzaak voor
het verlagen van de gemiddelde leeftijd bij overlijden met 5 jaar. Bovendien zou uitgestelde
zorg niet tot in 2023 in deze mate doorwerken in de sterfte.
Met name bij de 80+ groep zou je een ondersterfte na de hevige oversterfte moeten
zien, maar die blijft uit. Na correctie voor deze te verwachten ondersterfte die we niet zien,
is er zelfs sprake van aanhoudende stijging van oversterfte.
Door de nadruk te leggen op leeftijd bij overlijden, ontstaat het beeld dat er sinds
2021 bij de oversterfte een daling is van bijna 5 jaar voor de leeftijd bij overlijden aan de
onverklaarde oversterfte. Dat past niet bij uitgestelde zorg en verborgen corona-sterfte als
verklaringen voor de oversterfte. In dit rapport gaan we de oversterfte verder onderzoeken.
22
Hoofdstuk 3
Enkele aanwijzingen via gepubliceerde bijwerkingen
14
Samenvatting
We laten met enkele voorbeelden zien dat er onmiskenbaar aanwijzingen zijn dat de
coronavaccins ongewenste en schadelijke bijwerkingen hebben. We kijken eerst naar een
trial van AstraZeneca zelf. Als hun cijfers correct zijn, betekent dit dat de vaccins met een
zeer grote kans (hun schatting is 2,88%) tot serieuze bijwerkingen leidt. Ook in de data van
de EMA (European Medicins Agency) vinden we dergelijke aanwijzingen. De meest gemelde
bijwerking van de Covid-19 vaccins blijkt het krijgen van Covid-19 te zijn. Bovendien zijn er
sterke aanwijzingen voor een grote onderrapportage van bijwerkingen.
De trial van AstraZeneca
Kritiek op de coronavaccins werd en wordt door veel beleidsmakers, artsen en journalisten
niet geaccepteerd. Zelfs het uitspreken van het simpele feit dat we veel nog niet kúnnen
weten wordt vaak al als desinformatie gezien, en mogelijke problemen werden steevast
gebagatelliseerd. Over het vaccin van AstraZeneca bijvoorbeeld zei Hugo de Jonge dat het
veilig was.
15
Het feit dat er wel degelijk bijwerkingen werden gemeld werd door Marion
Koopmans genegeerd toen ze de kans op bijwerkingen vergeleek met de kans op overlijden
door een aanval van een hond en overlijden door de bliksem.
16
We kunnen met nieuwe gegevens nu wellicht een betere inschatting maken van de
veiligheid van dit vaccin. Op 23 november 2023 publiceerde AstraZeneca namelijk de
resultaten van een dubbelblinde trial. Bij een dergelijk onderzoek weten patiënt noch
onderzoeker of iemand een vaccin of een placebo ontvangt. In Figuur 12 laten we het voor
ons meest relevante gedeelte zien van het verslag.
17
We zien in de snapshot dat 21.587
mensen het vaccin ontvingen, en 10.793 de placebo. Als we ons beperken tot de serieuze
bijwerkingen (de SAE’s) dan zien we dat de relevante aantallen 621 respectievelijk 136 zijn.
We zien onderaan de snapshot dat er geen statistische analyse heeft plaatsgevonden van
deze resultaten.
Deze analyse kunnen we zelf eenvoudig uitvoeren, maar we merken voordat we dat
doen alvast op dat de percentages serieuze bijwerking enorm verschillen tussen de twee
groepen. Bij de placebogroep zien we 1,26% serieuze bijwerkingen, bij de groep die het
14
Met bijdrages van Wouter Aukema.
15
Minister De Jonge geeft groen licht voor AstraZeneca, vaccineren wordt hervat | Verkiezingen
Tweede Kamer | AD.nl
16
Viroloog Marion Koopmans nuanceert cijfers AstraZeneca-bijwerking | Facebooklinks | NU.nl
17
Zie EudraCT Number 2020-005226-28 - Clinical trial results - EU Clinical Trials Register voor het
volledige rapport.
23
vaccin ontving is dat 2,88%. Dit is een werkelijk enorm verschil en je hoeft geen statisticus te
zijn om daar bezorgd over te worden: ook zonder verdere analyse is het duidelijk dat 2,88%
een erg hoog percentage is. We merken voor de volledigheid verder op dat het rapport veel
meer cijfers bevat dan deze tabel – vaak over kleine aantallen over specifieke bijwerkingen.
Het leek ons het beste om hier alleen de gecombineerde cijfers te bespreken, maar
waarschijnlijk bevat het verslag meer interessant materiaal.
Om het verschil enigzins te interpreteren argumenteren we als volgt.
18
Net zoals bij
elke andere Bayesiaanse analyse dienen we minimaal twee hypotheses te formuleren,
waarna we uitrekenen onder welke hypothese de gevonden data het meest waarschijnlijk
zijn, en met welke factor. De keuze van die hypotheses is bij een Bayesiaanse analyse altijd
een onderwerp van enige discussie. Wij nemen de meest voor de hand liggende optie,
waarin we de gevonden frequentie bij de placebogroep als maatgevend zien, en waarbij we
dus uitgaan van een ‘normale’ kans op serieuze bijwerkingen van 1,26%.
Figuur 12. Een snapshot uit het verslag van de AstraZeneca trial gepubliceerd op 23
november 2023.
De vraag is nu eigenlijk of de hypothese waarin de kans op een bijwerking 1,26% is de data
van de vaccin-groep enigszins zou kunnen verklaren. Om dat in te schatten vergelijken we nu
twee hypotheses: onder de eerste hypothese is de kans op een bijwerking 1,26% en onder
de tweede is die kans 2,88%. Natuurlijk is die tweede hypothese een betere verklaring voor
de aantallen in de eerste kolom, maar we willen inzicht krijgen in hoeveel beter.
18
Dit is een voorbeeld van een Bayesiaanse analyse.
24
Welnu, een kleine rekensom leert dat de data onder de eerste hypothese 4 × 10-73
keer zo onwaarschijnlijk als onder de tweede.
19
Dat is een dermate krankzinnig klein getal
dat we gerust kunnen stellen dat de data onmogelijk zijn onder de eerste hypothese. In het
Bayesiaanse paradigma betekent dat niets anders dan dat iedereen die de hypothese niet
absoluut uitsluit van tevoren, na het zien van deze data moet erkennen dat het effect van
het vaccin reëel is. Er is gewoon geen andere optie meer.
Het is misschien wel aardig om te vermelden dat we in een Bayesiaanse analyse niet
voor de steekproefgrootte hoeven te corrigeren. Als dezelfde verhoudingen zouden zijn
waargenomen in een kleinere populatie, dan zou de bewijskracht (het getal 4 × 10-73
hierboven) simpelweg minder overtuigend worden – dat gaat vanzelf.
Deze bevindingen plaatsen de eerder genoemde opmerkingen van Koopmans en De
Jonge in een toch wel behoorlijk ander daglicht. Er is alle reden om op grond van deze data
bezorgd te zijn over in ieder geval dit specifieke vaccin.
Data van de EMA
Een heel andere insteek om naar de vaccins te kijken is via de meldingen van bijwerkingen.
De EMA (European Medicines Agency) beschikt over veel data die we kunnen analyseren.
20
Deze data van de EMA komt tot stand door meldingen van bijwerkingen van zowel patiënten
als van professionele hulpverleners. Iedereen kan zo’n melding doen. Een uitgebreide
analyse van de data is binnen het bestek van dit onderzoek niet mogelijk – daar is veel meer
tijd en geld voor nodig. We zullen ons hier beperken tot enkele opmerkingen en observaties
die we interessant achten voor het onderwerp van ons onderzoek, en die hopelijk een veel
uitgebreider onderzoek zullen motiveren. De bijzondere manier en nogal ongecontroleerde
manier waarop deze data verkregen is maakt elke analyse overigens voorlopig. De data van
de EMA is echter zo omvangrijk dat het zeker mogelijk moet zijn om tot conclusies te komen.
Wat wij er hier over schrijven kan niet anders dan een eerste aanzet zijn.
Allereerst kunnen we kijken naar het aantal bijwerkingen zoals gemeld na een Covid-
19 vaccin, in vergelijking met het aantal gemelde bijwerking van alle andere medicijnen en
vaccins. Voor de goede orde, dit gaat over alle Covid-19 vaccins, niet alleen dat van
AstraZeneca. Dit is inzichtelijk gemaakt in Figuur 13. Deze figuur beslaat de periode 2018 –
maart 2023, en gaat over wereldwijde cijfers. Het gaat alleen om zogenaamde ‘serious
reports’.
Wat voornamelijk opvalt is dat de Covid-19 vaccins relatief veel meldingen van
bijwerkingen krijgen – let wel: aan de rechterkant staan de meldingen van álle andere
middelen.
Als we inzoomen op de meldingen van bijwerkingen van de Covid-19 vaccins, dan
kunnen we zien over welk soort gemelde bijwerkingen het precies gaat. We beperken ons
hierbij even tot meldingen binnen Europa, gedaan door medische professionals in dezelfde
19
In feite bereken je met de binomiale verdeling de kans op 621 SAEs bij een ‘succeskans’ van respecevelijk
1,26% en 2,88%, en deze kansen deel je vervolgens op elkaar.
20
ema20240416.zip - Google Drive
25
periode als hierboven. De data laat zien dat er twee bijwerkingen zijn die veruit het meest
gemeld worden: “Vaccination Failure” en “Covid-19”. We visualiseren dit in Figuur 14; rechts
het meldingsvolume, links de aard van de meldingen.
Figuur 13. Aantallen gemelde bijwerkingen bij de EMA.
Figuur 14. Bijwerking van Covid-9 vaccins. Linkerpanel soort bijwerking, rechterpanel aantal.
Wat is een “vaccination failure”? Het antwoord op die vraag vinden we ook bij de EMA:
21
21
Detailed guidance on ICSRs in the context of COVID-19 - Revision 3 (europa.eu), bladzijde 2. In
Hoofdstuk 6 komen we nog terug op deze “mislukte vaccinaes”.
26
“If a medicinal product is being used in accordance with its authorisation to prevent
or treat Covid-19 infection and a lack of therapeutic efficacy is reported with no
associated suspected adverse reaction, then, because Covid-19 is a potentially life-
threatening disease, this should be submitted within 15 days to EudraVigilance as an
ICSR (see guidance further down for adding MedDRA LLT ‘Vaccination failure’ in the
ICH E2B ‘Reaction(s)/Event(s)’ section of the ICSR).”
Met andere woorden, een vaccinatie is mislukt als de gevaccineerde persoon toch Covid-19
oploopt na vaccinatie. Veruit de belangrijkste bijwerking van de vaccinaties tegen Covid-19 is
dus volgens de cijfers van de EMA Covid-19 zélf.
We kunnen ook kijken naar gemelde sterfte als bijwerking van een Covid-19 vaccin.
De Europese cijfers illustreren we in Figuur 15. Voor alle duidelijkheid: de cijfers op de
verticale as zijn cijfers per maand.
De vraag naar de betrouwbaarheid van al deze cijfers is zoals gezegd niet zo makkelijk
te beantwoorden. Er zijn signalen van grote onderrapportage, zoals bijvoorbeeld
gesuggereerd door
Figuur 16. We zien in die figuur namelijk dat er zeer grote verschillen zijn tussen
vergelijkbare landen zoals bijvoorbeeld Duitsland en Nederland. De cijfers suggereren dat de
meldingbereidheid van bijwerkingen wellicht ook cultuur- en contextafhankelijk is. In het
kader van dit onderzoek hebben wij echter geen tijd en gelegenheid om ons hierin verder te
verdiepen.
Figuur 15. Stere als bijwerking van Covid-19 vaccins.
27
Figuur 16. Meldingspercentages per land.
Elke medische interventie gaat gepaard met bijwerkingen. De vraag is hoe serieus
deze zijn en hoe vaak ze voorkomen. In dit korte hoofdstuk hebben we met enkele cijfers
geïllustreerd dat we serieus dienen te kijken naar bijwerkingen van de Covid-19 vaccins. Een
studie naar dergelijke bijwerkingen (met speciale aandacht natuurlijk voor mortaliteit) kan
op verschillende niveaus plaatsvinden: we kunnen onderzoek doen op micro- en op
macroniveau. Beide zijn belangrijk: soms zie je dingen juist heel scherp door in detail op
individueel niveau te kijken wat er gebeurt, maar soms is het juist beter om als het ware een
stapje terug te doen om naar meer globale patronen te kijken. In deze studie doen we
allebei, in de hoop dat deze verschillende gezichtspunten een min of meer consistent beeld
gaan opleveren.
Voordat we dit doen kijken we eerst naar de internationale literatuur. Er is in korte
tijd extreem veel gepubliceerd over de Covid-19 vaccins, en we zullen nu eerst een poging
doen tot een meta-analyse van al deze studies.
28
Hoofdstuk 4
Een meta-analyse van de literatuur
Samenvatting
We doen een poging tot een meta-analyse van de literatuur over de relatie tussen Covid-19
vaccins en sterfte. Er is extreem veel over gepubliceerd maar van de 13.430 publicaties die
we bekeken bleken er slechts 83 aan onze inhoudelijke en kwaliteitseisen te voldoen. ‘Follow
the science’ was dus niet zo verstandig tijdens de pandemie. De overgebleven 83 studies
rapporteren zeer uiteenlopende effectiviteiten van de vaccins, met zeer grote
onzekerheidsmarges, en zijn bovendien niet of nauwelijks met elkaar te vergelijken.
Inleiding
Onderzoek naar een mogelijke relatie tussen een interventie en een geobserveerde uitkomst
begint vaak met een zoektocht door de literatuur. Niet alleen helpt dit de onderzoeker om te
ontdekken wat er allemaal al aan onderzoek verricht is, maar het biedt ook perspectief over
wat er nog niet gedaan is.
De afgelopen vier jaar is er ongelooflijk veel gepubliceerd over Covid-19; we hebben
het hier letterlijk over tienduizenden artikelen. Daar waar de tijd tussen het indienen van
een manuscript tot aan publicatie in normale omstandigheden soms meer dan een jaar kan
duren, was het toentertijd vaak een kwestie van weken (en soms zelf dagen).
Wie in bekende digitale bibliotheken zoals PubMed gaat zoeken wordt al snel
overweldigd door de hoeveelheid artikelen over Covid-19. De eerste studies rondom de
ontwikkeling van een vaccin mét klinische data zijn eind 2020 al te vinden.
Onderzoek naar vaccinatie kent een zekere publicatiebias, en wel om verschillende
redenen. Ten eerste wordt vaccineren algemeen gezien als een van dé hoogtepunten van de
medische wetenschap. Ten tweede wordt vaccineren door een aanzienlijke minderheid van
de bevolking gezien als juist dé oorzaak voor onverklaarbare ziektes. Het is daarmee een
tamelijk gepolariseerd onderwerp: iemand die iets negatiefs schrijft over vaccinatie wordt al
snel als ‘anti-vaxer’ neergezet. Deze publicatiebias kan de resultaten van onze studie zeker
beïnvloeden.
Deze literatuurstudie is geen zoektocht naar een bevestiging van negatieve effecten
van Covid-19 vaccins. Het is wel een systematische poging om de relatie tussen vaccinaties
en sterfte te duiden, ongeacht de uitkomsten.
Het beoogde meta-onderzoek bestond aanvankelijk uit de volgende onderdelen:
29
1. Uitvoeren van een systematische literatuur- en internetonderzoek naar papers,
preprints, essays en blogs over een verband tussen Covid-19 vaccinatie en sterfte
door alle oorzaken.
2. Bespreken van de gebruikte statistische methoden, aannames en beperkingen in elke
studie.
3. Beoordeling van de algemene relevantie en reikwijdte van elke studie.
4. Zoeken naar en beoordelen van de gebruikte datasets.
5. Uitvoeren van onze eigen analyses op deze datasets.
6. Het opzetten van een uitgebreid en volledig statistisch beeld – voor zover de huidige
gegevens dat toelaten – van een mogelijk verband tussen vaccinaties en sterfte door
alle oorzaken.
Om studies zoals deze uniformer te maken zijn er richtlijnen opgesteld, zoals
bijvoorbeeld de PRISMA richtlijn.
22
Deze richtlijn komt voort uit een standaard die in 2020 is
herzien
23
met de bedoeling dat elke literatuurstudie (waaronder meta-analyses) op een
transparante manier beschreven wordt. We hebben bovendien een GitHub pagina
24
opgezet: er is dus een digitale achterkant voor dit hoofdstuk.
We hebben er voor gekozen om bij onduidelijkheden geen contact te zoeken met de
auteurs van de diverse studies. We hebben letterlijk duizenden artikelen bekeken voor
relevantie en vele honderden artikelen beoordeeld op kwaliteit. Het zou voor ons
gewoonweg onmogelijk zijn om iedere auteur van ieder artikel te vragen naar eventuele
ontbrekende informatie. Helaas zien we zelden tot nooit GitHub pagina’s met de gebruikte
datasets en programmeercodes.
Wij hopen met deze analyse een hopelijk zinvolle bijdrage te leveren aan een tamelijk
gepolariseerd publiek (en privaat) debat. Aangezien er in het publieke domein veel
gespeculeerd wordt over een mogelijke relatie tussen vaccinatie en oversterfte, is het
belangrijk dat wij met dit onderzoek het beschikbare bewijs beter proberen te duiden.
De meta-analyse – methodes en protocol
Een meta-analyse is een volgende stap in een literatuuronderzoek waarbij een onderzoeker
besluit om bevindingen uit individuele studies te combineren. Op deze manier kan de
‘steekproef’ worden uitgebreid waarmee ook de eventuele ‘signaalsterkte’ van een studie
kan worden vergroot. Met andere woorden, als het zo is dat een interventie daadwerkelijk
een effect kent, dan is dit statistisch makkelijker aan te tonen bij een grotere steekproef.
Uiteindelijk, zo luidt de gedachte, wordt dan helder wat het effect van een interventie is.
Een meta-analyse is dus een statistisch raamwerk om studies te combineren, maar is
niet hetzelfde als het uitvoeren van één enkele grote studie waarvan de studiegrootte gelijk
22
hps://stac1.squarespace.com/stac/65b880e13b6ca75573dfe217/t/65d81881d8a48075f1fa7a3a/1708660865607/PRIS
MA_2020_checklist.pdf
23
hps://www.bmj.com/content/372/bmj.n160
24
hps://nl.wikipedia.org/wiki/GitHub
30
is aan de gecombineerde aantallen uit de meta-analyses. Dit komt omdat de combinatie van
studies ook weer ‘ruis’ introduceert. Om een zinnige meta-analyse te kunnen doen moeten
de studies wel vergelijkbaar zijn. Maar het uitvoeren van 10 vergelijkbare studies van 100
personen is niet hetzelfde als één studie met 1000 personen, omdat er bij elke herhaling een
introductie is van bekende en onbekende factoren waarvan maar lastig te achterhalen is hoe
deze op elkaar inwerken.
Het is van tevoren dus helemaal niet zo duidelijk hoeveel en welke studies
geïncludeerd kunnen worden in een zinvolle meta-analyse. We zullen laten zien dat de
studies die wij vonden in vele opzichten zo divers waren dat ze buitengewoon moeilijk, of
misschien wel helemaal niet met elkaar vergeleken kunnen worden. Dat alleen, zo denken
wij, is al een signaal op zich voor de (ontbrekende) bewijswaarde van het wetenschappelijke
coronabeleid in de jaren 2020-2023.
De standaard gehanteerde methode voor een literatuuronderzoek is vrij direct.
Allereerst ga je op zoek naar de relevante literatuur. Omdat je er zeker van wilt zijn dat je
geen relevante artikelen mist, moet de zoekstrategie breed zijn. Vervolgens importeer je alle
citaties en samenvattingen (abstracts) in een digitale bibliotheek (we hebben hier gebruik
gemaakt van EndNote software
25
). Vanuit daar ga je verder met het filteren van duplicaten
(omdat je vaak meer dan één digitale bibliotheek gebruikt voor je zoekwerk). Daarna kijk je
naar de unieke studies om uit te zoeken welke echt iets zeggen over het beoogde onderwerp
en de door jou gehanteerde inclusiecriteria. Omdat een samenvatting vaak maar tussen de
250 en 500 woorden telt is het logisch dat daar niet altijd alle relevante informatie in staat.
Je gaat dus ook nu weer breed te werk en includeert bij onzekerheid liever wel dan niet.
Vervolgens ga je van elke geïncludeerde studie de volledige tekst bekijken, om te bepalen of
een studie daadwerkelijk aan je criteria voor inclusie voldoet. Als dit daadwerkelijk het geval
is, ga je studies op methodologische kwaliteit beoordelen. De studies die sterk genoeg op
elkaar lijken én voldoen aan de gestelde kwaliteitseisen worden dan in de meta-analyse
opgenomen. Het is aan de desbetreffende auteur of deze vervolgens nog verder wil
rekenen.
26
Het is dan ook uiterst belangrijk dat je goed nadenkt over je studie voor je begint.
Niet alleen zijn vooraf gemaakte keuzes zuiverder dan keuzes die gemaakt worden tijdens de
studie, maar het helpt ook om uiteindelijke afwijkingen beter te duiden. Hoewel een
protocol vooral dient om een onderzoeker te laten nadenken over zijn doel en aanpak
alvorens deze begint, mag het het ook geen dwangbuis zijn. Er moet altijd een bepaalde
mate van bewegingsvrijheid zijn – één van de redenen dat het onderzoek transparant moet
worden uitgevoerd
Op 10 januari 2024 begonnen wij te zoeken naar artikelen de relatie tussen vaccinatie
en sterfte tijdens de Covid-19 pandemie: we zochten artikelen waarin termen gerelateerd
aan vaccinatie, sterfte en Covid-19 voorkwamen.
25
hps://endnote.com/
26
Omdat een meta-analyse een wiskundig raamwerk is, kun je vervolgens je dataset splitsen in sub-group analyses of
omzeen voor een meta-regressie. Zoals wel vaker bij knip-en-plak werk is het de bedoeling dat deze analyses vooraf zijn
bedacht en expliciet zijn opgenomen in het protocol.
31
De gebruikte bibliotheken waren PubMed, ScienceDirect en GoogleScholar. Figuur 17
is een afbeelding van de zoektocht in PubMed: hier kan de lezer bijvoorbeeld zien hoe het
toevoegen óf weglaten van kernwoorden een gehele andere lijst aan resultaten oplevert.
Deze zoektocht is op 6 juni herhaald en leidde uiteindelijk tot een EndNote bibliotheek.
Figuur 17. Zoekresultaten in PubMed.
Een zoektocht naar artikelen wordt inzichtelijk gemaakt door gebruik te maken van
een zogenaamde gestandaardiseerde PRISMA-flowchart. Deze lijkt nog het meest op een
beslisboom waarin duidelijk moet staan waarom studies wel of niet zijn opgenomen in de
studie. Met het weergeven van deze grafiek (Figuur 18) laten we dus al een stuk van de
resultaten zien.
Figuur 18 laat twee paden zien: het eerste pad begint linksboven, en bestaat uit het
vinden van studies door gebruik te maken van digitale bibliotheken. Het tweede pad begint
rechtsboven, en is het pad van de persoonlijke communicae. Om er zeker van te zijn dat we
geen relevante studies zouden missen, hebben we op sociale media (LinkedIn) een oproep
gedaan aan mensen om voor hun bekende arkelen, blogs, datasets etc. naar ons te sturen.
Op die oproep is veel gereageerd, maar om opgenomen te worden moest een inzending wel
duidelijk zijn wat betre de gehanteerde methodiek. Dat betekent dat als iemand ons
aendeerde op een ‘interessante’ blog wij moesten kunnen zien hoe de auteur tot zijn
bevindingen was gekomen. Dit bleek zelden het geval, waardoor we uiteindelijk maar een
frace van deze studies hebben geïncludeerd.
32
Figuur 18. De PRISMA owchart.
Wie verder door de flowchart loopt ziet dat er bij elke stap minder studies
overblijven. De beste manier om deze beslisboom te visualiseren, is die van een omgekeerde
piramide: men begint sensitief, maar niet specifiek. Daarna neemt men vervolgstappen
waarbij het de bedoeling is dat de stapel overgebleven studies steeds relevanter wordt. Ons
uiteindelijk doel was het behouden van die studies die keken naar de relatie tussen
vaccinatie en sterfte ten tijde van Covid-19 en daarna. Let wel, we hebben niet alleen
specifiek naar oversterfte gekeken, omdat we al vroeg zagen dat er niet veel studies waren
die hieraan voldeden. Belangrijker was het dus om te duiden wat de relatie tussen vaccinatie
en algemene sterfte tijdens Covid-19 was.
Het gros van de artikelen is uiteindelijk nooit door de initiële citatenselectie gekomen
omdat duidelijk was dat een studie óf niets te maken had met sterfte, óf niets te maken had
met vaccinatie óf niets te maken had met Covid-19. Het is voorgekomen dat er studies zijn
geïncludeerd die de werking van de griepprik op Covid-19 sterfte hebben onderzocht, of de
effectiviteit van het BCG vaccin bij kinderen ten tijde van Covid-19. We hebben ons dus niet
expliciet beperkt tot de zogenaamde vector- of mRNA-vaccins.
We hebben al met al ruim gezocht, maar hebben onszelf ook duidelijke grenzen
gesteld qua studies die we niet zouden opnemen: studies zonder mensen óf zonder
statistiek. Ook hebben we geen studies meegenomen die geen data hadden over mortaliteit,
vaccinaties of Covid-19. Studies die later zijn teruggetrokken hebben we ook niet
meegenomen. Uiteindelijk heeft dit ertoe geleidt dat wij van 20.497 citaties naar 709 studies
zijn gegaan.
33
Een aantal opmerkingen kunnen wij hier trouwens al maken. Zo hebben wij niet
20.497 studies handmatig bekeken; dat exacte aantal was 13.430. Ook hebben wij van
GoogleScholar maar de eerste 600 hits bekeken. Dit heeft te maken met de grote
hoeveelheid informatie die beschikbaar was in PubMed. Het grote aantal dubbelen (7051) is,
denken wij, al tekenend voor hoe ruim wij zijn gestart.
Uiteindelijk hadden we ook een deadline om naar toe te werken (de zomer). Dit
betekent dat we na 6 juni 2024 en na het doornemen van de refentielijsten van de
geïncludeerde meta-analyses geen andere studies meer hebben opgenomen, ook niet als
deze toch relevant bleken.
We hebben gebruik gemaakt van EndNote om relevante data te extraheren.
Wanneer je in EndNote citaten, samenvattingen en PDF bestanden invoert wordt er
automatisch meta-data ingeladen. Dit betekent dat het proces van extractie voor een deel
niet door ons zelf is gedaan maar door de software: het type blad, de titel, de auteurs, de
datum, de samenvatting en keywords zijn allemaal automatisch ingevuld. Hoewel dit ook
interessante informatie is, hielp het ons niet altijd om de studies verder te duiden. Daarom
hebben we besloten een aantal velden toe te voegen.
Om een studie te kunnen beoordelen is het belangrijk om te weten welke type studie
het is. Sommige studies zijn nu eenmaal inherent ‘sterker’ dan andere studies qua
bewijswaarde. Deze piramide (Figuur 19) van bewijswaarde is belangrijk maar niet heilig.
27
Dit is precies de reden waarom we gebruik wilden maken van de GRADE methodiek.
28
Figuur 19. Piramide van bewijswaarde.
In het gebruik van GRADE wordt de beoordelaar namelijk aangespoord om verder te
kijken dan het type studie, en ook of de studies onderling eenzelfde soort effect laten zien,
27
hps://blogs.bmj.com/adc/2014/11/03/the-crumbling-of-the-pyramid-of-evidence/
28
hps://bestpracce.bmj.com/info/toolkit/learn-ebm/what-is-grade/
34
consequent zijn wat betreft de grootte van het effect, en eenzelfde vorm van
nauwkeurigheid rapporteren
29
(Figuur 20).
Figuur 20. Factoren voor af- en opwaardering van kwaliteit van bewijs.
Met andere woorden, als je verschillende studies samenvoegt en in ogenschouw
neemt dat geen enkele studie exact hetzelfde is, zien we dan toch voldoende bewijs om een
aanbeveling te doen?
30
De bewijswaarde is dus niet meer zwart-wit (Figuur 21), maar wordt
uitgedrukt in een niveau van betrouwbaarheid: hoe zeker kun je zijn in je aanbeveling?
31
Figuur 21. Criteria voor bepaling van de sterkte en richng van de aanbeveling.
Om het systeem van GRADE te kunnen gebruiken is het belangrijk om te weten wát je
precies samenvoegt. Hoewel GRADE bij uitstek geschikt is om te bepalen of informatie
dezelfde kant op wijst met dezelfde precisie, ontkom je er ook met een raamwerk als GRADE
niet dat studies moeten voldoen aan bepaalde inclusie- en exclusie -criteria alvorens
beoordeeld te kunnen worden. Dit om er zeker van te zijn dat als we praten over appels, of
peren, of fruit, dat iedereen ook met zekerheid kan zeggen dat iets een appel, peer of fruit
is.
29
hps://www.ntvg.nl/arkelen/richtlijnen-worden-transparanter-met-de-grade-methode
30
hps://www.ntvg.nl/arkelen/transparante-wetenschappelijke-onderbouwing-van-zorg
31
hps://nl.gradeworkinggroup.org/docs/Tool+GRADE+voor+diagnosek+20180630.pdf
35
Wat betekent deze analogie voor onze studie? Omdat we een onderzoek doen naar
de relatie tussen vaccinatie en sterfte ten tijde van Covid-19 en daarna, willen we minstens
weten hóe elke studie heeft vastgesteld of iemand Covid-19 heeft, of iemand wel of niet
gevaccineerd is en wat men precies verstaat onder sterfte, en welke sterfte dat dan is. Met
andere woorden: wij willen precies kunnen zien wie waar en hoe geanalyseerd is. Zo zal het
de lezer hoogstwaarschijnlijk niet verbazen dat twee studies, waarvan de definitie van
‘volledig gevaccineerd’ verschilt, lastig te combineren is. De cijfers uit beide studies
betekenen dan echt iets anders.
Samenvattend hebben we de volgende data uit 709 studies gehaald:
1. Het ontwerp van de studie;
2. Het niveau waarop is geanalyseerd;
3. De primaire uitkomstmaat die is onderzocht;
4. De definitie van geïnfecteerd zijn;
5. De definitie van gevaccineerd zijn;
6. De definitie van mortaliteit.
Een voorbeeld: de studie van Yan et al. uit 2023 met de titel Waning effectiveness
against COVID-19-related hospitalization, severe complications, and mortality with two to
three doses of CoronaVac and BNT162b2: a case-control study, is een:
1. case-control studie;
2. met data op patiëntniveau;
3. waarvan het onduidelijk is wat de primaire uitkomst is;
4. waarin volledig gevaccineerde personen zijn gedefinieerd als mensen met twee doses
en 14-dagen wachttijd daarna;
5. waarin de infectie is bepaald via een PCR of antigeen-test;
6. waar sterfte is vastgesteld als sterfte ongeacht de oorzaak binnen 28 dagen ná een
PCR bevestigde corona-infectie.
Op basis van bovenstaande informatie krijgen wij een beeld hoe de data zijn
geanalyseerd en wat de resultaten betekenen. Dit is de eerste schifting. Vervolgens hebben
we van elke studie die voldoet aan de eisen van transparantie definities, meer data
geregistreerd, namelijk:
1. Het startpunt van de studie;
2. Het eindpunt van de studie;
3. Het land waarin de studie is uitgevoerd;
4. De leeftijd van de geïncludeerde personen;
5. De relevante populatie;
6. De infectiestatus van geïncludeerde personen;
36
7. De vaccinatiestatus van geïncludeerde personen;
8. De gebruikte statistische methode;
9. De correctie voor belangrijke factoren (zogenaamde co-variaten analyse);
10. De tijd tot volledige vaccinatie;
11. Het type mortaliteit;
12. De resultaten zoals beschreven in de studie zelf.
Op basis van deze bevindingen zouden we een goede selectie moeten kunnen maken
van studies die niet alleen transparant genoeg zijn om te boordelen, maar ook homogeen
genoeg om te combineren. Hoewel GRADE toestaat dat verschillende studies worden
gecombineerd, staat het statistisch raamwerk van de meta-analyse niet toe dat we fruit met
groente combineren. Het moet helder blijven waar we precies uitspraken over doen. Omdat
dit ook een kernonderdeel is van GRADE hebben we besloten om eerst te inventariseren
waar elke studie het precies over heeft. Dat gaan we nu bespreken in de resultaten sectie.
Resultaten
We beschreven hierboven al dat we van 13.430 studies naar een selectie van 709 studies zijn
gegaan waarvan wij vinden dat deze voldoen aan onze inclusiecriteria. Deze studies zijn te
vinden in de EndNote bibliotheek. In diezelfde bibliotheek kun je ook van elke studie zien
hoeveel informatie we uit die studies hebben kunnen halen. Die gegevens hebben we verder
verwerkt door middel van het programma R waarvan de programmeercodes hier te vinden
zijn. De resultaten zijn afgebeeld in Figuur 22.
Wat direct opvalt is dat maar 83 studies het gehaald hebben om te worden
opgenomen in de volgende stap van dit onderzoek: de methodologische beoordeling: er zijn
slechts 83 studies die voldoende informatie geven over de door de auteurs gehanteerde
definities van infectie, vaccinatie én mortaliteit. Dit is een eerste belangrijke conclusie van
ons onderzoek: de ruime meerderheid van de studies in de literatuur zijn over de cruciale
concepten zo onduidelijk dat de studie niet meer interessant of informatief is. Natuurlijk
hadden deze studies bij een fatsoenlijk werkend reviewproces nooit voor publicatie
geaccepteerd mogen worden.
Als we weer bovenaan beginnen zien we 709 studies die kunnen worden opgesplitst
in hun primaire uitkomstmaat: adverse events (bijwerkingen), mortality (sterfte) en
onduidelijk of anderszins. Van de 709 studies zijn er maar 176 (24,8%) die mortaliteit als
primaire uitkomstmaat benoemen, hetgeen betekent dat deze studies (in principe)
ontworpen zijn om statistisch iets te kunnen zeggen over de relatie tussen vaccinatie en
sterfte. Ook hebben we 32 (4,5%) studies geïncludeerd die specifiek hebben gekeken naar
mogelijke bijwerkingen van vaccinaties, waarbij sterfte één van de bijwerkingen was.
37
Figuur 22. Flowchart van data verkregen uit 709 studies.
Daarna zijn we de studies gaan indelen op het type studieopzet. Het wordt al snel
duidelijk dat het merendeel van de studies retrospectieve observationele studies zijn. Dit zijn
studies die kijken naar welke data al beschikbaar zijn om analyses op te doen. De kracht van
dit type studie is voornamelijk de grootte, het gemak en de lage kosten, maar de nadelen
zitten in het beperkt aantal factoren waar je rekening mee kan houden. Hoewel in de oude
piramide (Figuur 19) de observationele studies net onder de gerandomiseerde studies staan
(RCTs) is er wel degelijk een verschil of data in de tijd verzameld worden met behulp van een
protocol vooraf (prospectief), of dat verzamelde data achteraf geselecteerd wordt
(retrospectief). Een retrospectieve observationele studie kijkt terug in een bepaalde
populatie, en dit betekent bijna altijd dat er een behoorlijke bias (vertekening)
geïntroduceerd wordt waarvoor vaak moeilijk of niet valt te corrigeren. Als je data bij wijze
van voorbeeld bestaat uit mensen die na een vaccinatie in het ziekenhuis belanden, dan
introduceert dat een bias: mensen die zijn overleden als gevolg van het vaccin tel je dan
simpelweg niet mee. Dat kan belangrijk zijn als je bijvoorbeeld de effectiviteit van een vaccin
wilt bepalen, want de mensen die er het meest onder lijden blijven dan buiten je studie.
De meeste studies zijn duidelijk in hun definitie van infectie en mortaliteit. Waar het
vaak aan schort, zijn heldere definities van wat het betekent om gevaccineerd te zijn. Voor
ons was het essentieel dat elke studie specifiek was in de beschrijving van ‘niet-
38
gevaccineerd’ en ‘gevaccineerd’. Een studies was voor ons pas voldoende transparant als
duidelijk werd gemaakt wanneer iemand van de ene definitie naar de andere definitie
migreerde.
32
Dat we iets minder dan 12% van de studies overhouden is zoals we al schreven
tekenend, maar niet ongebruikelijk bij een meta-analyse. Maar dan zijn we er nog niet. Het is
ook nog zaak om te kijken of die studies wel met elkaar vergeleken kunnen worden. Omdat
de coronaperiode 2020 - 2023 per land gekenmerkt werd door veel verschillen op het gebied
van de ziekte zelf (type variant), maatregelen (lockdowns, medische interventie,
teststrategie) is het een hele uitdaging om enige homogeniteit te waarborgen in studies
tussen landen. Daarom willen we van de 83 studies helder hebben hoe een mogelijke
combinatie eruit zou komen te zien en of we ons wel comfortabel voelen bij de combinatie.
Om dit te doen hebben we gekeken naar de begin- en eindpunt van een studie, de
gebruikte methodologie en statistiek, en de gehanteerde inclusiecriteria. Laten we om te
beginnen kijken in welk landen de studies zijn uitgevoerd (Figuur 23). De kleur geeft het
aantal studies per uitkomstmaat, land en jaar aan. Wat je ziet is dat er bijna geen
‘soortgelijke’ studies zijn.
We kunnen vervolgens proberen om landen als criterium te vervangen door het
studieontwerp (Figuur 24). Wat dan direct opvalt is dat we veel meer studies kunnen
samenvoegen, maar dat betekent niet dat de invloed van de factor ‘land’ zomaar is
verdwenen. Die laten we nu gewoonweg niet zien.
Vervolgens kijken we naar het type patiënt dat is geïncludeerd. In onze zoektocht viel
direct op dat veel studies zich beperken tot één specifieke patiëntpopulatie zoals
kankerpatiënten, patiënten met COPD of mensen die op de wachtlijst staan voor een
orgaantransplantatie (Figuur 25). Opnieuw zien we dat maar weinig studies op basis van
deze drie eigenschappen te groeperen zijn.
Een van de meest interessante zaken om uit een studie te halen is de definitie van
vaccinatie en dan men name de tijd die wordt ingecalculeerd alvorens men echt als
gevaccineerd wordt bestempeld. Dit noemen we ook wel de zogenaamde ‘full-vaccination
lag’ oftewel de tijd (in dagen) tussen gevaccineerd worden (de injectie) en ‘gevaccineerd zijn’
(dat is een label). De bevindingen staan afgebeeld in Figuur 26. Wat opvalt is dat de meeste
studies deze wachttijd daadwerkelijk hebben ingebouwd. Van de 83 studies zijn er in totaal
maar 11 studies waar dat niet zo is.
32
Hierbij werd vaak gebruik werd gemaakt van de tussenstap ‘gedeeltelijk gevaccineerd’.
40
Figuur 25. Aantal studies per primaire uitkomstmaat, jaar en type paënt.
Een ander belangrijk punt is het begin- en eindpunt van de studie. Deze zijn van
belang als er temporele factoren in het spel zijn, zoals in ons geval waarin er bevindingen zijn
uit bijvoorbeeld de alfa- of de deltagolf. In Figuur 27 is zichtbaar dat studies met de primaire
uitkomstmaat ‘mortaliteit’ overwegend retrospectief en observationeel zijn én niet direct
overlappen. Sommige studies duren jaren, anderen maanden. Als we deze figuur verder
opdelen in het type patiënt (Figuur 28) valt direct op dat het behoorlijk onoverzichtelijk is
geworden; op basis van deze criteria (beginpunt, eindpunt, type patiënt, type studie én
primaire uitkomstmaat).
Wat gebeurt er als we het type studie buiten beschouwing laten (Figuur 29)? Wat we
dan zien, is dat het loslaten van het type onderzoek weinig doet om de heterogeniteit te
verkleinen. Er zijn gewoonweg heel veel studies gedaan in vele verschillende groepen
patiënten die per definitie niet of nauwelijks verenigbaar zijn, en daarom zijn de studies
vrijwel niet samen te voegen.
42
Laten we nog één keer terug keren naar de tijdspanne tussen ‘gevaccineerd worden’
en meetellen als ‘gevaccineerd zijn’. In Figuur 30 wordt helder gemaakt dat een splitsing op
basis van primaire uitkomstmaat, type studie en tijd-tot-gevaccineerd-zijn opnieuw een hele
grote splitsing maakt tussen studies, zelfs zonder dat we rekening houden met andere
relevante factoren zoals type patiënt.
Als laatste hebben we nog de inclusie- en exclusiecriteria rondom het wel of niet
gevaccineerd of geïnfecteerd zijn. Sommige studies includeren alleen maar patiënten die
gevaccineerd zijn, anderen includeren geen patiënten met een eerdere infectie.
33
Dit zijn
belangrijke differentiatiekenmerken omdat we op basis van deze 2 × 2 matrix (wel of niet
geïnfecteerd, wel of niet gevaccineerd) compleet andere samenstellingen krijgen. Er zijn ook
nog studies die helemaal geen eisen stellen, of die gewoonweg niet duidelijk zijn in hun
inclusiecriteria op dit vlak.
Figuur 28. Begin- en eindpunt van studies per primaire uitkomstmaat, type studie en type
paënt.
33
Dit is natuurlijk een zeer onbetrouwbaar criterium, zeker als hiervoor de PCR of antigeensneltest gebruikt
wordt: dan moet je al ’toevallig’ getest hebben op het moment dat je klachten had. Maar een groot deel van de
infecties verloopt met zeer milde symptomen verloopt, en een deel is fout-negatief. Om daar enigszins
betrouwbaar iets over te kunnen zeggen, moet je serologie bepalen. Dat heeft vrijwel geen enkele studie
gedaan.
43
In Figuur 31 zien we dat als we deze studies opdelen er opnieuw heel weinig echte
overlap is. Als we van deze studies een meta-analyse zouden willen maken, is het maar de
vraag hoe we data zouden moeten of kunnen samenvoegen.
We kunnen er voor kiezen om de ruwe data (het aantal sterfgevallen) op te nemen,
maar als we dat doen moeten we ook bepalen welke vorm van sterfte eigenlijk is
meegenomen. Dit zien we in Figuur 32. We hebben er voor gekozen om niet de losse
categorieën (zoals Covid-19 sterfte, of algemene sterfte) op te tellen, maar om te zien welke
studies welke vorm van sterfte precies hebben geadresseerd.
Figuur 29. Begin- en eindpunt per primaire uitkomstmaat en type paënt.
45
Zo valt op te maken dat van de 83 studies er maar 3 zijn die zowel naar Covid-19
sterfte (coronasterfte) als naar alle sterfte hebben gekeken. Een splitsing per type sterfte,
type studie en de manier van bepalen of iemand wel niet gevaccineerd is, valt dus eigenlijk
niet zinvol te maken; er valt weinig te combineren. Toch zien we dat 11 studies
retrospectieve observationele studies zijn waarin gekeken werd naar algemene sterfte én
waarin 14 dagen is gewacht om iemand als gevaccineerd te bestempelen. Laten we op deze
verdere selectie inzoomen.
In Figuur 33 zien we het begin- en eindpunt van deze 11 retrospectief observationele
studies waarvan de periode tot volledige vaccinatie op 14 dagen ná toediening is gezet en
die gekeken hebben naar sterfte in de meest algemene zin. Als we die 11 studies verder
uitsplitsen naar land en methode om te kunnen corrigeren voor belangrijke covariaten (of
confounders, zoals ze ook wel genoemd worden) dan valt er eigenlijk niet meer te
combineren.
Figuur 32. Aantal studies per type studie, type mortaliteit, en jd tot ‘gevaccineerd zijn’.
46
Figuur 33. Begin- en eindpunt van studie per land, per type paënt én per stassche
methode voor covariaten.
Het lijkt nu wel duidelijk dat we studies niet of nauwelijks kunnen combineren. Dit is
op zich geen strikte vereiste voor een meta-analyse. Ook binnen GRADE kun je in principe
combineren, maar het vertrouwen in het bewijs wordt daarmee per definitie bijna altijd
laag.
Wat kunnen we dan wel zeggen?
Valt er dan helemaal niets zinnigs te zeggen over de resultaten van deze studies? Veel
studies drukken hun uiteindelijke bevindingen uit in een vaccin-effectiviteit (VE). In
Hoofdstuk 5 en Hoofdstuk 6 zullen we in detail ingaan op deze VE, maar voor nu is het
voldoende om te zeggen dat de VE een numerieke uitdrukking is van de werking van het
vaccin. Kunnen we de VE’s uit de overgebleven studies dan misschien met elkaar
vergelijken? Het antwoord is nee. Het probleem is wat je precies bedoelt met de VE. Is het
effectiviteit tegen algemene sterfte, tegen sterfte aan Covid-19, tegen ziekenhuisopname,
tegen het ontwikkelen van ernstige klachten en symptomen, tegen opname op een IC? Al
deze zaken worden soms beschreven als ‘de’ VE van het vaccin. Niet alleen de definitie is dus
onduidelijk, ook de populaties waarbinnen een VE wordt berekend of geschat zijn op
belangrijke punten niet met elkaar te vergelijken. Het is eigenlijk gewoon niet zinvol om te
proberen dit in één getal uit te drukken.
47
Figuur 34. Begin- en eindpunt van elke studie per type paënt, stassche methode voor
covariaten én stassch model.
Wanneer je de GRADE methode toepast, kijk je in essentie naar meer dan alleen de
daadwerkelijke schattingen. Je kijkt ook naar de richting van de schattingen en mate van
onzekerheid. We beschreven het al in Figuur 20. Als we dit willen doen, dan is het wellicht
wel zinvol om toch een aantal figuren te maken die de VE-schattingen tonen. Om dat te
doen moeten we wel keuzes maken, want het gros van de studies (als ze al een VE
rapporteren of het mogelijk maken om een VE uit te rekenen) doen dat voor heel veel
subgroepen. Een goed voorbeeld zie je in Figuur 35.
Ook verandert de VE in de tijd. Dat zie je in Figuur 35 ook, maar Figuur 36 laat het
wellicht nog beter zien. Beide grafieken zijn natuurlijk door ons geselecteerd, en niet geheel
representatief.
Laten we daarom proberen om toch een samenvatting te geven van die VE
schattingen. Om dat te kunnen doen hebben we een aantal keuzes gemaakt, vooral in
studies waarin verschillende VE’s worden berekend. Zo kiezen we steeds voor de VE met de
langste follow-up, kiezen we voor all-cause mortality als dat kan, kiezen we voor volledige
vaccinatie (2 doses) en kiezen we voor mensen van 18 jaar of ouder. Deze keuzes doen geen
afbreuk aan onze eerdere constateringen van heterogeniteit, en door te kijken naar de
richting van de schattingen én de onzekerheden rondom deze schattingen doen we wel
recht aan het principe van GRADE.
48
Figuur 35. Graek uit een studie die die laat zien hoe snel een VE schang verandert in sub-
group analyses.
34
34
COVID-19 vaccine eecveness against hospitalisaon and death of people in clinical risk groups during the Delta variant
period: English primary care network cohort study - PubMed (nih.gov)
49
Figuur 36. Graek die laat zien hoe de VE schangen over jd veranderen. Opnieuw zien we
heel grote onzekerheden.
35
Het eerste resultaat is zichtbaar in Figuur 37. We zien hier de VE-schattingen voor
tientallen studies. Wat direct opvalt is dat de meeste schattingen positief zijn. Ook zitten de
meeste puntschattingen boven de 50% en sommigen zelfs rond de 80% of de 90%.
35
Final Analysis of Ecacy and Safety of Single-Dose Ad26.COV2.S - PubMed (nih.gov)
50
Figuur 37. VE schangen voor alle studies die een VE hebben gerapporteerd of waarvoor
een VE berekening mogelijk was.
Kijken we naar de onzekerheidsschattingen dan zie we een heel ander beeld.
Sommige studies hebben kleine betrouwbaarheidsintervallen (alle studies rapporteerden
een 95% betrouwbaarheidsinterval), maar anderen hebben hele grote
betrouwbaarheidsintervallen. Deze diversiteit aan gerapporteerde onnauwkeurigheid
verdient een verdere opsplitsing van de data.
Een logische opsplitsing zou er een zijn waarbij we kijken naar de schattingen per
specifiek type mortaliteit. Een bepaling van de Covid-19 sterfte geeft waarschijnlijk een hele
andere schatting dan de algehele sterfte. We zien die opsplitsing inFiguur 38.
Van sommige uitkomsten hebben wij zelf geen onderliggende data, dus het is wellicht
interessanter om alleen te kijken naar Covid-19 stere of de algehele stere. We doen dit in
Figuur 39 waarin we ook het type studie tonen. Wat opvalt is dat de algehele stere vaker
grotere bandbreedtes hee in de schangen, maar ook hier is het weer lasg om de data te
duiden: in elke studie werd anders gemeten, op een andere manier gekeken en anders
gerekend.
51
Figuur 38. VE schangen per type mortaliteit.
Misschien dat de meest zinvolle vergelijkingen binnen één studies zelf gemaakt
kunnen worden. Van de 83 studies zijn er zoals gezegd maar drie die zowel naar de Covid-19
stere als naar de algehele stere hebben gekeken, zie
Tabel 2. Hoewel de studies niet vergelijkbaar zijn vanwege de totaal verschillende
populaes, zijn de schangen binnen één de studie dat misschien wel.
Tabel 2 laat een aantal dingen zien. Allereerst vallen de grote verschillen in de
uitkomsten tussen de studies op. Verder is de gerapporteerde onzekerheidsmarge werkelijk
enorm. Maar wat vooral opvalt is de grote gerapporteerde effectiviteit tegen algehele
sterfte, zeker bij de tweede en derde studie. We zullen in de komende hoofdstukken zien dat
we dit fenomeen ook aantreffen in de Nederlandse data van het CBS. Deze getallen wijzen
zeer waarschijnlijk op een sterk healthy vaccinee effect, het fenomeen dat de mensen die
het vaccin nemen gezonder zijn dan die het niet nemen. Het is immers niet te verwachten
dat het vaccin werkzaam is tegen andere belangrijke doodsoorzaken zoals kanker en hart en
vaatziektes. We zullen dit later uitgebreid bespreken, vooral in Hoofdstuk 6.
52
Figuur 39. VE schangen per type mortaliteit en type studie.
Studie
VE tegen algehele
sterfte
VE tegen Covid-19
sterfte
BNT162b2 mRNA COVID-19 (Comirnaty) Vaccine
Effectiveness in Elderly Patients Who Live in Long-
Term Care Facilities: A Nationwide Cohort36
63.7
(59.4 – 67.6)
81.2
(78.6 – 83.5)
Effectiveness of COVID-19 Vaccines Over Time Prior to
Omicron Emergence in Ontario, Canada: Test-
Negative Design Study37
89
(55 – 98)
90
(57 – 98)
Final Analysis of Efficacy and Safety of Single-Dose
Ad26.COV2.S38
49.9
(10.6 – 72.8)
82.8
(40.5 – 96.8)
Tabel 2. VE schangen van de drie studies die zowel naar algehele stere als Covid-19 stere
hebben gekeken.
36
BNT162b2 mRNA COVID-19 (Comirnaty) Vaccine Eecveness in Elderly Paents Who Live in Long-Term Care Facilies: A
Naonwide Cohort - PubMed (nih.gov).
37
Eecveness of COVID-19 Vaccines Over Time Prior to Omicron Emergence in Ontario, Canada: Test-Negave
Design Study - PubMed (nih.gov)
38
Final Analysis of Ecacy and Safety of Single-Dose Ad26.COV2.S - PubMed (nih.gov)
53
Al met al zien we in de literatuur verschillende problemen die een meta-analyse
moeilijk maken. We zetten ze nog een keer op een rijtje:
Het Healthy Vaccinee Effect (HVE);
Geen rapportage van de algemene sterfte (waardoor HVE onzichtbaar wordt);
Bijzondere gekozen meetperioden met zowel laat startpunt (2 weken na voltooien
basisserie) als vroeg eindpunt;
Onduidelijke definities;
Niet-transparante modellering waarmee uiteindelijke schattingen heel anders
worden dan ruwe data lijken te suggereren;
Niet-controleerbare data;
Selectieve rapportage van belangrijke getallen en uitkomsten;
Ongeloofwaardige uitkomsten worden onvoldoende van context en relativering
voorzien.
Conclusie
We hebben beschreven hoe wij de weg naar een mogelijke meta-analyse hebben
bewandeld. Vaak is dit proces, deze wandeling, minimaal zo belangrijk en interessant als de
meta-analyse zelf. Het feit dat wij eigenlijk geen meta-analyse konden uitvoeren, is in
zichzelf al een conclusie. De kwaliteit van de (zeer uitgebreide) literatuur blijkt zo laag te zijn
dat het gros van de door ons beoordeelde studies simpelweg niet in aanmerking kwam – om
redenen die we uitgebreid hebben beschreven. Bovendien zijn de verschillende studies niet
of nauwelijks met elkaar te combineren, en blijft het dus allemaal uitermate
gefragmenteerd. Op basis van de omvang van de literatuur mag dat best een verrassing
worden genoemd. Er is in de literatuur weinig belangwekkende informatie te vinden over de
effecten van de vaccins.
Het ‘follow the science’-beleid rondom Covid-19 was dus eigenlijk voornamelijk
gebaseerd op drijfzand. Op basis van de door ons onderzochte wetenschappelijke literatuur
zouden wij dat niet zomaar aanraden. Dit is ook in overeenstemming met onze eigen
ervaring van de afgelopen jaren: wanneer een studie expliciet werd aangehaald in de media,
bleek bij nadere inspectie dat de studie doorgaans ernstige methodologische
tekortkomingen had, of het bleek bij nader inzien niet over een studie maar over een
opinieartikel te gaan.
De meeste studies zijn niet duidelijk in het definiëren van zelfs maar de meest basale
onderdelen van de studie: wie krijgt wanneer en onder welke omstandigheden de definitie
van geïnfecteerd, gevaccineerd of overleden en waaraan? Dat is de basis. In afwezigheid van
data en programmeercodes is het nagaan van definities een kernonderdeel van de
beoordeling om te weten waar je over praat en om een indicatie te krijgen van hoe de data
verwerkt is. Dit alles bleek niet mogelijk te zijn voor het overgrote deel van de studies.
54
Een poging om toch iets te kunnen zeggen over de vaccin effectiviteit (VE) benadrukt
eigenlijk alleen maar hoe moeilijk het interpreteren en duiden van de wetenschappelijke
literatuur is. Niet alleen is het vrijwel onmogelijk om de verschillende studies te combineren,
maar ze verschillen ook wezenlijk in hun schattingen. Niet alleen tussen de studies, maar ook
binnen een studie zijn er belangrijke verschillen tussen subgroepen, zoals vaccinatietype,
type patiënt en het tijdsmoment. Dat de VE afneemt over de tijd is al vaker gedocumenteerd
(dit was bijvoorbeeld de reden voor de boosters). Dat de schatting van de VE vaak zeer
onnauwkeurig is hoeft ook niet te verbazen: schattingen berusten zich vaak op statistische
modellen waarin veel variabelen zijn opgenomen.
Wat verder opvalt is dat maar drie van de uiteindelijke 83 studies kijken naar zowel
Covid-19 sterfte als algehele sterfte, maar de verschillen zijn opnieuw erg groot, en er is
waarschijnlijk sprake van een sterk healty vaccinee effect.
Ons onderzoek is met een klein team en met beperkte middelen uitgevoerd. Net als
bij een gewoon onderzoek zal elke meta-analyse weer anders zijn: we hebben zoals we
hebben beschreven keuzes moeten maken. Deze keuzes zijn navolgbaar. Het zou interessant
zijn om te zien of andere onderzoekers tot vergelijkbare conclusies komen als wijzelf.
55
Hoofdstuk 5
Macro-analyses
39
Samenvatting
Macro-analyses zijn analyses op een hoog aggregatieniveau – ze maken geen gebruik van
data op persoonsniveau. Dergelijke analyses zijn in het kader van ons onderzoek nooit exact,
maar schattend en indicatief. Ze kunnen echter toch inzichtelijk zijn, en vormen een nuttige
tegenhanger van micro-analyses. We beginnen met een rapport dat het CBS op 23 februari
2024 publiceerde, en waaruit wellicht onbedoeld interessante informatie te halen is over de
effectiviteit van de vaccins tegen sterfte aan Covid-19. We concluderen dat deze effectiviteit
in de eerste weken na eerste vaccinatie negatief is. Daarna volgt een korte periode van
bescherming die echter al snel weer verdwijnt. Daarna gaan we in op conclusies die we uit
temporele correlaties tussen vaccinatievolumes en sterfte kunnen trekken. Er wordt vaak te
makkelijk gewezen op het cliché dat correlatie geen causaal verband impliceert. Dat is
natuurlijk juist, maar aan de andere kant zorgt een causaal verband normaal gesproken wel
voor correlaties. We observeren correlatie op verschillende manieren.
Het CBS rapport van 23 februari 2024
Op 23 februari 2024 publiceerde het CBS een rapport
40
om aan te tonen dat het niet zoveel
uit zou maken voor het sterftebeeld of iemand direct na de eerste vaccinatie als
gevaccineerd te boek staat, of wanneer dat pas na twee weken of langer zo is. De kwestie
was dat iemand direct na de eerste vaccinatie nog steeds officieel ongevaccineerd was, en
als deze persoon dan zou komen te overlijden, dit als een ongevaccineerd sterfgeval
geregistreerd zou worden. Critici wezen erop dat op deze manier vaccinatieschade na de
eerste vaccinatie uit het zicht zou blijven.
De effectiviteit van een vaccin is overigens niet eenvoudig te onderzoeken. Ze is zelfs
niet eenvoudig gedefinieerd, want effectiviteit waartegen precies? Tegen een ernstig
verloop, tegen ziekenhuis of IC-opname, of tegen sterven aan Covid-19? Als je zo’n
onderzoek goed wilt doen verdeel je een onderzoekspopulatie in twee vergelijkbare
groepen. De ene groep ontvangt het vaccin wel, de andere niet. Vervolgens kijk je naar
(bijvoorbeeld) het sterftepatroon in de twee groepen, en dan natuurlijk in het bijzonder naar
sterfte aan de ziekte waartegen gevaccineerd wordt. Dat laatste lijkt logisch, maar soms
wordt ook naar de zogenaamde all cause mortality gekeken, de totale sterfte dus.
39
Met bijdrages van drs. Herman Steigstra.
40
1. Inleiding | CBS.
56
Een dergelijk experiment is door de producenten van de vaccins wel op kleine schaal
uitgevoerd, maar dat is niet op een goede manier gedaan.
41
Daarna zijn vooral studies met
het test-negative design uitgevoerd, waarvan bekend is dat deze niet zinvol zijn voor
mortaliteitsanalyses,
42
en zijn veel retrospectieve analyses uitgevoerd waaruit je ook veel
moeilijker conclusies kan trekken. Zo kun je niet zomaar twee groepen onderscheiden die
wel of niet zijn gevaccineerd, omdat de vaccinatiestatus zelf een bias oplevert: gezonde
mensen laten zich doorgaans relatief vaker vaccineren, waardoor het vaccin een te grote
werkzaamheid lijkt te hebben: het al genoemde zogenaamde ‘healthy vaccine effect’. Het is
moeilijk om daarvoor op een goede manier te corrigeren.
Onze meta-analyse in Hoofdstuk 4 maakte ook al duidelijk dat het bepalen van
willekeurig welke vaccin effectiviteit veel moeilijker is dan de meeste mensen denken. Een
voorbeeld. Figuur 40, overgenomen uit een artikel uit augustus 2021
43
en gebaseerd op
cijfers uit Qatar, suggereert sterk dat de bescherming na de eerste prik snel oploopt en 2
weken na de eerste vaccinatie al ongeveer 68% zou zijn. We zullen straks zien dat dit
waarschijnlijk niet waar kan zijn.
Hoe dan ook, het CBS zegt in haar rapport van 23 februari 2024 dat een andere
definitie van de status ‘gevaccineerd’ niet veel uitmaakt en dat de critici dus ongelijk
hebben. Letterlijk schrijft men dit:
“Het hanteren van een andere definitie voor vaccinatiestatus ‘gevaccineerd’, waarbij
geen rekening wordt gehouden met de wachttijd na vaccinatie, resulteert in een
vergelijkbaar sterftebeeld voor zowel overlijden aan Covid-19 als non-Covid-19 als
wanneer de wachttijd wel wordt meegenomen.”
Hoe komt het CBS tot die conclusie? Dat is niet heel duidelijk op te maken uit het
rapport, maar men verwijst bijvoorbeeld naar Figuur 41 hieronder die we uit het rapport
hebben overgenomen. Hoe deze figuur de bewering van het CBS ondersteunt is echter
onduidelijk. We zien immers in de eerste maanden een behoorlijke toename van
sterfgevallen als we de wachttijd niet meenemen (donkerblauwe lijn). Dat de grafieken vanaf
eind 2021 nauwelijks meer verschillen is logisch want toen werden er nog nauwelijks eerste
vaccinaties uitgevoerd.
Het aardige is echter dat het CBS, wellicht onbedoeld, met het publiceren van dit
rapport de cijfers heeft gepubliceerd waarmee we zelf kunnen rekenen aan de mate waarin
het vaccin bescherming biedt tegen sterfte aan Covid-19. Dat gaan we nu uitleggen.
41
Zie bijvoorbeeld de bespreking in Ronald Meester, Wetenschap als Nieuwe Religie, Ten Have 2022. Zie ook
Hoofdstuk 4 en Hoofdstuk 6 van dit rapport.
42
Journal of Evaluaon in Clinical Pracce | Health Services Research | Wiley Online Library
43
Waning of BNT162b2 vaccine protecon against SARS-CoV-2 infecon in Qatar | medRxiv
57
Figuur 40. Zie tekst voor verdere uitleg en context.
Figuur 41. Zie tekst voor verdere uitleg en context.
58
In het CBS-rapport staan tabellen van de vorm als in Figuur 42. Er staan in het rapport
vier van dergelijke tabellen: twee voor overlijden aan Covid-19, en twee voor overlijden aan
overige oorzaken, beide uitgesplitst naar wel of geen gebruik Wlz (Wet langdurige zorg).
Omdat we zoals gezegd in dit hoofdstuk slechts op zoek zijn naar globale patronen, maken
we geen onderscheid naar wel of geen gebruik van Wlz.
Figuur 42. Een typische tabel uit het CBS-rapport.
Uit deze tabellen is interessante informatie te halen. We kunnen nu namelijk zien
hoeveel mensen met een bepaalde vaccinatiestatus elke week overleden. Omdat we ook
beschikken over het totaal aantal overledenen per week
44
kunnen we iets zeggen over het
korte-termijn-effect van het vaccin bij mensen die slechts één vaccinatie hebben ontvangen.
Dat leggen we nu eerst uit aan de hand van hypothetische cijfers. Daarna gaan we aan de
echte cijfers rekenen.
Stel in een bepaalde week overlijden er in totaal 5000 mensen. We kunnen op basis
van de genoemde tabellen zien hoeveel mensen uit die groep van 5000 precies één
vaccinatie hadden ontvangen. Stel dat dit er 500 waren. Dat betekent dat het percentage
van de overledenen dat één vaccinatie heeft ontvangen, 10% is.
We gaan dit percentage vergelijken met de sterfte aan Covid-19 in diezelfde week,
uitgesplitst naar vaccinatiestatus. Dit aantal is ook af te lezen uit de beschikbare tabellen,
want de gegevens zijn qua doodsoorzaak precies uitgesplitst naar Covid-19 en naar overige
oorzaken.
45
Hierbij is enige voorzichtigheid wel geboden. Immers, hoewel het duidelijk is dat
oudere mensen een grotere kans hebben om te overlijden dan jonge mensen, is het minder
44
CBS publiceert deze wekelijks op hun site:
https://opendata.cbs.nl/statline/#/CBS/nl/dataset/70895ned/table?ts=1636626460351
45
CBS publiceerde die in rapporten zoals deze: hps://www.cbs.nl/nl-nl/nieuws/2023/04/1468-mensen-
overleden-aan-Covid-19-in-derde-kwartaal
59
duidelijk of het percentage waarbij Covid-19 als doodsoorzaak wordt vermeld voor de
verschillende leeftijdsgroepen bij benadering ongeveer constant is. Dat blijkt echter wel
ongeveer het geval te zijn: gegeven dat iemand overlijdt is de kans dat dit aan Covid-19 was
voor iedereen ongeveer gelijk.
46
Dit betekent dat de tabellen van het CBS bruikbaar zijn, op
zijn minst bij benadering, ook al vermelden die geen leeftijden.
Laten we vooralsnog aannemen dat het vaccin geen negatieve bijwerkingen heeft, en
stel dat de verdeling gevaccineerd versus ongevaccineerd in dit hypothetische voorbeeld is
zoals in deze tabel:
doodsoorzaak Covid-
19
andere
doodsoorzaak
totaal
gevaccineerd
100
400
500
ongevaccineerd
900
3600
4500
totaal
1000
4000
5000
In dit geval zien we dat de kans dat een persoon aan Covid-19 is overleden, voor zowel
gevaccineerden als ongevaccineerden gelijk is aan 20%. Het vaccin doet in dit geval niets.
Maar stel nu even dat de tabel er zo uit ziet:
doodsoorzaak Covid-
19
andere
doodsoorzaak
totaal
gevaccineerd
50
450
500
ongevaccineerd
900
3600
4500
totaal
950
4050
5000
In dit geval is het percentage bij de gevaccineerden dat aan Covid-19 overlijdt gelijk aan 10%,
een halvering dus ten opzichte van de 20% van de ongevaccineerde groep.
Men kan zich voorstellen dat de neiging nu bestaat om de 450 in de tabel te
vervangen door 400: zou je immers niet mogen stellen dat vaccinatie volgens de tweede
tabel per saldo 50 mensen het leven heeft gered? Het punt is dat we die vrijheid niet hebben
omdat we het simpelweg moeten doen met de gegevens die we hebben, en die worden
precies samengevat in de tabel.
Als het vaccin perfect zou werken, dan zouden er helemaal geen gevaccineerden aan
Covid-19 mogen overlijden, en zou de tabel er zo uit kunnen zien:
doodsoorzaak Covid-
19
andere
doodsoorzaak
totaal
gevaccineerd
0
500
500
ongevaccineerd
900
3600
4500
totaal
900
4100
5000
46
Zie Hoofdstuk 2 van dit rapport.
60
We vergelijken nu het percentage gevaccineerden in de hele groep van overledenen
met het percentage gevaccineerden in de groep die aan Covid-19 overlijdt. Als het vaccin
niets doet zijn deze percentages gelijk, en inderdaad zien we dat in de eerste tabel terug: de
percentages zijn allebei 10%. In de tweede tabel is het percentage gevaccineerden onder alle
overledenen nog steeds 10% maar onder de mensen die aan COVID-19 overlijden is dat
50/950 × 100% = 5,3%. Gevaccineerden zijn nu dus ondervertegenwoordigd, zoals je van een
werkend vaccin mag verwachten. In de derde tabel zijn de percentages 10% en 0%; een
perfect werkend vaccin dus.
We berekenen nu simpelweg de reductie van het aandeel gevaccineerden als we
kijken naar alle overlijdens ten opzichte van de overlijdens aan Covid-19. In de eerste tabel
geldt dat deze reductie 0%. In de tweede tabel gaan we van 10% naar 5,3 %, een reductie
van maar liefst 47%. In de derde tabel zien we een reductie van 100%.
De reducties die we hier berekenen zijn gerelateerd aan wat de vaccin-effectiviteit
(VE) van een vaccin genoemd wordt. Die VE bespreken we uitgebreid in het volgende
hoofdstuk. De specifieke data van het onderhavige CBS-rapport beperken de mogelijkheden
die we hier hebben enigszins, vandaar deze niet geheel klassieke manier om de werking van
een vaccin te kwantificeren middels de reductie die we zojuist bespraken.
Een tweede waarschuwing is daarbij ook op zijn plaats. Het moge duidelijk zijn dat de
hier berekende reductie uitsluitend effectiviteit tegen sterfte aan Covid-19 betreft. Als het zo
zou zijn dat iedereen die gevaccineerd wordt onmiddellijk aan bijwerkingen zou overlijden,
dan zouden we óók de laatste tabel verkrijgen: niemand gaat dan gevaccineerd dood aan
Covid-19. We kunnen dus op basis van de gegevens die we van het CBS ontvingen geen
uitspraken doen over bijwerkingen van het vaccin, maar uitsluitend over bescherming tegen
sterfte aan Covid-19. Dat is natuurlijk wel een belangrijke grootheid, maar nogmaals, als
iedereen na een vaccinatie onmiddellijk zou overlijden, dan zou de reductie met deze
methodiek 100% zijn, want niemand sterft dan aan Covid-19.
Een en ander betekent dat een analyse zoals deze, op basis van de vaccinatiegraad
van overledenen in relatie tot doodsoorzaken, principieel beperkt is – nog losstaand van de
mogelijke verstoringen en vertekeningen in de doodsoorzakenregistratie.
De echte cijfers
Tot zover de hypothetische cijfers en de achtergronden van de methodiek die we hier
hanteren. Laten we nu naar de echte cijfers kijken, en laten we van januari 2021 tot juni
2021 de berekeningen zoals boven beschreven voor elke week uitvoeren. Deze periode is
gekozen vanwege het feit dat vrijwel alle eerste vaccinaties in die periode werden
uitgevoerd. We kijken elke week naar twee groepen: mensen die precies één vaccinatie
hebben ontvangen tot die week versus alle anderen. Deze aantallen zijn te berekenen uit de
tabellen van het CBS in haar rapport. De reductie die we dan vervolgens bepalen is dus de
reductie van precies éénmaal gevaccineerd versus alle anderen.
Om deze reductie te bepalen hebben we twee percentages nodig. In Figuur 43 is het
percentage eenmalig gevaccineerden onder alle overledenen groen gekleurd, en dat onder
overledenen aan Covid-19 blauw (dus gebaseerd op de cijfers uit de CBS publicatie van 23
61
februari). De percentages staan rechts verticaal uitgezet. Voor referentie zien we ook het
aantal corona sterfgevallen, links uitgezet op de verticale as.
We zien nu iets verrassends: de blauwe lijn ligt boven de groene, en dat betekent dat
bij de mensen die aan Covid-19 overlijden de (eenmalig) gevaccineerden juist
oververtegenwoordigd zijn, en niet ondervertegenwoordigd zoals je zou verwachten. Alleen
in de eerste week van de vaccinatiecampagne is dat even anders: wellicht heeft dat ermee te
maken dat toen voornamelijk zorgmedewerkers werden gevaccineerd die gezien hun leeftijd
en gezondheidstoestand niet vaak overleden. Ook waren de aantallen vaccinaties in die
eerste week nog erg laag om betrouwbare uitspraken te kunnen doen.
Maar hoe het ook zij, we zien dat het vaccin een negatieve werking heeft voor
eenmalig gevaccineerde mensen (in de eerste 4 weken dus).
Figuur 43. Het percentage eenmalig gevaccineerden onder alle overledenen groen gekleurd,
en dat onder overledenen aan Covid-19 blauw. De percentages staan rechts vercaal
uitgezet. Voor referene zien we ook het aantal corona sterfgevallen, links uitgezet op de
vercale as.
Deze negatieve werking vraagt natuurlijk om een verklaring. Een vaak genoemd
effect is het zogenaamde ‘healthy vaccinee effect’ (HVE).
47
Dit behelst de idee dat mensen
die zich laten vaccineren doorgaans gezonder zijn dan mensen die dat niet doen. Dat
vertekent het beeld natuurlijk, omdat dat in zichzelf al betekent dat gevaccineerden minder
snel overlijden vanwege hun betere gezondheid, en niet vanwege het vaccin.
Echter, we zien hier juist het omgekeerde effect, dus wellicht kun je stellen dat het
verschil in werkelijkheid waarschijnlijk nog groter is. Dat kunnen we op basis van de
47
Zie bijvoorbeeld hps://www.ijidonline.com/arcle/S1201-9712(24)00046-8/fulltext
62
gegevens die we hebben niet bepalen. Bovendien is het zo dat we gezonde mensen sowieso
niet tegenkomen in deze studie, want we kijken alleen naar mensen die zijn overleden.
Wellicht suggereren deze bevindingen dat mensen na vaccinatie extra gevoelig waren
voor Covid-19, iets wat we in Hoofdstuk 6 en vooral in Hoofdstuk 8 ook bespreken.
Enige nuancering is wel op zijn plaats. De cijfers gaan over mensen die precies één
vaccinatie hebben gehad versus alle anderen. Die anderen kunnen nul of twee vaccinaties
hebben gehad. Een negatieve werking voor één vaccinatie versus twee vaccinaties is iets wat
je ook wel verwacht: de tweede vaccinatie zou een betere bescherming moeten bieden. Dit
effect zal in de linkerhelft van de grafiek niet meespelen, want toen waren er simpelweg
geen mensen met twee vaccinaties. In de rechterhelft zou het wel een rol kunnen spelen,
maar in die periode werden bijvoorbeeld jongeren massaal voor de eerste keer
gevaccineerd.
De gemiddelde reductie
De berekeningen tot nu toe waren specifiek gericht op de bescherming die het vaccin zou
bieden voor mensen die maar één vaccinatie hebben ontvangen. Maar we kunnen later in de
tijd eenzelfde berekening maken voor de groep die minimaal één vaccinatie heeft ontvangen
versus mensen die ongevaccineerd zijn. Daarmee komen we tegemoet aan de mogelijke
bezwaren rond Figuur 43 die we net benoemden.
Als we bijvoorbeeld vier maanden na het begin van de vaccinatiecampagne kijken,
dan is de groep die minimaal één vaccinatie heeft gehad inhomogeen: sommigen zullen net
hun eerste vaccinatie hebben gehad, terwijl anderen al lang hun tweede hebben gehad.
Omdat we verder geen gegevens hebben kunnen we bij deze analyse niet anders doen dan
deze groep als één geheel te beschouwen: de uitkomst is dan een bepaald gemiddelde, maar
waar het precies een gemiddelde van is, laat zich niet bepalen. Het resultaat is de grafiek in
Figuur 44, die we eerst verder uitleggen.
We zien hier de reductie, zoals we die hebben uitgelegd, uitgezet in de tijd. Er is een
relatie met Figuur 43: de negatieve reductie aan het begin is het gevolg van het feit dat in
Figuur 43 de blauwe lijn boven de groene lijn ligt. Daarna stijgt de berekende (gemiddelde)
reductie naar ongeveer 60%, om daarna uiteindelijke weer te dalen. Vanaf de omikron
variant van het virus is de reductie wispelturig maar overwegend negatief.
63
Figuur 44. Reduce voor de groep die minimaal één vaccinae hee ontvangen versus
mensen die ongevaccineerd zijn.
Golfpatronen en correlaties
We zagen dat het CBS-rapport van 23 februari 2024 aanleiding gaf tot enkele berekeningen
met toch wel verrassende uitkomsten. Maar naast dat rapport publiceren het CBS en andere
instituten heel veel globale cijfers waar we ook wel wat aan kunnen zien. We kijken in deze
sectie naar enkele globale patronen, met uiteraard de voorzichtigheid waarover we aan het
begin van dit hoofdstuk al schreven.
We zijn in Nederland gewend aan influenza-golven. Deze volgen doorgaans een vast
patroon: de tijdelijke oversterfte, die doorgaans rond de 6 weken duurt, wordt onmiddellijk
gevolgd door een periode van juist ondersterfte. De reden is dat een influenza-golf vooral
mensen treft die al een zwakke gezondheid hebben, en door de besmetting iets eerder
komen te overlijden dan zonder epidemie het geval zou zijn geweest. In Figuur 45 zien we
dat de griepepidemie van 2018 precies dat patroon volgt – zie de blauwe lijn – maar we zien
ook dat het sterftepatroon in 2022/2023 heel anders is (de groene lijn).
In het kader van ons onderzoek is het interessant om te zien of het golfpatroon van
(over)sterfte en die van de vaccinatievolumes gecorreleerd zijn. Natuurlijk moeten we met
dat soort correlaties voorzichtig zijn, maar wellicht kunnen we er informatie uit halen voor in
ieder geval het korte-termijn effect van vaccinaties.
Over correlaties doen nogal wat misverstanden de ronde. Het is uiteraard waar dat
een correlatie niet noodzakelijk op een causaal verband wijst, maar het is echt te
gemakkelijk om een correlatie op die gronden niet serieus te nemen. Immers, bij een causaal
verband verwacht je correlatie. Zeker wanneer de correlatie zich herhaaldelijk in de tijd
voordoet en er geen redelijke alternatieve verklaring voor bestaat, is correlatie wel degelijk
een aanwijzing die op een causaal verband kan wijzen. Ons inziens wordt dit te weinig
erkend. Hier is bijvoorbeeld minister Ernst Kuipers aan het woord over correlaties:
64
Figuur 45. Vergelijking tussen overstere griep 2018 met sterepatroon 2023.
“De bronnen waarnaar verwezen wordt zijn blogposts en YouTube-video’s. Het
betreft geen wetenschappelijke publicaties. Ik heb kennisgenomen van de
betreffende uitlatingen over de genoemde correlatie. Ik ben onder meer in mijn
beantwoording van schriftelijke vragen van het lid Van Haga (Groep Van Haga) van 31
augustus jl. en 11 oktober jl. en in het debat met uw Kamer van 15 december jl. reeds
ingegaan op deze en vergelijkbare suggesties. Daarbij benadruk ik nogmaals dat het
vanuit wetenschappelijk oogpunt bij het doen van onderzoek belangrijk is om
zorgvuldig onderscheid te maken tussen correlatie en causaliteit. Pas wanneer een
causaal verband is aangetoond kan men spreken van een oorzaak-gevolg relatie.”
48
In het debat waar hij naar verwijst, erkende Kuipers de correlaties tussen vaccinatievolumes
en sterfte, maar hij ontkende enig causaal verband.
Laten we zelf naar enkele correlaties kijken. We verwijzen allereerst naar Figuur 46
waarin we voor het 80+-cohort de vaccinatievolumes (groen) uitzetten tegen de oversterfte
(blauw) zoals wij die berekenen.
49
Het beeld is niet helemaal éénduidig, maar het valt wel op
dat de pieken van de vaccinatievolumes samenvallen met pieken in de oversterfte. Er zijn
echter ook genoeg sterftepieken die los staan van de vaccinatievolumes.
Een andere correlatie die soms is voorgesteld is die tussen aantallen virusdeeltjes in
het riool en het aantal Covid-19 ziekenhuisopnames volgens het LCPS (Landelijke Coördinatie
Patiënt Registratie). We verwijzen naar Figuur 47.
De correlatie tussen de twee grootheden die we hier uitzetten is duidelijk heel hoog.
Maar hoe zouden de rioolwaardes de oorzaak van de oversterfte kunnen zijn? Dat valt
48
pdf (overheid.nl).
49
Zie Hoofdstuk 2 van dit rapport.
65
moeilijk in te zien. Hogere rioolwaardes duiden op hogere prevalentie van het virus, en dat
laatste zou natuurlijk zeker te maken kunnen hebben met de aanhoudende oversterfte.
Maar zolang we niet goed weten wie er precies aan het virus overlijden valt uit de
rioolwaardes helemaal niets op te maken over de rol van de vaccins rond de oversterfte. Zo
zou het bijvoorbeeld best kunnen zijn dat bij hoge prevalentie juist gevaccineerden extra
kwetsbaar zijn, of juist niet. Als we chocoladegebruik per hoofd van de bevolking zouden
uitzetten tegen het aantal Nobelprijswinnaars per hoofd van de bevolking, dan krijgen we
ook een zeer sterke correlatie. Deze is niet causaal maar volgt uit een gemeenschappelijke
oorzaak: welvaart. Zo zien wij virusdeeltjes in het riool ook.
Figuur 46. Vaccinaevolumes en overstere 80+ cohort in de jd.
Hoe zien de golven van de Covid-19 pandemie eruit? Op macro-niveau is het
misschien mogelijk om globale conclusies te trekken op basis van de golfpatronen en de
temporele relatie tot bijvoorbeeld vaccinatiecampagnes. Figuur 48 is hierbij erg behulpzaam.
Deze figuur vraagt om een uitleg die we nu geven.
De oversterfte en het aantal Covid-19 sterfgevallen spreken voor zich: de oversterfte
bij de eerste golf kan volledig worden toegeschreven aan Covid-19. De zwarte lijn behoeft
echter enige explicatie. Op basis van cijfers uit eerdere epidemieën is bekend dat oversterfte
in de 18 maanden na een epidemie voor ongeveer 80% terugkomt in de vorm van
ondersterfte, zie ook de discussie in Hoofdstuk 2. Als je dit gegeven wilt gebruiken in een
berekening of visualisatie, dan zul je een model moeten maken voor de ondersterfte na
oversterfte. Je moet dan een keuze maken over het percentage dat als ondersterfte
66
terugkomt, over de periode waarin de ondersterfte relevant is, en ook voor de verdeling van
de ondersterfte over die periode.
Figuur 47. Virusdeeltjes en ziekenhuisopnames Covid-19 in de jd.
We hebben hiervoor verschillende keuzes gemaakt die in details natuurlijk tot iets
verschillende uitkomsten leiden. Echter, in grote lijnen volgen alle redelijke keuzes ongeveer
hetzelfde patroon. Voor dit rapport kiezen we voor 80% en een periode van 18 maanden
waarbinnen we de ondersterfte gelijkmatig verdelen. In Figuur 48 representeert de zwarte
lijn dan de baseline van deze ondersterfte bij deze keuze van het model.
Nogmaals, het blijft natuurlijk maar een model: ondersterfte na oversterfte is als
fenomeen niet controversieel, maar als je er aan wilt rekenen of effecten wil visualiseren
dan moet je een model hebben en de details van zo’n model zullen altijd onderwerp van
discussie blijven.
We zien dat de eerste golf van de pandemie zich keurig volgens dit model gedraagt:
na de grote eerste golf valt het sterepatroon terug naar de berekende baseline die rekening
houdt met de onderstere die op een golf moet volgen. Echter, de tweede corona-golf zorgt
behalve voor meer sterfgevallen ook voor een diepere baseline: de zwarte lijn daalt. Dat is
wat het model namelijk zegt: nieuwe overstere zorgt later ook weer voor meer
onderstere.
We zien na de tweede golf echter geen terugkeer naar deze zwarte baseline. De
sppellijn is een vrije invulling van wat je ongeveer zou verwachten in die situae, maar we
zien dat deze helemaal niet gevolgd wordt: het aantal sterfgevallen blij hoog. Ook als de
overstere rond de 0 ligt, is er in feite sprake van verborgen overstere, omdat je eigenlijk
op de zwarte baseline had moeten zien.
67
Figuur 48. Afwijkend gedrag van de tweede golf. De zwarte lijn is de baseline van de
gelijkmage verdeling van de onderstere die 80% van de overstere behelst.
Er moet een reden zijn waarom de tweede golf zich kwalitatief anders gedraagt dan
de eerste. We merken op dat het afwijkende gedrag precies begint bij het begin van de
vaccinatiecampagne aan het begin van 2021. Dat is opvallend. We kunnen dit gedrag niet
opvatten als hard bewijs voor vaccinatieschade. Het beeld past echter precies bij een
scenario waarbij vaccinatie korte-termijn schade in de vorm van mortaliteit genereert.
We komen tot slot van dit hoofdstuk nog even terug op Figuur 45. In het seizoen
2022/23 was corona zo goed als verdwenen. De oversterfte begint echter al in september te
stijgen (de bult in juli was een hittegolf die standaard tot hogere sterfte leidt) en er zijn drie
golven waar te nemen. De totale oversterfte is daarmee ook driemaal zo groot als bij een
klassieke griep. Het is ons niet ontgaan dat dit past bij het beeld van een verminderde
algemene weerstand tegen seizoensvirussen. Hetzelfde beeld zien we ook in het
hieropvolgende seizoen (niet in deze grafiek getekend). In Hoofdstuk 8 leggen we vanuit
medisch perspectief uit hoe deze verminderde weerstand zou kunnen samenhangen met
vaccinaties.
68
Hoofdstuk 6
Analyses op basis van CBS microdata
50
Samenvang
In dit lange hoofdstuk
51
doen we verslag van analyses waarin we sterfte en diagnoses
hebben vergeleken tussen de (corona)gevaccineerde en ongevaccineerde populatie in
Nederland; dit om de mogelijke invloed (zowel positief als negatief) van de coronavaccins op
de sterfte in Nederland beter te kunnen duiden. De analyses zijn gedaan in de CBS
microdata-omgeving, met data op individueel persoonsniveau. Ook hebben we daarbij
gebruik gemaakt van de CIMS vaccinatie-database, eveneens aanwezig in de CBS microdata,
en toegankelijk voor onderzoekers in het kader van het ZonMw Oversterfte-programma lijn
3.
52
De analyses laten interessante, maar ook complexe en soms lastig te interpreteren
resultaten zien. Mede door beperkingen in de brondata en de methodologie krijgen we geen
definitieve antwoorden, maar wel belangrijke nieuwe aanwijzingen alsmede
aanknopingspunten voor benodigde vervolgstappen. We vatten het hoofdstuk nu eerst
samen.
Klassieke survival analysis aanpak, maar ook enkele extra stappen en andersoortige analyses
In eerste instantie hebben we de data op een klassieke standaardwijze geanalyseerd, zoals
CBS/RIVM ook hebben gedaan in hun belangrijke en invloedrijke studies, uitgevoerd met
grotendeels dezelfde data. De CBS/RIVM-studies rapporteerden steevast een zeer hoge
vaccin-veiligheid en een zeer hoge vaccin-effectiviteit (VE) – niet alleen voor coronasterfte
maar ook voor alle overige sterfte. In onze analyses maakten we gebruik van vergelijkbare,
maar net iets andere en eveneens standaard statistische survival analysis technieken en
standaard VE-maten. Ook gebruikten we sterk vergelijkbare geboortejaar-cohorten –
inclusief het onderscheid op WLZ-gebruik.
53
Een belangrijk verschil is dat wij mensen in onze analyses beschouwen als
“gevaccineerd” direct na de eerste vaccindosis, in plaats van een aantal weken na
completeren van de basisserie van twee prikken; dit om eventuele nadelige effecten direct
50
Het onderzoek in de interne omgeving van het CBS is uitgevoerd door dr. Bram Bakker, datawetenschapper,
verbonden als parme onderzoeker aan Amsterdam UMC/Amsterdam Medical Research BV en aan Cygnify
BV. Hij is ook de grootse contribuant van dit hoofdstuk.
51
In dit hoofdstuk nummeren we voor interene referene de seces.
52
Dit werk is mede gefinancierd door en gedaan in de context van ZonMw Oversterfte Lijn 3 project “Delayed
Acute Care and Excess Mortality: Effects of Deferred Diagnoses and Treatment among Patients with
Hypertension and Heart Disease”. De auteurs danken hoofdaanvrager dr. Eline van den Broek-Altenburg voor
de steun en nuttige opmerkingen, ZonMw, het CBS microdata-team voor ondersteuning van ons microdata-
project 9457, en leden van de OOO-groep en met name dr. ir. André Redert voor zijn nuttige feedback.
53
WLZ-gebruikers zijn mensen die gebruik maken van de Wet Langdurige Zorg; dit zijn veelal mensen die
langdurige zorg ontvangen in verpleeg- en verzorgingshuizen, en dus vaak oud en kwetsbaar zijn.
69
na vaccinatie beter in kaart te brengen. Verder proberen we zo goed mogelijk te corrigeren
voor a priori gezondheidsverschillen tussen de gevaccineerde en ongevaccineerde groep
door de standaardtechniek van matching te gebruiken. Dit houdt in dat we tegenover elke
gevaccineerde persoon in de vaccin-onderzoeksgroep een vergelijkbare ongevaccineerde
persoon in de controle-groep plaatsen, met hetzelfde geschatte gezondheidsniveau.
54
We
doen dit vooral op basis van hun medicijngebruik in het jaar ervoor. Door deze matching
ontstaat een beter beeld van wat het effect is van het vaccin, los van eventuele al bestaande
verschillen tussen de gevaccineerde en ongevaccineerde groep.
Daarna hebben we, na de eerste analyses, extra analyses gedaan waarbij we telkens
de VE berekenen voor een korte periode van 4 weken, in plaats van in één keer over de
gehele periode, die veel langer is. De keuze voor kortere periodes - hoewel minder
gebruikelijk - maken wij om beter om te kunnen gaan met de grote temporele en groeps-
dynamiek in de data, waarin bijvoorbeeld zeer kwetsbare subgroepen telkens eerst
gevaccineerd werden, en de VE sterk varieert over de tijd. Door de periodes korter te maken
krijgen we daar beter zicht op.
Verhoogde sterfte en verhoogde Covid-sterfte tijdens vaccinatierondes
Zowel tijdens de basisvaccinatie-rondes als tijdens de booster-ronde is er licht verhoogde
sterfte zichtbaar, vooral bij oudere leeftijdsgroepen. Dit is vooral bij de ongevaccineerde
groepen te zien, maar in mindere mate ook bij gevaccineerde groepen. Volgens de officiële
doodsoorzakenregistratie is dan telkens ook de Covid-sterfte enigszins verhoogd. Dit kan en
zal een rol gespeeld hebben bij de algemeen verhoogde sterfte, met name bij de oudere
leeftijdsgroepen, hoewel Covid in deze periodes volgens de officiële doodsoorzaken-
registratie maar een klein deel van de sterfte voor zijn rekening neemt.
Het verdient ons inziens nader onderzoek of nadelige interacties tussen vaccinatie en
corona-infectie hier wellicht een rol gespeeld hebben. We zouden graag antwoord krijgen op
vragen als: waar komt de schijnbare opleving van Covid tijdens de vaccinatierondes vandaan,
ook in de lente en zomer? Wat is het effect van de vaccinatie op de immuniteit? Wat is het
effect van een infectie vlak voor of vlak na vaccinatie?
Healthy vaccinee effect en resulterende VE-artefacten
Daarnaast stuitten we bij de resultaten ook op andere bijzondere fenomenen. Om te
beginnen zien we dat, ondanks matching, de non-Covid sterfte (zoals sterfte aan kanker,
cardiovasculaire sterfte, dementie, e.d.) in de ongevaccineerde groep alsnog veel hoger is
dan in de gevaccineerde groep. Dit geldt voor vrijwel alle leeftijdsgroepen. Dit duidt op een
groot resterend healthy vaccinee effect (HVE), een statistisch artefact waarbij (ondanks
matching) de gevaccineerde groep in het algemeen veel gezonder blijkt te zijn dan de
ongevaccineerde. Het lijkt erop dat onze matching op basis van met name medicijngebruik
54
Vanwege het feit dat veel meer mensen gevaccineerd dan ongevaccineerd zijn, gebruiken we in de meeste op
matching gebaseerde analyses een verhouding van 3:1, drie gevaccineerde persoon voor elke ongevaccineerde
persoon.
70
(en WLZ-type en -niveau) zijn beperkingen heeft. Merk op dat een puur HVE geen verklaring
biedt voor ook de algehele, totale verhoging van sterfte; want HVE zorgt alleen voor een
splitsingseffect waarbij de relatief ongezonde mensen een andere keuze maken over
wel/niet vaccinatie dan de relatief gezonde mensen.
Dit grote verschil in sterfte tussen gevaccineerden en ongevaccineerden als gevolg
van HVE leidt tot heel hoge schijnbare VE, zowel voor bescherming tegen sterfte in het
algemeen als tegen coronasterfte, die waarschijnlijk geen werkelijke vaccin-bescherming
inhoudt. Vrijwel zeker zijn ook de CBS/RIVM rapportages hier sterk door beïnvloed.
55
Een
analyse van de eerste booster-vaccinatie, eind 2021, laat weer precies hetzelfde effect zien:
een heel groot HVE dat kunstmatig (als artefact) tot hoge schijnbare VE leidt: een
ogenschijnlijk, maar niet reëel ‘oppeppen’ van de bescherming.
Dit alles verklaart ons inziens ook grotendeels de bevinding dat een initieel hoge VE
zo snel (binnen enkele maanden) afneemt. Immers, van een HVE verwachten we dat dit
binnen enige tijd verdwijnt, als met name de zeer kwetsbare mensen, die vanwege uiterst
zwakke gezondheid en een matig functionerend immuunsysteem niet meer gevaccineerd
konden worden, overleden zijn. Als we dat grote HVE meenemen in de interpretatie, is er
volgens onze analyses weinig tot geen evidentie voor échte bescherming tegen sterfte door
de coronavaccins. Zeker niet voor de jongere leeftijdsgroepen, waar de sterfte aan Covid-19
sowieso verwaarloosbaar is.
Tijdelijk onrealistisch hoge sterfte bij ongevaccineerden tijdens vaccinatierondes
We zien in de data van het CBS/RIVM een vreemd fenomeen: de sterfte in de (volgens CIMS)
ongevaccineerde groep is vooral in de weken waarin heel veel gevaccineerd werd en de paar
weken erna, extreem en onrealistisch hoog. Als voorbeeld noemen we het geboortejaar-
cohort 1940-1950 (zonder WLZ-gebruik), de ongevaccineerden in deze groep hebben een
kans van maar liefst 8,59% om te overlijden aan iedere willekeurige doodsoorzaak in de
eerste 4 weken na de periode waarin veel gevaccineerd werd, terwijl dit voor
gevaccineerden slecht 0,14% is (zie Figuur 52 in dit hoofdstuk).
Dit fenomeen is mede verantwoordelijk voor de lichte verhoging van gemiddelde
sterfte van ongevaccineerden en gevaccineerden bij elkaar, precies samenvallend met de
piek van de vaccinatieronde. Dit alles dus terwijl er bij die ongevaccineerde groep in die
weken (meestal de lente van 2021), biomedisch gezien niets bijzonder gebeurt. Wel is er dus
enige verhoogde sterfte aan doodsoorzaak Covid-19, vooral bij de ongevaccineerden en een
klein beetje bij de gevaccineerden. Echter, noch de (kleine) coronagolf noch het HVE kan de
extreme piek in sterfte onder de ongevaccineerden volgens onze analyse volledig verklaren.
Ernstige datavervuiling?
55
CBS/RIVM erkent inmiddels zelf óók (na eerdere stevige kriek op dit punt) heel duidelijk en expliciet dit
eect, en vermelden dat dit de resultaten sterk kan beïnvloeden. Dergelijke nuancering verdwijnt echter in het
algemeen in publieke communicae en beeldvorming, ook door CBS en RIVM zelf.
71
Nog een mogelijke factor is, weten we, dat sommige mensen geen toestemming hebben
gegeven voor opname van hun vaccinatiegegevens in centrale onderzoeksregisters. Zij zijn
daardoor logischerwijze niet opgenomen in CIMS, terwijl zij wel degelijk een vaccinatie
hebben ontvangen. Deze mensen worden daardoor gerekend als “ongevaccineerd”. Het is
onduidelijk hoe vaak dit precies is voorgekomen (gerapporteerde, maar niet-precieze cijfers
spreken over ±7%); de grote sterftepiek bij ongevaccineerden suggereert dat dit
onevenredig en opmerkelijk vaak gebeurd is bij mensen die vlak na de vaccinatie overleden.
We moeten dus de mogelijkheid overwegen dat van een significant en
disproportioneel aantal mensen dat kort na de vaccinatie overleed – wellicht mede als
gevolg van die vaccinatie – de vaccinatie niet is geregistreerd in CIMS. Hun overlijden werd
daarmee in dat geval onterecht bij de ongevaccineerde groep ingedeeld, wat lacunes, of
vervuiling, in de data heeft veroorzaakt. Hoe groter de groep, hoe ernstiger de vervuiling.
Deze lacunes kunnen te maken hebben met disproportioneel weinig rapportage richting
CIMS over gezette vaccinaties vanuit verpleeghuizen of ziekenhuizen;
56
dan wel keuzes of
procedures waardoor in voorkomende gevallen vaccinaties vlak voor overlijden van een
persoon niet meer opgenomen zijn in CIMS – dit laatste lijkt in elk geval in het Verenigd
Koninkrijk zo gebeurd te zijn (zie sectie 6.4.3 en Figuur 56).
Dit alles zou betekenen dat de analyses over effectiviteit en veiligheid van de
coronavaccins, inclusief die van CBS/RIVM - die over dit fenomeen niets vermelden - ook
daardoor sterk beïnvloed zijn ten faveure van de vaccins. Dit is dus mogelijk een tweede
groot artefact dat niet alleen de gerapporteerde VE, maar ook de inschatting van veiligheid
van de vaccins kunstmatig veel gunstiger heeft voorgesteld dan die in werkelijkheid is. Het
zou wijzen op ernstige datavervuiling, waarvan uitgezocht zou moeten worden hoe dit heeft
kunnen gebeuren.
Conclusies sterfte-analyse
Welke combinatie van oorzaken ook primair verantwoordelijk is voor al deze bevindingen,
en wat hun relatieve bijdrage aan de gemeten effecten ook is, het belangrijkste is de
volgende conclusie: er zijn grote artefacten die vrijwel zeker alle CBS/RIVM effectiviteits- en
veiligheidsanalyse ernstig hebben verstoord en daarmee de VE en de veiligheid sterk hebben
overschat. Deze zijn niet of onvoldoende opgemerkt en/of geadresseerd door het CBS/RIVM
zelf. Met de huidige beperkingen in de data waar wij toegang toe hebben en kennis over met
name de compleetheid en procedures rondom CIMS, kunnen wij ook niet nader antwoord
geven op vragen hoe dit heeft kunnen gebeuren. Maar ons inziens is opheldering omtrent
deze kwesties erg belangrijk en heel hard nodig.
56
Uit persoonlijke email-toelichng door CBS, na ruggespraak met RIVM en GGD, aan de hoofdauteur van dit
hoofdstuk: “We weten niet hoeveel personen die zijn gevaccineerd in verpleeghuizen of ziekenhuizen niet zijn
opgenomen in CIMS” en “Het klopt inderdaad dat we op landelijk niveau niet weten welk aandeel van de in het
ziekenhuis of verpleeghuis gevaccineerde personen geen toestemming hee gegeven voor registrae in CIMS.”
72
Diagnoses-analyse
Als aanvullend onderzoek hebben we een analyse uitgevoerd van ziekenhuis-diagnoses van
specifieke hartaandoeningen die doorgaans niet tot sterfte leiden. Dit zijn categorieën van
hartaandoeningen waarvan uit bestaand onderzoek bekend is of vermoed wordt dat er een
relatie is met zowel vaccinatie (als bijwerking) als Covid-19 en andere virale infecties (als
neveneffect). We onderscheiden twee categorieën: 1. ‘myocarditis, pericarditis,
endocarditis, cardiomyopathie’, allen gerelateerd aan ontstekingen/ziekte van de hartspier
of hartklep, en 2. ‘myocardinfarct/hartfalen’. We hebben gekeken naar diagnoses van 2018
t/m 2021; in tegenstelling tot de registratie van de sterfte hebben we van latere jaren nog
geen data. Sowieso is er verhoging van de prevalentie van al deze hart-diagnoses in 2020 en
met name 2021. Vanaf het jaar 2021 konden we de verschillen tussen gevaccineerden en
ongevaccineerden analyseren. Ook bij dit onderzoek laten de resultaten interessante dingen
zien, ondanks dat er geen definitieve antwoorden kunnen worden gegeven.
Voor de oudere groep (1940-1960) is de algehele verhoging van prevalentie van
diagnoses in 2021 relatief meer toe te schrijven aan de ongevaccineerden dan aan de
gevaccineerden. Dit is in lijn met wat we zagen in de sterfte-analyses. Het effect is echter
veel minder sterk dan bij de sterfte. Ook hier moeten we rekening houden met een
mogelijke rol van het HVE. Ook kan uiteraard uitgestelde zorg en zorgmijding in 2020 een rol
spelen, bij zowel ongevaccineerden als gevaccineerden.
Toename diagnoses bij gevaccineerde jongere groepen
In de jongere groepen (geboortejaren 1960-1980 en 1980-2020) echter, zijn de patronen van
de diagnose-analyses heel anders: daar zien we vooral bij gevaccineerden hoge pieken in
diagnose-prevalentie (af en toe zeer hoog, bijvoorbeeld bij de diagnose myocardinfarct voor
de jongste groep). De gevaccineerden dragen hier dus het meest bij aan de totale verhoging
van diagnoses. Dit effect is het sterkst rond de basisvaccinatie-rondes. Dit bevestigt het
beeld uit de wetenschappelijke literatuur dat bij jonge mensen dergelijke hartgerelateerde
bijwerkingen relatief vaak lijken voor te komen.
Ook hier kan echter HVE zeker weer een verstorende rol spelen in de analyses. Maar
voor de jongere groepen zou dat in dit geval omgekeerd moeten zijn, een negatief HVE: de
mogelijkheid dat ongezondere jongeren er relatief vaak voor kozen om gevaccineerd te
worden. Merk op dat, net als voor sterfte, een puur HVE niet de algehele verhoging in
aantallen diagnoses kan verklaren. Tenslotte is het relevant dat deze hart-diagnoses, zeker
bij jongeren, slechts zelden leiden tot een snelle dood. De hierboven hypothetisch
beschreven datavervuiling (bij sterfte van een persoon vlak na vaccinatie wordt de vaccinatie
niet geregistreerd in CIMS) zou hier dan ook minder een rol spelen.
De rollen en mogelijke interactie van infecties en vaccinaties
Bij zowel ongevaccineerden als gevaccineerden zien we dat in de acht weken voor de hart-
diagnose er relatief vaak een infectie met SARS-CoV-2 optreedt. Dus zowel infecties als
vaccinaties spelen mogelijk een rol in de causale keten bij deze hart-gerelateerde diagnoses
en de totale verhoging in prevalentie, en (wederom) wellicht soms in interactie met elkaar.
73
Deze resultaten suggereren voorzichtig dat een infectie met het virus of een vaccinatie tegen
Covid-19 allebei een trigger kunnen zijn voor deze aandoeningen, en dat de combinatie
ervan, bij gevaccineerden, mogelijk soms extra nadelig uitpakt. Wat betreft de covid-
vaccinaties vormen deze bevindingen een veiligheidssignaal dat eveneens verder onderzocht
zou moeten worden.
6.1 Inleiding: aanleiding en databronnen voor de analyses in dit hoofdstuk
Om de invloed (zowel positief als negatief) van de coronavaccins op de sterfte in Nederland
te bepalen is een van de belangrijkste gegevensbronnen de database die het CBS beheert, en
waarin de uitgebreide data op individueel persoonsniveau te vinden zijn. In deze zgn.
microdata-omgeving staan allerlei datasets die aan elkaar gekoppeld kunnen worden,
waaronder geboortedatum en sterftedatum, allerlei persoonlijke gegevens, en ook de CIMS
vaccinatie-dataset (grotendeels afkomstig van GGD GHOR), waarin de (i.e.g. de meeste)
coronavaccinaties staan. Koppeling tussen de datasets is mogelijk met zgn.
‘gepseudonymiseerde’ persoonlijke ID-nummers, afgeleid op een niet herleidbare manier
van het BSN-nummer.
Het CBS zelf, in samenwerking met het RIVM, heeft meerdere analyses en rapporten
geproduceerd op basis van deze datasets, in opdracht van de overheid (via VWS en ZonMw),
die alle zeer hoge vaccin-effectiviteit en veiligheid rapporteren in de jaren 2021 en 2022.
57
58
59
Ten aanzien van de oversterfte wordt daar dus uit geconcludeerd dat de vaccins een groot
gunstig effect hebben gehad op het beperken of terugdringen van de sterfte, en dat de
veiligheid van de vaccins hoog is.
In de laatste ronde (lijn 3) van het ZonMw Oversterfte-onderzoeksprogramma,
lopend van 2023 tot 2024, werd ook aan andere onderzoekers dan CBS en RIVM deze
microdata ter beschikking gesteld, inclusief de vaccinatiedata. In de context daarvan en als
laatste onderdeel van een onderzoek dat (ook) keek naar hartaandoeningen en
uitgestelde/verslechterde zorg in de periode ervoor, en in dat kader (in de covariaten-
analyses) ook keek naar de positieve of negatieve rol van de coronavaccins, is ook de analyse
uitgevoerd zoals beschreven in dit hoofdstuk.
De analyses in dit hoofdstuk zijn op iets andere wijze uitgevoerd dan die door
CBS/RIVM. Dit werk werd geïnspireerd door enerzijds vreemde initiële bevindingen in onze
eigen andere, en eerder uitgevoerde oversterfte-analyses en discussie daarover; plus
sowieso de constatering dat bepaalde bevindingen van CBS/RIVM in die eerdere rapportages
zeer onlogisch zijn en dringend om opheldering vragen. Dit wordt in de volgende sectie
57
Stere en overstere in 2020 en 2021. Onderzoek door het CBS en het RIVM, onderdeel van het ZonMw
onderzoeksprogramma Overstere. Rapport van RIVM en CBS. Juni 2022.
58
COVID-19 vaccinae en stere in 2022: Kans op stere aan COVID-19 en andere oorzaken na COVID-19
vaccinae in Nederland. Rapport van RIVM en CBS. December 2023.
59
Brechje de Gier, Liseloe van Asten, Tjarda M Boere, Annika van Roon, Caren van Roekel, Joyce Pijpers, C H
Henri van Werkhoven, Caroline van den Ende, Susan J M Hahné, Hester E de Melker, Mirjam J Knol, Susan van
den Hof (2023). Eect of COVID-19 vaccinaon on mortality by COVID-19 and on mortality by other causes, the
Netherlands, January 2021-January 2022. Vaccine. 2023 Jul 12;41(31):4488-4496.
74
uitgelegd. Het doel van de analyses in dit rapport is dan ook, ten eerste, om de bevindingen
van CBS/RIVM te valideren en zo nodig te ontkrachten of nuanceren; en ten tweede om
waar mogelijk eigen gekwantificeerde inschattingen van vaccin-effectiviteit (VE) en -
veiligheid te bepalen. Op deze manier hopen we met deze analyses bij te dragen aan inzicht
in hoeverre de vaccins op positieve of misschien negatieve manier bijgedragen kunnen
hebben aan de oversterfte in Nederland. Het is goed om daarbij vast op te merken dat
vanwege methodologische en data-beperkingen een definitief antwoord door middel van
deze analyses niet gegeven kan worden. Maar er kunnen wel een aantal belangrijke
conclusies worden getrokken en ons inziens zeer noodzakelijke vervolgstappen worden
voorgesteld.
De primaire analyses zijn analyses ten aanzien van sterfte, waarbij we kijken naar de
verschillen tussen gevaccineerde en ongevaccineerde mensen. Als extra, secundaire analyse
kijken we ook nog (in beperktere mate) naar diagnoses (in ziekenhuizen gesteld) van enkele
hart-gerelateerde aandoeningen (die niet persé tot sterfte leiden), en de potentiële relatie
daarvan met zowel vaccinatie als een SARS-CoV2 infectie.
In de volgende sectie wordt allereerst uitgelegd wat ons inziens die onlogische
resultaten zijn die CBS/RIVM rapporteert, alsmede wat daarvoor volgens ons plausibele(re)
verklaringen kunnen zijn. Vervolgens wordt onze vooraf gedefinieerde methodologische
aanpak uitgelegd; die in bepaalde opzichten lijkt op die van CBS/RIVM, maar op andere
punten ook afwijkt. Die alternatieve aanpak is mede bedoeld om die alternatieve
verklaringen te toetsen; en om door ons geconstateerde methodologische problemen
anders, en mogelijk beter, aan te pakken.
In secties daarna worden resultaten van die methodiek gepresenteerd, resultaten ten
aanzien van sterfte en verschillen daarin tussen gevaccineerden en ongevaccineerden.
Daaruit worden tussentijdse conclusies getrokken die laten zien dat extra analyses nodig zijn
om de ontstane vragen verder en beter te beantwoorden. De daaropvolgende sectie
beschrijft een aantal van die extra analyses, die dus op alternatieve wijze kijken naar de data
en extra inzichten geven. Daarna worden algemene conclusies getrokken en de volgens ons
nodige vervolgstappen beschreven.
Als laatste wordt de (kleinere, secundaire) analyse van ziekenhuisdiagnoses van
(geselecteerde) hart-aandoeningen gepresenteerd. Dit zijn hart-aandoeningen waarvan uit
bestaand onderzoek een relatie met zowel vaccinatie (als bijwerking) als SARS-CoV2 infecties
bekend is of vermoed wordt.
6.2 Problemen met de CBS/RIVM methodologie en resultaten
De twee hierboven al genoemde grote studies van het CBS/RIVM gedaan met de microdata
over de effectiviteit van de vaccins in relatie met sterfte en oversterfte rapporteren hoge
vaccin-effectiviteit (VE) – rond de 90% tegen Covid-19 sterfte gedurende een periode van
een aantal maanden – maar kennen enkele ons inziens grote methodologische problemen,
waarvan we de belangrijkste hier beschrijven.
75
6.2.1 Keuzes ten aanzien van startpunt en eindpunt van de meetperiode
De studies hanteren, overigens net als de meeste buitenlande observationele studies
60
alsmede de oorspronkelijke trials van de vaccinfabrikanten zelf,
61
een periode van twee
weken na completeren van de volledige basisvaccinatie (die bestaat uit 2 prikken, meestal 4
tot 10 weken na elkaar
62
), voordat het startpunt van de meetperiode begint. Dit wordt in
vaccinstudies gezien als een biomedisch te rechtvaardigen periode waarin het vaccin ‘moet
inwerken’, en het immuunsysteem ‘zijn werk moet leren te doen’. Maar de consequentie is
dat daarmee alle besmettingen van reeds gevaccineerde mensen die geïnfecteerd raken in
de weken tussen de eerste en tweede prik, en dus nog niet die officiële status
“vaccinatie/basisserie voltooid” krijgen, worden geteld als “ongevaccineerd” of “basisserie
niet, of deels, voltooid”. Hierdoor kan een aanzienlijke bias ontstaan: een oneigenlijk,
schijnbaar en niet-reëel voordeel van het vaccin: dit omdat alle infecties (en doden) in de
eerste periode na de eerste en tweede prik niet bij de categorie “vaccinatie/basisserie
voltooid” worden geteld.
63
Interessant en belangrijk is dat juist in de eerste paar weken na
een eerste of tweede prik er een verhoogde kans op infectie met SARS-CoV2 lijkt te zijn—
zoals o.a. al vroeg gerapporteerd in een SAGE adviesraad-rapport uit de UK uit het voorjaar
van 2021.
64
Niet uit te sluiten valt dat dit effect een van de redenen (niet de enige) is dat in
vaccinatierondes grote aantallen vaccinaties vaak gepaard gaan met gelijktijdig grote
aantallen infecties en hoge sterfte, waaronder relatief veel Covid-sterfte. De belangrijkste en
onvermijdelijke conclusie die hieruit getrokkn moet worden, is dus dat dergelijke effecten
principieel niet zichtbaar zijn in gerapporteerde VE-getallen, indien een dergelijk laat
startpunt wordt gehanteerd.
Naast het effect van het late startpunt van de meetperiode, dat kunstmatig in het
voordeel van het vaccin uitpakt, werd in ieder geval in de eerste studie van CBS/RIVM
grotendeels gewerkt met een relatief vroeg eindpunt: de meetperiode van de VE voor
basisvaccinatie eindigt op het moment dat de berekende VE snel en sterk achteruitging –
rond november 2021 – en zgn. boosters geïntroduceerd moesten worden.
Het meest recente CBS/RIVM rapport
65
over dit onderwerp dateert van 23 februari
2024, geeft een nadere toelichting op het tweede rapport, en adresseert o.a. het punt van
het late startpunt (2 weken na voltooien basisserie). Dit rapport laat zien dat dit inderdaad
60
Caifang Zheng, et al. (2022). Real-world eecveness of COVID-19 vaccines: a literature review and meta-
analysis, Internaonal Journal of Infecous Diseases, Vol. 114, pp. 252–260.
61
Pzer Inc. Final Report: A Phase 1/2/3, Placebo-Controlled, Randomized, Observer-Blind, Dose-Finding Study
to Evaluate the Safety, Tolerability, Immunogenicity, and Ecacy of SARS-CoV-2 RNA Vaccine Candidates Against
COVID-19 in Healthy Individuals. sl : Report submied to EMA, Stephen Thomas et al., 2023.
62
Uitzondering is het Janssen-vaccin, waarbij slechts 1 dosis nodig was, en waarna men telde als volledig
gevaccineerd 4 weken na die ene dosis.
63
Kaiser Fung, Mark Jones, Peter Doshi (2024). Sources of bias in observaonal studies of covid-19 vaccine
eecveness. Journal of Evaluaon in Clinical Pracce. Vol. 30: 30–36.
64
Conor Egan, Stephen Knight, Kenneth Baillie, Ewen Harrison, Annemarie Docherty, Calum Semple (2021).
Hospitalised vaccinated paents during the second wave, SAGE report, update April ‘21.
65
Covid-vaccinaestatus en stere: Een nadere toelichng bij het rapport Overstere en doodsoorzaken in
2020 tot en met 2022, CBS/RIVM rapport 23 februari 2024, hps://www.cbs.nl/nl-
nl/longread/rapportages/2024/covid-vaccinaestatus-en-stere
76
een aanzienlijke impact heeft op de sterftecijfers van gevaccineerd vs. ongevaccineerd, in die
eerste periode; maar beschrijft tegelijk hoe daarna alsnog een heel groot deel van de
gerapporteerde hoge VE overeind blijft.
6.2.2 Beperkte dekkingsgraad van de vaccinatiedatabase
Een ander methodologisch issue is dat de dekkingsgraad van de CIMS vaccinatiedatabase
waarmee is gerekend beperkt is, waardoor een bepaald deel van de mensen dat eigenlijk
gevaccineerd is wordt geteld als ongevaccineerd. Omstreeks 7% van de bij de GGD
gevaccineerde mensen heeft geen toestemming gegeven voor opname van hun gegevens in
centrale databases voor onderzoek. Afhankelijk van de samenstelling van die groep kan dit
eveneens een aanzienlijke bias opleveren. Het zou bijvoorbeeld kunnen dat relatief meer
kwetsbare of juist minder kwetsbare mensen toestemming geweigerd hebben (expliciet of
impliciet; het laatste bijvoorbeeld indien zij niet handelingsbekwaam waren). Daarnaast, en
gedeeltelijk gerelateerd, weten we dat van mensen in sommige verzorgings- en
verpleeghuizen helemaal geen vaccinatiegegevens verstrekt en bekend zijn; en deze (vaak
zeer kwetsbare) mensen staan in deze analyses te boek als “ongevaccineerd”.
66
67
Over deze beperkte dekkingsgraad, en de daarbij horende misclassificatie van
sommige mensen als “ongevaccineerd”, komen we verderop in dit hoofdstuk nog uitgebreid
te spreken.
6.2.3 Healthy vaccinee effect
In goede gerandomiseerde experimentele trials (RCT’s) voor nieuwe geneesmiddelen en
vaccins worden mensen willekeurig ofwel in de treatment (vaccin) groep ofwel in de control
groep ingedeeld, waardoor de verwachting is dat de vaccin-groep en de controle-groep even
gezond beginnen aan de studie. Maar in zogenaamde observationele studies – wat deze
CBS/RIVM studies zijn – waarin na uitrol in de bevolking de VE ‘in de echte wereld’ wordt
bepaald, is dat niet zo, omdat mensen zelf bepalen of ze wel of niet het vaccin nemen. Zelfs
kan het zo zijn dat een vaccin alleen, of vooral, aan bepaalde subgroepen wordt
aangeboden. Dit kan erin resulteren dat bijvoorbeeld oudere mensen relatief vaak een
66
Uit het eerste CBS/RIVM rapport van juni 2022: “Door belangrijke beperkingen aan de beschikbare data
dienen de resultaten voorzichg geïnterpreteerd te worden. Het landelijke COVID-19-vaccinaeregister CIMS
hee een zeer grote dekking, maar, zoals beschreven in Hoofdstuk 5, bevat het alleen de vaccinaegegevens
van mensen die hiervoor toestemming hebben gegeven. Hierdoor zijn personen die wel gevaccineerd zijn, maar
geen toestemming hebben gegeven voor registrae in CIMS, onterecht geclassiceerd als ongevaccineerd (5 tot
7 procent van de personen die door de GGD’en zijn gevaccineerd hebben geen toestemming gegeven voor
registrae in CIMS, zie Hoofdstuk 5.4). Dit zal de analyse van het risico op overlijden na de eerste vaccinae
hebben beïnvloed, omdat in deze analyse de ongevaccineerde persoonsjd als referene diende. In de groepen
Wlz-zorggebruikers kan deze invloed groter zijn, omdat enkele langdurige zorginstellingen op locaeniveau geen
vaccinaegegevens hebben doorgegeven aan CIMS (het dekkingspercentage in deze groep is onbekend).”
67
Uit persoonlijke email-toelichng door CBS, na ruggespraak met RIVM en GGD, aan de hoofdauteur van dit
hoofdstuk: “We weten niet hoeveel personen die zijn gevaccineerd in verpleeghuizen of ziekenhuizen niet zijn
opgenomen in CIMS” en “Het klopt inderdaad dat we op landelijk niveau niet weten welk aandeel van de in het
ziekenhuis of verpleeghuis gevaccineerde personen geen toestemming hee gegeven voor registrae in CIMS.”
77
vaccin nemen en jongeren minder (zoals bij de griepprik). Maar ook is het mogelijk dat
binnen één leeftijdsgroep, bijvoorbeeld mensen tussen de 60 en 70 jaar, relatief gezonde
mensen relatief vaker of juist minder vaak het vaccin krijgen dan ongezonde mensen.
Dit is een bekend effect in dit soort onderzoek. Die onderliggende (en vaak niet
geheel bekende) a priori verschillen in gezondheid worden confounding (“verstorende”)
variabelen genoemd in dit type onderzoek, omdat ze de berekening van een eerlijke VE
verstoren. Immers, van ongezondere mensen verwachten we dat ze sowieso vaker (ernstig)
ziek zullen worden of sterven door een virus (of andere oorzaak), ongeacht of ze
gevaccineerd zijn of niet. Dit moet dus goed gecontroleerd worden en indien nodig en
mogelijk voor gecorrigeerd worden in het onderzoek. Maar in de praktijk gebeurt dit in
observationele vaccin-studies niet altijd, of niet voldoende. Dit effect kan overigens beide
kanten opwerken: ofwel in de richting van een overschatting van de werkelijke VE, ofwel in
de richting van een onderschatting, afhankelijk van welke groep a priori gemiddeld gezonder
was.
In de praktijk pakt dit meestal zo uit dat de gevaccineerde groep in een
observationele realworld studie a priori wat gezonder is dan de ongevaccineerde groep; dat
wordt het healthy vaccinee effect (HVE) genoemd.
68
Het healthy vaccinee effect kan
meerdere oorzaken hebben, en een effect op kortere of langere termijn hebben:
Kortdurend: mensen die om wat voor reden dan ook ziek zijn, of een ongeluk hebben
gehad, laten zich op dat moment niet vaccineren. Deze mensen hebben logischerwijs
een wat hogere kans om enige tijd later te overlijden.
Ook laten mensen met een hogere sociaal-economische status en mensen die
regelmatig in contact zijn met hun huisarts zich in het algemeen wat vaker
vaccineren, en uit vele studies is gebleken dat die mensen gemiddeld ook een wat
betere gezondheid hebben. Dit is vooral een lange-termijn effect.
Tenslotte en waarschijnlijk het belangrijkste: mensen die een zeer ernstige
immuunaandoening hebben of immuunsuppresiva nemen (bijvoorbeeld voor kanker)
en/of die al in een stervensbegeleidingsproces zitten, worden veelal niet
gevaccineerd, terwijl uit dat kleine groepje wel relatief veel sterfte optreedt. Dit kan
een korte tot middellange-termijn effect betreffen.
Deze effecten kunnen ook allemaal tegelijk spelen, en dan op complexe wijze door elkaar
heen lopen. Welke deelverklaring het ook is, in meerdere observationele realworld VE
studies naar de coronavaccins lijkt, net als bij vele griepvaccin-studies uit het verleden, in zijn
algemeenheid het healthy vaccinee effect een grote rol te hebben gespeeld. Dit maakt het
68
Cornelius Remschmidt, Ole Wichmann, Thomas Harder (2015). Frequency and impact of confounding by
indicaon and healthy vaccinee bias in observaonal studies assessing inuenza vaccine eecveness: a
systemac review, BMC Infecous Diseases, Vol. 15.
78
moeilijk om de VE goed en nauwkeurig te schatten en heeft in die studies waarschijnlijk
geleid tot een aanzienlijke overschatting van de VE .
69
70
Ook bij de twee grote CBS/RIVM studies lijkt er overduidelijk een heel groot HVE te
zijn dat geleid heeft tot een dergelijke forse overschatting van de VE. Dat kan haast niet
anders, want niet alleen wordt er in die rapporten een zeer hoge VE tegen Covid-sterfte
gerapporteerd, maar er is ook een vermeend positieve VE op Non-Covid of All-Cause sterfte
(inclusief kanker, alle hartkwalen, enz.) van wel 50-80%. Aangezien een vaccin geen algeheel
‘levenselixer’ is, is dat weinig aannemelijk. Hier wordt geen bevredigende verklaring voor
gegeven of afdoende voor gecorrigeerd.
RIVM/CBS erkennen in hun rapport van december 2023 inmiddels, zelf óók (na
eerdere kritiek op dit punt) heel duidelijk en expliciet dit effect, en vermelden dat dit de
resultaten sterk kan beïnvloeden.
71
Dergelijke nuancering verdwijnt echter in het algemeen
in publieke communicatie en beeldvorming, en wordt ook niet gecorrigeerd door het CBS en
het RIVM zelf.
6.3 Methodologische aanpak van stere- en VE-analyses
6.3.1 Samenvatting van onze eigen aanpak
Onze eigen aanpak met betrekking tot de sterfte-analyses met de CBS microdata is met
name gericht op het zo goed mogelijk vermijden, corrigeren, of tenminste detecteren van de
methodologische issues beschreven in de vorige sectie. Samengevat is de aanpak als volgt:
Survival analysis en zo veel mogelijk standaard VE-berekeningen: We volgen
standaard-methodieken voor het bepalen van vaccin-effectiviteit. Hierbij hoort het
gebruik van standaard-maten voor VE, en het gebruiken van (i.e.g. in eerste instantie)
een standaard survival analysis aanpak
72
gebaseerd op bepalen van Kaplan-Meier
(KM) survival curves enz., net als CBS/RIVM.
Geen Cox Proportional Hazards regressie-modellering maar rechtstreeksere
berekeningen: In tegenstelling tot CBS/RIVM gebruiken we voor de survival analysis
en VE-berekening geen Cox Proportional Hazards regressie-modellering, maar meer
69
Tracy B. Høeg et al. (2023). Potenal “Healthy Vaccinee Bias” in a Study of BNT162b2 Vaccine against Covid-
19, New England Journal of Medicine, Vol. 389.
70
Tomas Furst, Angelika Bazalova , Tadeas Frycak, Jaroslav Janosek (2024). Does the healthy vaccinee bias rule
them all? Associaon of COVID-19 vaccinaon status and all cause mortality from an analysis of data from 2.2
million individual health records, Internaonal Journal of Infecous Diseases.
71
Uit het tweede CBS/RIVM rapport van december 2023: “Aangezien COVID-19 in 2022 slechts een klein deel
van de primaire doodsoorzaken vormde (ca 5%, zie Tabel 1), is een vaccineecviteit van ca. 50% tegen
overlijden ongeacht doodsoorzaak onverwacht. Deze observae wijst erop dat de VE tegen COVID-19 overlijden
waarschijnlijk lager zou zijn, als hiervoor gecorrigeerd kon worden. Verder onderzoek is nodig om de mate van
overschang door de healthy vaccinee bias te kwanceren.”
72
Alles met Python code en libraries, gebruik makend van een combinae van zelf geschreven scripts en met
name de Python Lifelines survival analysis library: hps://pypi.org/project/lifelines/ . Scripts beschikbaar op
aanvraag.
79
directe berekeningen en conclusies op basis van de KM curves en andere direct
gemeten data.
Stratificatie in subgroepen o.b.v. geboortejaar en WLZ-gebruik: We gebruiken voor de
analyses een vergelijkbare stratificatie in subgroepen als CBS/RIVM doen, gebaseerd
op geboortejaar-cohorten (bijv. mensen geboren 1930-1940). Daarnaast combineren
we dit, net als CBS/RIVM, met een onderscheid o.b.v. het wel of niet gebruik door
mensen van langdurige zorg (WLZ).
Matching om te corrigeren voor HVE: Het belangrijke issue van het healthy vaccinee
effect (HVE) pakken we aan door de standaard-techniek van matching van
vaccingroep en controlegroep te gebruiken. We doen dit o.a. op basis van informatie
over de comorbiditeit (afgeleid van medicijngebruik) die ook beschikbaar is in de CBS
microdata-omgeving.
Onmiddellijk na vaccinatie tellend als gevaccineerd: Om de mogelijke bias als gevolg
van het late startpunt van de meetperiode (2 weken na voltooien basisserie) te
voorkomen, tellen mensen in onze analyses meteen vanaf de eerste prikdatum als
“gevaccineerd”. Dit dus in tegenstelling tot vrijwel alle CBS/RIVM resultaten. Ook
laten we de meetperiode langer doorlopen dan eind 2021 om langere-termijn
effecten beter te kunnen zien. Als kleine extra analyse rapporteren we ook enkele
resultaten ten aanzien van de effectiviteit van de “booster”-vaccinatieronde van eind
2021. Ook daarbij telt iemand als “geboosterd” onmiddellijk na die booster-prik.
Sanity checks: Om effecten te duiden en mogelijke bias en artefacten te detecteren
doen we meerdere “sanity checks” op alle gevonden resultaten. Dit zijn veelal checks
die in de methodologische literatuur over vaccinonderzoek wel te vinden zijn, maar
niet vaak toegepast worden.
Hieronder wordt e.e.a. nog verder toegelicht.
6.3.2 Inclusie-criteria en stratificaties
Voor de analyses willen we individuele personen van allerlei geboortejaar-cohorten (bijv.
mensen geboren 1930-1940, 1940-1950, enz.) kunnen volgen over meerdere jaren, om
sterfte en daarmee VE tegen sterfte voor gevaccineerden en ongevaccineerden over een
langere periode (specifiek: 2021 t/m 2023) te kunnen bekijken.
De basis-dataset waarmee we werken is gebaseerd op alle mensen die in de
Nederlandse Gemeentelijke Basis-Administratie (GBA) staan in de CBS microdata-omgeving.
We beginnen met de GBA-dataset van 2018. Mensen moeten in dat jaar in leven én
geregistreerd zijn. Voor inclusie in de basis-dataset eisen we dat we deze mensen van 2018
t/m 2022 kunnen volgen (terugvinden) in de data van opvolgende jaren. Dit houdt in dat ze
in die gehele periode ofwel elk jaar terug te vinden zijn in de GBA, inclusief de Stand van de
Bevolking dataset; ofwel overleden zijn, en in dat geval een geregistreerde plek van
overlijden en doodsoorzaak moeten hebben.
Met deze criteria vermijden we zo veel mogelijk de problematiek met betrekking tot
zeer recente immigratie en emigratie van personen in die periode (die dan dus van de ‘radar
80
verdwijnen’ of juist verschijnen). We vermijden ermee ook problematiek rondom mensen
van wie de medische geschiedenis inclusief overlijdens-gegevens slecht gedocumenteerd is
(dat kunnen daklozen zijn maar ook mensen van wie om andere redenen slechts beperkt
data aanwezig is). M.a.w., we minimaliseren hiermee de problematiek rondom ontbrekende
data en zgn. censoring in survival analysis (maar helemaal uitsluiten van die problematiek is
niet mogelijk). Het aantal personen in Nederland in 2018 waarmee we beginnen is
17.231.422, en na toepassing van deze criteria houden we 16.491.267 personen over.
Geboortejaar-cohorten (bijv. 1930-1940) hebben het voordeel boven leeftijds-
cohorten (bijv. 80-90 jaar) dat, in een analyse van sterfte over meerdere jaren (2021 t/m
2023 in ons geval), er niet elk jaar nieuwe mensen bijkomen omdat ze in dat jaar 80 worden
en andere mensen verdwijnen omdat ze 91 worden. M.a.w. we volgen per geboortejaar-
cohort een vaste groep mensen over meerdere jaren, waarbij er alleen mensen verdwijnen
vanwege sterfte. Dit komt overeen met de (meeste) analyses van CBS/RIVM.
Voor de oudere groepen gebruiken we een interval van 10 jaar (bijv. 1930-1940);
voor de relatief jongere groepen gebruiken we een interval van 20 jaar (bijv. 1980-2000).
Een geboortejaar-cohort met interval van 20 jaar geeft enig verlies van precieze informatie:
immers, mogelijk zijn er andere sterftepatronen bij mensen van 1980-1990 vergeleken met
mensen van 1990-2000. We doen dit omdat de sterftecijfers bij die relatief jongere groepen,
zeker als je kijkt naar bijvoorbeeld sterfte per maand (wat we later zullen doen), dusdanig
laag is dat de data dan veel ruis laten zien waarbij de sterfte ook regelmatig onder de 10
personen (per maand) komt. De CBS microdata gegevens-export regels staan niet toe om
dergelijke data gebaseerd op kleine aantallen mensen te exporteren, i.v.m. het privacy-
gerelateerde risico op individuele of groeps-onthulling. Uiteindelijk gebruiken we dus in onze
voornaamste analyses de volgende geboortejaar-cohorten:
1920-1930
1930-1940
1940-1950
1950-1960
1960-1980
1980-2000
2000-2020
We gebruiken net als CBS/RIVM geboortejaar-cohorten in combinatie met onderscheid
o.b.v. wel/niet WLZ-gebruik, d.w.z. geregistreerd staan in de CBS microdata als gebruiker van
de Wet Langdurige Zorg. WLZ-gebruik is een belangrijke indicatie voor ernstige
kwetsbaarheid (bijvoorbeeld opname in een verpleeghuis) en het is daardoor belangrijk om
hen als aparte subgroep te beschouwen. WLZ-gebruik komt in het jongste geboortejaar-
cohort, 2000-2020, dusdanig weinig voor dat voor dat geboortejaar-cohort die subgroep niet
geanalyseerd is. In alle andere geboortejaar-cohorten wel, waarbij het (uiteraard) met name
81
bij de oudste geboortejaar-cohorten om relatief grote aantallen mensen gaat. Dit betreft
veelal hulpbehoevende ouderen die in verpleeg- en verzorgingshuizen wonen. Bij de
middengroepen komt WLZ ook regelmatig voor, maar dan relatief vaker i.v.m. ernstige
geestelijke of lichamelijke beperkingen. Voor de WLZ-gebruikers weten we het type zorg,
alsmede het zorg-‘niveau’, wat gezien kan worden als (proxy voor) mate van kwetsbaarheid.
6.3.3 Berekening van vaccin-effectiviteit met standaard formules
Voor het berekenen van vaccin-effectiviteit gebruiken we standaard-formules en direct
gemeten gegevens ten aanzien van het aantal doden in de gevaccineerde en
ongevaccineerde groep in een bepaalde meetperiode. De gebruikte standaard formule voor
VE is als volgt:
73
𝑉𝐸𝑅𝑅𝑅 =𝑝𝑢− 𝑝𝑣
𝑝𝑢
× 100 = (1 − 𝑝𝑣
𝑝𝑢
) × 100
waarin:
𝑉𝐸𝑅𝑅𝑅 staat voor vaccin-effectiviteit in termen van Relatieve Risico-Reductie (RRR),
uitgedrukt als percentage;
𝑝𝑢 de proportie (‘rate’) van mensen is in de unvaccinated groep die sterft in de
meetperiode;
𝑝𝑣 de proportie van mensen is in de vaccinated groep die sterft in de meetperiode.
Dit is dus een maat van relatieve vermindering van risico – hoeveel wordt relatief het risico
op de sterfte verminderd, ten opzichte van de ongevaccineerde (‘controle’) groep. Het is
daarnaast ook altijd goed om te kijken naar ‘Absolute Risico-Reductie’ (ARR): wat is het
absolute risico op sterfte voor een bepaalde groep, en in hoeverre wordt dat verminderd
door een vaccin? Dit geeft complementair inzicht in hoeverre eventuele vaccin-bescherming
relevant en substantieel is; en geeft extra mogelijkheden voor sanity checks (dit wordt later
met voorbeelden geïllustreerd). Immers, indien het absolute risico op sterfte vanwege Covid
voor een bepaalde jonge groep sowieso al minimaal is, kan het zo zijn dat een vaccin die
kans nog met 50% vermindert, maar dat heeft dan een te verwaarlozen impact als we dit
zien in het licht van de overall risico’s. De gebruikte formule is deze:
𝑉𝐸𝐴𝑅𝑅 = (𝑝𝑢− 𝑝𝑣) × 100
In tegenstelling tot CBS/RIVM gebruiken we (dus) voor de survival analysis en VE-
berekening geen Cox Proportional Hazards regressie-modellering, maar ‘rechtstreeksere’
73
In Hoofdstuk 5 zagen we al wat rekenvoorbeelden van deze methode.
82
berekeningen en conclusies o.b.v. de Kaplan-Meier survival curves en andere berekende
data, gecombineerd met deze standaard VE-formules. Dit doen we met name omdat Cox-
modellering bepaalde belangrijke aspecten minder goed zichtbaar maakt, en algemeen
minder transparantie oplevert, door het intrinsieke model-fitting karakter ervan. Dit betreft
óók minder transparantie over hoe gecorrigeerd wordt voor a priori verschillen in de
gezondheid van de gevaccineerde en ongevaccineerde groep, en inzicht hoe goed die
correctie uitvalt. (Dit laatste wordt hieronder geadresseerd, in het stuk over matching.)
In tweede instantie hebben we ook alternatieve en iets minder standaard VE-
berekeningen uitgevoerd o.b.v. VE bepaald per afzonderlijke (korte) periode, zoals later
uitgelegd wordt.
6.3.4 Matching
Zoals al genoemd gebruiken we de standaard-techniek van matching om (i.e.g. voor een
belangrijk deel van de analyses) de gevaccineerde onderzoeksgroep zo goed mogelijk
vergelijkbaar te maken met de ongevaccineerde groep. Dit doen we in aanvulling op de
stratificatie in geboortejaar/WLZ-cohorten die we sowieso voor analyses gebruiken.
Matching is een alternatieve en in bepaalde opzichten aantrekkelijker manier van corrigeren
voor HVE
74
75
(alhoewel hierover de methodologische literatuur verdeeld is) dan de ook veel
gebruikte statistische adjustments o.b.v. covariaten in een Cox Proportional Hazards
regressie-modellering, zoals CBS/RIVM dat doet. Wij menen dat matching voor deze
doeleinden van retrospectieve VE-bepaling in een populatie als de Nederlandse beter en
geschikter is dan adjustments in Cox regressie omdat:
Een waarschijnlijk grote heterogeniteit binnen de groep, zelfs binnen één
geboortejaar-cohort;
De waarschijnlijk sterk non-lineaire relaties tussen confounding variabelen en
sterftekans;
D grotere transparantie over hoe de correctie van confounders gebeurt en hoe goed
dat lukt.
Het belangrijkste nadeel van matching is waarschijnlijk dat in de uiteindelijk analyses minder
van de beschikbare populatiedata gebruikt worden; maar we hebben hier te maken met hele
grote geboortejaar-cohorten.
Het kernpunt van matching is dat gepoogd wordt om per gevaccineerde persoon (of
meerdere personen) een ongevaccineerde persoon te vinden die afgezien van
74
Onur Baser (2008). Choosing propensity score matching over regression adjustment for causal inference:
When, why and how it makes sense. Journal of Medical Economics 10(4):379-391.
75
Peter Ausn (2011). An Introducon to Propensity Score Methods for Reducing the Eects of Confounding in
Observaonal Studies. Mulvariate Behavioral Research. 2011 May; 46(3): 399–424.
83
vaccinatiestatus er zoveel mogelijk lijkt, qua a priori gezondheid (comorbiditeit) en andere
relevante variabelen, zoals leeftijd en geslacht. Dit om zo goed mogelijk de hierboven
besproken confounding en HVE te vermijden of verminderen. We matchen op de volgende
variabelen:
Voor niet-WLZ-gebruikers: matching op medicijngebruik in 2020. 2020 is het jaar
voorafgaand aan de periode waarin we de sterfte en VE bepalen (2021 t/m 2023).
We willen immers de a priori gezondheid gebruiken voor matching, en niet
gezondheid (en geassocieerd medicijngebruik) in de meetperiode zelf, aangezien dat
mogelijk beïnvloed kan zijn door het wel of niet nemen van de coronavaccinatie.
Medicijngebruik op individueel persoonsniveau is per jaar en met goede (maar niet
perfecte) dekkingsgraad beschikbaar in de CBS microdata-omgeving (MEDICIJNTAB),
en is gecodeerd volgens zgn. ATC-codes,
76
afgekort op de eerste vier karakters. De
ATC-codes voor een individu worden verzameld en omgezet in de veelgebruikte
standaard comorbidity index score voor medicijnen genaamd de Rx-Risk score
77
78
die in een enkel getal het comorbiditeiten/kwetsbaarheids-niveau encodeert.
Voor WLZ-gebruikers: matchen op WLZ type en zorgniveau (in 2020, dus wederom in
het jaar voorafgaande aan de meetperiode), zoals afgeleid uit de WLZGZZP-code, die
codeert voor het zgn. zorgzwaartepakket.
79
Naast het feit dat dit voor deze groep
mensen een goede proxy is voor kwetsbaarheid, speelt hierbij mee dat voor deze
groep mensen dikwijls geen data over medicijngebruik beschikbaar zijn in de CBS
microdata-omgeving (mogelijk omdat zij via een ander verzekeringsroute medicijnen
krijgen), dus bovenstaande manier van matchen minder geschikt is.
Ook al wordt al gestratificeerd op basis van geboortejaarcohort van 10 of 20 jaar, in
aanvulling daarop matchen we in het proces nog extra op geboortejaar-bins van 5
jaar, bijv. voor het cohort 1930-1940 in bins van [1930-1935) en [1935-1940). Dit
omdat, ondanks de al gebruikte stratificatie, het te verwachten is dat (in dit
voorbeeld) mensen in de range [1930-1935) een duidelijk hogere sterftekans hebben
dan mensen in de range [1935-1940).
We matchen ook op geslacht van de persoon, zodat dat ook gebalanceerd is.
Als startpunt (startdatum) van follow-up gebruiken we voor gevaccineerden de
datum van hun eerste vaccinatie-dosis. We weten dus dat die mensen op dat
76
ATC: het Anatomical Therapeuc Chemical (ATC) classicae-systeem, zie hps://www.who.int/tools/atc-ddd-
toolkit/atc-classicaon. Hierin wordt per medicijntype en categorie aan aandoeningen, bijv. voor
cardiovasculaire aandoeningen, een combinae van leers en cijfers gebruikt.
77
Nicole L Pra, Mhairi Kerr, John D Barra, Anna Kemp-Casey, Lisa M Kalisch Elle, Emmae Ramsay, Elizabeth
Ellen Roughead (2018). The validity of the Rx-Risk Comorbidity Index using medicines mapped to the
Anatomical Therapeuc Chemical (ATC) Classicaon System. BMJ Open, Vol. 2018:8.
78
Gebruik makend van een door onszelf naar Python vertaalde versie van de open-source R code op
hps://github.com/ropensci/coder/tree/master/data-raw
79
Zie hps://www.cbs.nl/nl-nl/onze-diensten/maatwerk-en-microdata/microdata-zelf-onderzoek-
doen/microdatabestanden/gebwlztab-personen-wlz-zorg
84
moment in leven zijn. Voor een ongevaccineerde persoon die we met een
gevaccineerde persoon matchen, eisen we daarom ook dat die op de prikdatum van
de gevaccineerde gematchte persoon in leven is. Dit om de in dit soort retrospectief
observationeel onderzoek welbekende zgn. immortal time bias
80
81
te voorkomen.
Immers, als we als startdatum voor follow-up voor iedereen 1 januari 2021 kiezen,
zoals CBS/RIVM lijkt te doen,
82
dan hebben de gevaccineerden een oneigenlijk
‘voordeel’ omdat we van die groep weten dat die tenminste hun vaccinatiemoment
hebben gehaald (dikwijls in de lente van 2021). Terwijl ongevaccineerden wel een
kans hebben om al in de eerste (winter)maanden van 2021 te overlijden en daarmee
bij te dragen aan de sterfte in de ongevaccineerde groep (en dat was ook nog eens
een coronawinter met relatief hoge sterfte onder ouderen). Deze startdatum-
matching corrigeert voor deze potentiële bias.
Specifiek gebruiken we als belangrijkste comorbiditeit-score de zgn. weighted Rx-Risk
score (zie noot 77). Een kwetsbaar persoon kan in meerdere ATC-categorieën medicijnen
hebben en krijgt daarmee punten die daarna, gewogen of ongewogen, opgeteld worden om
te komen tot de totaalscore. In het eerdere werk binnen het Oversterfte-project t.a.v.
specifiek hartpatiënten, waaraan de hoofdauteur van dit hoofdstuk als mede-onderzoeker
heeft meegewerkt, werkte de gewogen Rx-Risk comorbiditeiten-score het beste om sterfte
te voorspellen; beter dan ongewogen Rx-Risk. Ook werkte deze beter dan ook door ons
bepaalde comorbiditeit-scores o.b.v. ziekenhuisdiagnoses in de afgelopen periode (de
Charlson en de Elixhauser comorbidity index scores), wat een alternatieve en gebruikelijke
aanpak is.
83
Als matching-algoritme gebruiken we het Coarsened Exact Matching (CEM)
algoritme.
84
85
Dit wordt iets minder vaak gebruikt in epidemiologische studies dan het
Propensity Score Matching (PSM) algoritme,
86
maar is alsnog bekend en veel gebruikt
87
en
ons inziens geschikter voor specifieke toepassing hier.
80
Yadav K, Lewis RJ. Immortal Time Bias in Observaonal Studies. JAMA. 2021;325(7):686–687.
81
Paweł Zagożdżon (2023). Bias in data analysis of the study “Eecveness of the BNT162b2 vaccine in
prevenng COVID-19–associated deaths in Poland”. Polish Archives in Internal Medicine (PAIM), 2023, Vol. 133,
No. 9
82
Uit het Vaccine paper (zie noot 59) van CBS/RIVM: “Every person’s follow-up me started on 1 January 2021
and ended on date of death, date of emigraon or 31 January 2022, whichever came rst.”
83
Het arkel daarover is op moment van dit schrijven nog in voorbereiding, maar zie
hps://www.zonmw.nl/sites/zonmw/les/2024-03/ZonMW-congres_nal_van-den-Broek.pdf .
84
Stefano M. Iacus, Gary King, Giuseppe Porro (2011). Mulvariate Matching Methods That Are Monotonic
Imbalance Bounding. Journal of the American Stascal Associaon. 106 (493): 345–361.
85
Stefano M. Iacus, Gary King, Giuseppe Porro (2012). Causal Inference without Balance Checking: Coarsened
Exact Matching. Polical Analysis, Vol. 20, No. 1, pp. 1-24.
86
Donald B. Rubin (2001). Using Propensity Scores to Help Design Observaonal Studies: Applicaon to the
Tobacco Ligaon. Health Services & Outcomes Research Methodology, Vol 2:169–188. En zie ook noot 74 en
75.
87
Zie bijv. hps://en.wikipedia.org/wiki/Matching_(stascs) .
85
In CEM worden alle variabelen waarop gematcht dient te worden (zie hierboven)
eerst in grove (‘coarsened’) bins geclassificeerd (ter illustratie, bijv. laag/hoog/middel =
0/1/2, voor een continue variabele) en daarna gecombineerd in een vector van bin-
variabelen die een grove maar informatieve karakterisering van de persoon geeft.
Vervolgens wordt bij matching geëist dat de treatment (gevaccineerde) en control
(ongevaccineerde) persoon precies dezelfde CEM vector-waarden heeft.
In PSM daarentegen wordt een extra, apart regressie-model gemaakt dat op basis
van de beschikbare data in de dataset ‘voorspelt’ wat de kans is voor een persoon om in de
treatment groep te zitten (in ons geval: kans om vaccinatie te nemen als functie van leeftijd,
geslacht en comorbiditeit). Voor elke persoon die in de treatment (vaccinatie) groep zit en
een bepaalde PSM-score heeft, kiezen we dan in het matching-proces een control
(ongevaccineerde) persoon met (vrijwel) dezelfde PSM-score. De PSM aanpak is geschikt en
veelgebruikt en logisch voor bijv. situaties waarin men een studie doet naar een bepaalde
hartoperatie (treatment), en men treatment en control personen wil matchen op basis van
het “in aanmerking komen voor dit type hartoperatie” – hetgeen afhangt van leeftijd en
comorbiditeiten enzovoort, en meestal bepaald wordt door een arts. Maar in het geval van
de coronavaccinaties speelden bij de keuze, en dus de kans, om de vaccinatie te nemen
allerlei psychosociale factoren een zeer grote rol. Hierdoor kan het heel goed zo zijn dat een
jonge zeer gezonde 25-jarige vrouw dezelfde PSM-score krijgt als een oude, obese 70-jarige
man in wellicht een ‘lagere’ sociaal-economische klasse zit; terwijl hun kansen om te sterven
aan Covid-19 of welke aandoening dan ook zeer verschillend zijn en zij dus logischerwijs niet
met elkaar gematcht moeten worden – daar volgt geen logische balancering uit met
betrekking tot a priori kans op sterven. CEM-matching heeft dit probleem niet en is daardoor
hier ons inziens de betere keuze.
Aangezien er in vrijwel alle geboortejaar-cohorten (afgezien van de allerjongste) veel
meer gevaccineerden dan ongevaccineerden zijn, gebruiken we een 3:1 verhouding in
matching van gevaccineerden versus ongevaccineerden.
88
In veel (oudere) geboortejaar-
cohorten is de werkelijke verhouding gevaccineerd vs. ongevaccineerd zelfs nog hoger dan
dat, aangezien de vaccinatiegraad in dergelijke cohorten vaak rond de 90% was. Maar om
een eenduidige matching-verhouding te hebben en de data over de meer ‘zeldzame’
ongevaccineerden zo goed mogelijk te benutten (d.w.z. zo min mogelijk van hen te verliezen
in het matching-proces) hebben we voor die 3:1 verhouding gekozen.
Voor de CEM bins gebruiken we voor Rx-Risk de volgende bin-grenzen: (-oneindig,0],
(0,5], (5,10], (10,15], (15,20], (20, oneindig]. Deze bins en bin-grenzen hebben we bepaald op
basis van inspectie van de verdeling van Rx-Risk waarden die voorkomen. Dit zijn dus 6 bins,
resulterend in een bin-waarde van 0, 1, 2, 3, 4, of 5.
Voor de WLZ-gebruikers matchen we op WLZ type en zorgniveau die na decodering
van de WLZGZZP-code al redelijke bins vormen. Het WLZ-type betreft categorieën als
Verpleging en Verzorging (VV), Verstandelijk Gehandicapt (VG), Lichamelijk Gehandicapt
88
Een dergelijke verhouding anders dan 1:1 is niet ongebruikelijk in retrospeceve observaonele studies
waarin er meer treatment dan control personen zijn, of andersom.
86
(VG), Geestelijke gezondheidszorg (GGZ), etc. Het WLZ-zorgniveau loopt van 1 tot 9, waarin
een hoger niveau intensievere zorg representeert. Verder, zoals al eerder genoemd,
gebruiken we geboortejaar-bins van 5 jaar; en daarbinnen resulteert geslacht uiteraard
rechtstreeks in twee bins.
Wat betreft startpunt van de meetperiode gebruiken we bins gebaseerd op jaar en
weeknummer van dat jaar (1 t/m 52). Dat betekent dus dat de drie met elkaar gematchte
gevaccineerden in dezelfde week gevaccineerd moeten zijn; en de ongevaccineerde, en met
deze drie gematchte persoon in diezelfde week nog in leven moest zijn (om precies te zijn:
tenminste op de vaccinatiedatum van de eerste van de drie willekeurig gekozen
gevaccineerde matches).
Figuur 49. Schemasche illustrae van hoe gematcht wordt; op basis van comorbiditeit en
startdatum, in verhouding 3:1. De dunne grid-lijnen representeren de ‘Coarsened Bins’ van
CEM-matching.
Figuur 49 geeft een compacte, schematische illustratie van het proces van matching (voor
een niet-WLZ-persoon); op basis van comorbiditeit-score en start-datum, in de verhouding
3:1. Beginnend bij een willekeurig gekozen gevaccineerde persoon worden eerst twee
andere gevaccineerden gekozen met vaccinatiedatum in dezelfde week en zelfde geslacht,
leeftijdsbin, en vergelijkbaar comorbiditeit-profiel (zelfde Rx-Risk bin). Vervolgens wordt een
ongevaccineerde persoon geselecteerd die qua bins in alles hetzelfde is, is behalve de
vaccinatiestatus (volgens CIMS), en die ook in leven was op dat moment – dat moment
wordt zijn/haar startpunt van follow-up.
87
Dit resulteert o.a. in veel startdata, voor de erop volgende survival analysis, die liggen
in een periode waarin veel eerste doses gezet werden (gevisualiseerd met de blauwe curve),
veelal in de lente van 2021. Maar deze startdata zijn evenwichtig gebalanceerd tussen
gevaccineerde en ongevaccineerde mensen, t.a.v. of de follow-up in de winter of lente
begint, en is daarmee in die zin correct.
Figuur 50 en Figuur 51 laten de distributie van Rx-Risk comorbidity scores zien vóór
(Figuur 50) en ná (Figuur 51) CEM-matching, voor de geboortejaar-groep 1940-1950, geen
WLZ-gebruik. Ten eerste is te zien dat sowieso veruit de meeste mensen heel lage Rx-Risk
scores hebben (balken aan de linkerzijde van elke grafiek). Een klein deel heeft hogere
waarden die geassocieerd zijn met meer medicijngebruik, en medicijngebruik voor ernstiger
ziekten; en wijzen daarmee op een hogere kwetsbaarheid. Slechts een heel klein deel heeft
zeer hoge waarden (> 10); maar de verwachting is dat uit dat heel kleine deel wel relatief
veel sterfte voortkomt.
Belangrijk is dat we zien dat er zonder matching bij de ongevaccineerden relatief wat
meer mensen dergelijke hoge Rx-Risk waarden hebben dan bij de gevaccineerden. Dit wijst
op een potentieel healthy vaccinee effect (in ieder geval vóór matching): relatief zijn wat
meer mensen met zeer hoge Rx-Risk comorbiditeiten scores niet gevaccineerd. De
verschillen lijken echter niet heel groot te zijn: de variatie binnen gevaccineerde of
ongevaccineerde groep is veel groter dan de verschillen tussen de twee groepen. Hoe groot
deze verschillen ook zijn, na matching (Figuur 51) zien we dat dit goed ‘gelijkgetrokken’ is in
de onderzoeksgroep.
89
Bij matching in andere geboortejaar-cohorten, en op de andere
variabelen (zoals geslacht, leeftijd, enz.) zien we vergelijkbare patronen; evenals bij matching
in WLZ-gebruiker cohorten (waarin we zoals beschreven matchen op WLZ type en niveau).
Dit alles laat in elk geval zien dat het matching-proces heeft gewerkt zoals het
ontworpen is, en in ieder geval op basis van deze comorbiditeiten-data de ongevaccineerde
en gevaccineerde groep beter, eerlijker en vergelijkbaar heeft gemaakt.
89
De twee linkerbalken van de staafdiagrammen zijn niet (sterk) gelijkgetrokken na matching omdat die beide in
de allerlaagste comorbiditeit-bin vallen: zeer lage comorbiditeit-score.
88
Figuur 50. Distribue van Rx-Risk comorbidity scores vóór CEM-matching, voor de
geboortejaar-groep 1940-1950, geen WLZ-gebruik.
Figuur 51. Distribue van Rx-Risk comorbidity scores na CEM-matching, voor de
geboortejaar-groep 1940-1950, geen WLZ-gebruik.
89
6.3.5 Sanity checks
Om effecten te duiden en mogelijke biases en artefacten te detecteren doen we meerdere
sanity checks op alle gevonden resultaten. Dit zijn veelal checks die in de methodologische
literatuur over vaccinonderzoek wel terug te vinden zijn,
90
91
maar vaak niet of onvolledig
toegepast worden (ook niet in de CBS/RIVM studies).
Dit zijn met name checks ten aanzien van het plausibel zijn van sterfte- en VE-cijfers
in zijn algemeenheid, en met betrekking tot de VE buiten het typische (winter)seizoen
waarin luchtweginfecties vooral voorkomen. Immers, als er in de zomer vrijwel geen Covid
rondgaat, is het onlogisch dat er hoge VE is. Gerelateerd daaraan betreft het checks op het
plausibel zijn van de non-covid en all-cause mortality (ACM) cijfers van zowel de
gevaccineerde- als de controlegroep (wat direct samenhangt met het HVE). Zoals al eerder
besproken is het bijzonder onwaarschijnlijk dat een vaccin tegen een specifieke
luchtwegeninfectie een levenselixir is, dat zou beschermen tegen kanker en een keur van
andere ziekten. Als dat in de cijfers toch het geval lijkt te zijn dan duidt dat op een artefact.
Zowel de VE in termen van de RRR als de VE in termen van ARR moeten plausibel zijn: als
een vaccin in termen van ARR meer procentpunten beschermt dan het absolute risico van de
ziekte zelf is, dan is er evident een artefact.
Verder zijn checks nuttig ten aanzien van het voldoende homogeen zijn van een
groep,
92
93
ook na stratificatie. Bij een zeer heterogene groep moeten VE-resultaten niet over
de hele groep bepaald worden, want dan kan het zo zijn dat die resultaten niet goed de
effecten op de meeste leden van de groep beschrijven. Dit is speciaal belangrijk voor VE die
kijkt naar sterfte, omdat sterfte bij dit soort populatie-brede studies normaal gesproken uit
een heel klein subgroepje komt dat in de onderzochte periode heel kwetsbaar is. Dat kunnen
disproportioneel veel ongevaccineerden zijn geweest; die op dat moment niet gevaccineerd
konden worden (dit is ook weer gerelateerd aan HVE). Tegelijk kan het zo zijn dat er,
bijvoorbeeld bij ongevaccineerden, er juist ook een heel gezonde subgroep is; die er
vanwege het bewust zijn van eigen gezondheid voor koos om niet gevaccineerd te worden
(dezelfde mensen die, ook al worden ze uitgenodigd, geen griepprik halen). Ook dit zorgt
voor heterogeniteit, zelfs binnen één geboortejaarcohort.
Tenslotte is het bij het gebruik van standaard survival analysis ook belangrijk om te
checken op de proportional hazards aanname,
94
die stelt dat op elk moment vanaf het
90
Marc Lipsitch, Eric Tchetgen, Ted Cohen (2010). Negave Controls: A Tool for Detecng Confounding and Bias
in Observaonal Studies. Epidemiology. Vol. 21(3): 383–388.
91
Mahew M. Loiacono, Robertus Van Aalst, Darya Pokutnaya, Salaheddin M. Mahmud, Joshua Nealon (2022).
Methods to account for measured and unmeasured confounders in inuenza relave vaccine eecveness
studies: A brief review of the literature. Inuenza and Other Respiratory Viruses. 2022;16:846–850.
92
Nicole B Gabler, Naihua Duan, Diana Liao, Joann G Elmore, Theodore G Ganiats, Richard L Kravitz (2009).
Dealing with heterogeneity of treatment eects: is the literature up to the challenge? Trials, volume 10, Arcle
number: 43.
93
Elisha B. Are, Kier G. Card & Caroline Colijn (2024). The role of vaccine status homophily in the COVID-19
pandemic: a cross-seconal survey with modelling. BMC Public Health, volume 24, Arcle number: 472.
94
Ilari Kuitunen, Ville T. Ponkilainen, Mikko M. Uimonen, An Eskelinen & Aleksi Reito (2021). Tesng the
proporonal hazards assumpon in cox regression and dealing with possible non-proporonality in total joint
90
startpunt het sterfterisico van treatment en control groep alleen via een proportionele
vermenigvuldigingsfactor (die normaal gesproken constant moet zijn) van elkaar verschilt.
Als dat niet het geval is, kunnen (gemeten of gemodelleerde) survival curves niet eenduidig
worden gebruikt om VE van af te leiden.
6.4 Resultaten van de stere-analyses
6.4.1 Kaplan-Meier survival curves van verschillende geboortejaar-cohorten
Figuur 52 laat de survival curves zien van gevaccineerden en ongevaccineerden van
geboortejaar-cohort 1940-1950, geen WLZ-gebruik, voor respectievelijk sterfte aan Covid-19
(volgens de officieel geregistreerde doodsoorzaak in de CBS microdata); doodsoorzaak
andere dan Covid-19; en all cause mortaliteit (ACM, dus Covid-19 en non-Covid oorzaken).
De survival curves zijn gemaakt o.b.v. de gematchte datasets zoals in de vorige secties is
beschreven, met ook de startpunten van follow-up zoals daar beschreven. De curves lopen
dus vanaf diverse startdata in vaccinatieronde 1 (1e helft van 2021, voor bijna iedereen) tot
aan einde 2023, hetgeen correspondeert met ruim 1000 dagen. Let ook op de verschillende
schalen op de y-as: Covid-sterfte vormt slechts een klein aandeel in de totale sterfte, zelfs
voor deze relatief oude groep.
Wat het meest in het oog springt is de opvallende, zeer hoge sterfte van de
ongevaccineerden aan zowel Covid als met name ook niet-Covid in de eerste periode – met
name de eerste 4 weken – na startdatum, in vergelijking met gevaccineerden. Dit is heel
vreemd, want met de ongevaccineerden gebeurt in principe niets bijzonders, er vindt
namelijk géén interventie plaats in deze groep, in de eerste helft van 2021, de periode
waarin vrijwel all dtartdat liggen. Dit in tegenstelling tot de gevaccineerden, die immers
gevaccineerd werden. De gevaccineerden daarentegen laten een veel geleidelijker
sterftepatroon zien, meer in lijn wat je normaal gesproken zou verwachten: vrij evenwichtig
verdeelde sterfte over de tijd en daarmee een langzaam aflopende proportie van mensen
die na enige tijd nog in leven is. Ook is hieruit duidelijk dat de proportional hazards aanname
gebroken wordt: in de eerste weken na het startpunt zijn de verschillen tussen
gevaccineerden en ongevaccineerden in sterftekans per dag veel groter dan later.
arthroplasty research: methodological perspecves and review. BMC Musculoskeletal Disorders, volume 22,
Arcle number: 489.
91
Figuur 52. Survival curves van gevaccineerden en ongevaccineerden van geboortejaar-cohort
1940-1950, geen WLZ-gebruik, voor respecevelijk stere aan Covid (linksboven);
doodsoorzaak andere dan Covid (rechtsboven); en All-Cause Mortality (ACM, onder). RxRisk -
1 betekent dat alle Rx-Risk scores in deze groepen meegenomen worden. Ook geschae
condence intervals, bepaald o.b.v. aantallen mensen, worden getoond, als bandbreedte
rondom de curves.
Deze data zeggen dat de ongevaccineerden in de eerste vier weken na de start van
de follow-up een kans om te sterven aan een willekeurige doodsoorzaak (ACM) van maar
liefst 8,59%; terwijl dit voor gevaccineerden slecht 0,14% is. Daarmee zou het coronavaccin
in die korte periode van vier weken alleen al een absolute risico-reductie (𝑉𝐸𝐴𝑅𝑅) van 8,45%
opleveren voor alle doodsoorzaken bij elkaar, en daarmee een relatieve risico-reductie
(𝑉𝐸𝑅𝑅𝑅) van 98,4%, voor alle doodsoorzaken bij elkaar. Dit is overduidelijk absurd.
Figuur 53 laat gelijksoortige data zien, maar dan voor geboortejaar-cohort 1960-
1970. Ook daar zien we weer hetzelfde zeer opvallende patroon. En ook voor andere
geboortejaar-cohorten is dit patroon zichtbaar, waarbij we dan vooral verschillen in de
absolute getallen van sterfte zien: logischerwijs is er bij jongere groepen in het algemeen
veel minder sterfte.
Bij WLZ-gebruikers zien we daarentegen juist relatief heel veel sterfte, en als
belangrijkste, eveneens dit patroon van zeer hoge sterfte van de ongevaccineerden vlak na
start van de meetperiode; zie Figuur 54, die survival/sterfte weergeeft van WLZ-gebruikers in
geboortejaar-cohort 1940-1950. En nogmaals, Covid-19 kan het redelijkerwijs niet zijn (ook
92
al was er de lichte Alfa-variant golf in de lente van 2021) – we zien dit patroon ook, of met
name, bij non-Covid/All-Cause sterfte (volgens de officiële doodsoorzaken).
Figuur 53. Survival curves van gevaccineerden en ongevaccineerden van geboortejaar-cohort
1960-1970, geen WLZ-gebruik.
Een dergelijk patroon is een duidelijke rode vlag: het duidt op een groot artefact in de
data of de methodologie. Indien genegeerd en/of onvoldoende gecorrigeerd, zoals
waarschijnlijk het geval is in de CBS/RIVM studies (die hier weinig tot niets over zeggen), leidt
het tot rapportage van een kunstmage en schijnbaar zeer hoge VE. Dit biedt dan ook een
belangrijke (deel)verklaring voor waarom de non-Covid en ACM VE-schangen door
CBS/RIVM (zoals beschreven in sece 6.2) zo onrealissch hoog zijn.
6.4.2 Informatieve waarde van Rx-Risk comorbiditeiten-informatie
Een voor de hand liggende verklaring voor de hierboven beschreven vreemde resultaten is
een heel groot (resterend) HVE; ondanks de matching op comorbiditeiten-informatie.
Specifiek suggereert het een HVE van het relatief kortdurende type (zie sectie 6.2.3) van
mensen met een hele slechte prognose qua levensverwachting. Dit suggereert tegelijk dat er
maar weinig echte predictieve informatie over sterfte zit in de gebruikte comorbiditeiten-
data, en dat matching daarop om die reden heel weinig doet en niet helpt om voor HVE te
corrigeren.
93
Figuur 54. Survival curves van gevaccineerden en ongevaccineerden van geboortejaar-cohort
1940-1950, met WLZ-gebruik.
Figuur 55 laat wederom survival curves zien voor het geboortejaar-cohort 1940-1950
(geen WLZ-gebruik, ACM), maar nu voor subgroepen uitgesplitst op basis van respectievelijk
lage Rx-Risk scores (“R0”: Rx-Risk <= 0, d.w.z. eerste CEM-bin) en hoge Rx-Risk scores (“R1”:
Rx-Risk > 0, d.w.z. hogere CEM-bins). Wat we hieraan zien is dat Rx-Risk score afgeleid van
medicijngebruik van het jaar (2020) voorafgaand aan de meetperiode (2021-2023) wel
degelijk heel veel informatie bevat die sterfte ‘voorspelt’. Mensen met een hoge Rx-Risk
score hebben veel meer kans op sterven (zowel per dag als cumulatief) dan mensen met een
lage Rx-Risk score. En dit geldt zowel voor ongevaccineerden als gevaccineerden. En wat we
hieraan ook zien is dat als we een geboortejaar-cohort (zoals 1940-1950) op dergelijke wijze
verder uitsplitsen o.b.v. a priori comorbiditeitsdata, we de verschillen tussen gevaccineerden
en ongevaccineerden wel degelijk kleiner maken. Afgezien van de eerste paar weken na
startpunt van follow-up wordt de instantane hazard per dag dan zeer vergelijkbaar; zoals te
zien is aan de hellingsgraad van de curves. Dit alles suggereert dat Rx-Risk wel degelijk op
zich een heel redelijke maat is voor het representeren van comorbiditeit, en voor matching.
94
Figuur 55. Survival curves voor het geboortejaar-cohort 1940-1950 (geen WLZ-gebruik,
ACM), voor subgroepen uitgesplitst o.b.v. lage Rx-Risk scores (R0) en hoge Rx-Risk scores
(R1).
Het bijzondere patroon van een tijdelijk sterk verhoogde kans op sterfte (in de eerste
weken na startdatum) zien we nog steeds alleen bij de ongevaccineerden. Na de
kortdurende sterk verhoogde sterfte bij de groep ongevaccineerden met een lage Rx-Risk
score groep (groen), zien we dat de sterftekans voor hen afvlakt en per dag een stuk lager
ligt dan van de groep gevaccineerden met een hoge Rx-Risk score groep (oranje)—dit is te
zien aan de helling van de curves—en vergelijkbaar wordt met de groep gevaccineerden met
een lage Rx-Risk score (rood). Het bijzondere en onverwachte, tijdelijke en sterk verhoogde
sterfte-effect beperkt zich dus echt tot het begin; daarna worden de patronen logischer.
6.4.3 Twee mogelijke (deel-)verklaringen
Er zijn twee belangrijke mogelijke verklaringen voor deze opmerkelijke bevinding, die
mogelijk allebei deels waar kunnen zijn en elkaar dus zeker niet uitsluiten:
1. Het Healthy Vaccinee Effect kan extreem zijn, en lukt het met onze matching-aanpak
nauwelijks om daar goed voor te corrigeren;
2. Een substantieel aantal mensen is vlak na een vaccinatie gestorven, maar hun
vaccinatie is niet in de CIMS vaccinatie database terechtgekomen.
De eerste (deel)verklaring, een extreem HVE gecombineerd met een onvoldoende correctie
daarvoor middels matching o.b.v. de gebruikte data, zou dan met name in de eerste helft
van 2021 en in het bijzonder rond de grote vaccinatierondes sterk moeten spelen. Het moet
95
dan een HVE van het relatief kortdurende type betreffen van mensen die niet gevaccineerd
(konden) worden vanwege een zeer hoge kwetsbaarheid met dientengevolge een korte
levensverwachting en/of het zich al in een stervensbegeleidingsproces bevinden (zie sectie
6.2.3).
Deze verklaring impliceert dat er ondanks matching alsnog heel veel zgn. residual,
unmeasured confounding is (zie ook noot 91); d.w.z. een HVE dat groot is, maar waarvoor we
geen goed gemeten variabelen hebben waarmee we de confounding kunnen corrigeren
(middels matching of adjustments). Deze verklaring suggereert dat we mogelijk te maken
hebben met wat feitelijk een nog groter dan verwacht confounding-by-indication effect is
(zie noot 68): het feit dát iemand niet gevaccineerd is kan op zich al, nog afgezien van
beschikbare gegevens over de comorbiditeit, een belangrijke indicatie zijn van diens mogelijk
heel hoge kwetsbaarheid en korte levensverwachting. Anderzijds lijkt (zoals aangetoond in
de vorige sectie) de gebruikte comorbiditeiten-informatie wel degelijk heel veel nuttige
predictieve informatie t.a.v. sterfte op te pikken; dus dat strookt niet met deze verklaring.
De tweede (deel)verklaring, d.w.z. dat van sommige mensen die gestorven zijn kort
na vaccinatie, de vaccinatie niet in CIMS geregistreerd is, zou betekenen dat het label
“ongevaccineerd” soms, of vaak, niet klopt.
95
Sowieso weten we uiteraard (zie sectie 6.2.2)
dat er een bepaald percentage non-consenters is waarvan de vaccinaties niet in CIMS staan
(± 7% voor vaccinaties uitgevoerd in gewone vaccinatiecentra van de GGD; voor
ziekenhuizen en verpleeghuizen een onbekend percentage). Deze mensen hebben dus
sowieso het label “ongevaccineerd” gekregen. Maar dat biedt alleen een verklaring voor het
geobserveerde fenomeen als er bij die non-consenters relatief zeer veel sterfte is. Dat is niet
onmogelijk, gezien het feit dat bijvoorbeeld juist sommige verpleeghuizen geen data hebben
geleverd aan CIMS, en van de vaccinaties gezet in ziekenhuizen de dekkingsgraad onbekend
is (zie noten 66 en 67). Verder weten we dat er een categorie ‘geannuleerde’ en ‘mislukte’
vaccinaties is, die niet is opgenomen in CIMS. Dit zouden vaccinaties moeten zijn die echt
niet uitgevoerd zijn, maar de gerapporteerde definities zijn niet helemaal eenduidig.
96
Deze tweede verklaring zou duiden op een ernstig geval van ontbrekende data, of
data-vervuiling, die dan ook alle CBS/RIVM-resultaten heel sterk heeft beïnvloed. Dat dit een
reële mogelijkheid is wordt bevestigd door informatie uit het Verenigd Koninkrijk, waar dit
daadwerkelijk gebeurd lijkt te zijn. Ophelderingsverzoeken en (hun equivalent van) WOO-
verzoeken in het VK leverden een bevestiging door ONS (hun CBS) dat precies dit fenomeen,
dat mensen die vlak na een vaccinatie gestorven zijn , niet opgenomen zijn in de
vaccinatiedatabase (daar NIMS genoemd)
97
98
; zie Figuur 56.
95
NB CIMS bevat niet expliciet van alle mensen een status “gevaccineerd” of “ongevaccineerd”, maar alle
geregistreerde vaccinaes (samen met type en uitvoerder en vaccinaedatum enz.) samen met unieke
persoons-ID. Label-ongevaccineerd betekent dus dat iemand niet terug te vinden is in CIMS.
96
Ophelderingsvragen bij CBS, en via hen RIVM en GGD, leverde ten aanzien van deze vraagstukken geen
uitsluitsel over hoe dit precies zit; men kon het ons niet uitleggen.
97
Zie bijv. hps://x.com/ClareCraigPath/status/1793622868565299341
98
Clare Craig, Marn Neil, Norman Fenton, Sco McLachlan, Joel Smalley, Josh Guetzkow, Jonathan Engler, Dan
Russell, and Jessica Rose (2022). Ocial mortality data for England reveal systemac undercounng of deaths
occurring within rst two weeks of Covid-19 vaccinaon. ResearchGate Preprint, March 2022,
96
Hieronder doen we nadere analyses die onder meer bedoeld zijn om hier nader licht
op te schijnen.
Figuur 56. Email van ONS, stasekinstuut in het VK, die lijkt te bevesgen dat het
voorkomt dat vaccinaes van doden vlak na vaccinae niet in de VK coronavaccinae-
database (NIMS) zijn opgenomen.
6.4.4 Overwegingen over de benodigde extra analyses
In de voorgaande secties zagen we interessante maar ook vreemde resultaten komen uit de
standaard survival analysis met Kaplan-Meier curves e.d., en formuleerden we mogelijke
(deel)verklaringen hiervoor. Het is belangrijk om zich te realiseren dat het lastig is om te zien
wat er precies aan de hand is puur op basis van zo’n standaard survival analysis; met name
omdat het eigenlijk allerlei diverse data samenvat in enkele eenvoudige getallenreeksen en
grafieken, de KM curves. Het is dan ook belangrijk, met name vanwege die vreemde
resultaten, om óók op ander wijze naar de onderliggende data te gaan kijken.
Figuur 49, die de matching van gevaccineerde mensen met vergelijkbare
ongevaccineerde mensen illustreert, geeft inzicht in de achterliggende complexiteit.
Belangrijk om te beseffen is dat de vaccinatiecampagne niet is uitgevoerd als een nette RCT,
waarin iedereen op hetzelfde moment begint (met vaccin dan wel placebo) en de groepen
netjes gerandomiseerd zijn. In het begin van 2021 werden de meest kwetsbare mensen
gevaccineerd (ook binnen één geboortejaar-cohort). Dit betrof weliswaar maar weinig
mensen, maar was wel een categorie mensen die heel kwetsbaar was, waardoor er een
relatief hoge sterfte is vanuit die (sub)groep. Tegelijk was dat nog de winterperiode, èn het
was de staart van een grote coronagolf. Dit gaf zowel voor de gevaccineerden als voor de
ongevaccineerden in die periode een relatief hoge health pressure, als we die vergelijken
met de periode erna.
hps://www.researchgate.net/publicaon/357778435_Ocial_mortality_data_for_England_suggest_systema
c_miscategorisaon_of_vaccine_status_and_uncertain_eecveness_of_Covid-19_vaccinaon
97
Later, met name maart tot juni 2021, werden daarentegen de relatief gezondere
mensen gevaccineerd (ook binnen één geboortejaar-cohort). Dit betrof heel veel mensen; er
waren dus heel veel startpunten voor follow-up in de standaard survival analyses die we in
de vorige secties hebben gepresenteerd. Dit betekent dus ook dat op basis van die lente-
periode tijdens de matching relatief veel ongevaccineerden zijn geselecteerd, in het
combinatie-proces met die gevaccineerden, waarbij zowel de gevaccineerden als de
ongevaccineerden in diezelfde intensieve vaccinatieweken in leven moesten zijn.
Een conclusie die we hieruit kunnen trekken is dat er heel veel dynamiek is over de
tijd, en heterogeniteit, ook binnen één leeftijdscohort. In statistische termen kunnen we dit
beschrijven als feitelijk een ‘non-stationair’ proces; d.w.z. een proces waarbij de
onderliggende statistische parameters die het gedrag bepalen niet constant zijn maar
veranderen over de tijd. Daaruit kun je concluderen dat het waarschijnlijk problematisch is
om die verschillende periodes van vaccinaties, en startpunten van follow-up, ‘blind’ samen
te voegen in één survival analysis. Allerlei aannames van een klassieke survival analysis
worden hiermee vrijwel zeker gebroken, zoals de proportional hazards aanname, en de
aanname van voldoende homogeniteit van groepen (zie sectie 6.3.5).
In de aanpak die we nu zullen gebruiken kiezen we er daarom voor om sterfte en de
VE telkens per periode van 4 weken te berekenen. Daarmee is het geen klassieke survival
analysis meer. We gebruiken wel gewoon de standaardformules voor de 𝑉𝐸𝑅𝑅𝑅 en de 𝑉𝐸𝐴𝑅𝑅
zoals beschreven in sectie 6.3.3; maar nu is de meetperiode dus telkens een nieuwe periode
van 4 weken. Deze aanpak maakt belangrijke temporele patronen beter zichtbaar en koppelt
verschillende periodes, die mogelijk sterk verschillend zijn, los van elkaar. We blijven de
hierboven besproken stratificaties o.b.v. geboortejaren en WLZ gebruiken, en we doen veel
analyses per subgroep—inclusief analyses van mensen met hoog versus laag
comorbiditeitniveau (zoals gemeten middels Rx-Risk of WLZ zorgniveau).
We doen deze analyses zowel op basis van de (zoals hierboven beschreven)
gematchte groepen, als ook op basis van ongematchte groepen, d.w.z. alle mensen binnen
een geboortejaar/WLZ-cohort. Beide hebben voor- en nadelen. In de analyses op basis van
gematchte groepen hebben we, zo goed als mogelijk is met de gebruikte aanpak, de
gevaccineerde en ongevaccineerde subgroepen vergelijkbaar gemaakt. We verwachten
daarbij geen wonderen van matching; we accepteren dat er de beschreven unmeasured
confounding is; het gaat hierbij ook om het inzicht krijgen daarin. In de analyses o.b.v.
ongematchte groepen slaan we de stap van matching over, onderzoeken wat het effect
daarvan is, en kijken we naar alle data in een geboortejaar/WLZ-cohort. De a priori
verschillen tussen gevaccineerden en ongevaccineerden zijn dan wat groter door het
achterwege laten van matching; maar we kunnen hiermee rechtstreekser kijken naar (alle)
data, én inzicht krijgen in eventuele artefacten die ontstaan zijn door het matching-proces.
Gegeven deze aanpak alsmede de geconstateerde beperkingen van, en mogelijke
lacunes in, de data moeten we accepteren dat het waarschijnlijk onmogelijk gaat zijn om op
98
basis hiervan ‘de’ werkelijke VE te bepalen.
99
Op dit moment is het belangrijkste en
maximaal haalbare, het valideren en zo nodig ontkrachten en nuanceren van de bevindingen
van CBS/RIVM (zoals al genoemd in sectie 6.1) en het onderbouwen van benodigd
vervolgonderzoek dat resterende vragen moet beantwoorden.
6.4.5 Sterfte-analyses per periode van 4 weken: 1940-1950 cohort
In de in deze sectie gerapporteerde analyses kijken we telkens naar de sterfte, en de andere
parameters, per periode van 4 weken. We beschouwen daarbij, in de grafieken die worden
gepresenteerd, bewust heel veel data tegelijk, omdat we daarmee opvallende patronen over
de tijd en mogelijke correlaties het beste kunnen observeren.
Figuur 57 laat gemeten en berekende data zien voor het eerder ook al geanalyseerde
(zie Figuur 52 en Figuur 55) geboortejaar-cohort 1940-1950, zonder WLZ-gebruik, met
gematchte subgroepen gevaccineerden en ongevaccineerden. Op de horizontale as van elke
subplot staat het weeknummer, oplopend vanaf 1 (1e week van 2021) tot aan het eind van
de hele analyse-periode, het einde van 2023 (d.w.z. weeknummer 52 is op het eind van
2021, enz.). Elk meetpunt is bepaald o.b.v. de gegevens over 4 weken; d.w.z. week 1 t/m 4,
week 5 t/m 8, enz.
Allerlei diverse data komen in de subplots aan bod, waaronder aantallen vaccinaties
(dosis 1, 2, 3), vaccinatiegraad, de aantallen gevaccineerden en ongevaccineerden over de
tijd, de sterfte van alle mensen, alsmede uitgesplitst per vaccinatiestatus, geregistreerde
doodsoorzaken bij sterfte, en tenslotte de VE, zowel op RRR als op ARR wijze berekend en
zowel voor de Covid-19 als de non-Covid-19 sterfte. In de sterfte-plots (tweede rij) wordt
ook de ‘normale’ sterfte gerapporteerd; dit is de verwachte sterfte zoals bepaald o.b.v.
gemiddelden per 4 weken in de jaren 2016 t/m 2019 (de jaren vóór de coronacrisis), voor
een geboortejaar-cohort dat in die jaren even oud was. Die normale en verwachte sterfte
heeft logischerwijs een lichte trend omhoog: het geboortejaar-cohort 1940-1950 wordt in de
drie jaren 2021 t/m 2023 geleidelijk ouder en de sterftekans neemt daardoor geleidelijk toe.
Uit deze grafiek kunnen allerlei zaken opgemaakt worden. Zeer opvallend is in elk
geval de sterk verhoogde sterfte begin 2021, die vrijwel exact samenvalt met de basisserie-
vaccinatieronde voor deze groep (dosis 1 en 2). Tijdens de eerste boosterronde (dosis 3) zien
we weer enigszins hetzelfde effect, maar wel in verminderde mate. De sterk verhoogde
sterfte komt vrijwel volledig voor rekening van de (label-) ongevaccineerden. Dit is in lijn met
het opvallende patroon dat we ook al zagen in de survival curve(s) (zie Figuur 52)—die zijn
immers ook allemaal gebaseerd op dezelfde onderliggende basis-data.
Deze verhoogde sterfte is voor een klein deel, maar alsnog slechts beperkt, toe te
schrijven aan Covid-19 — aangezien de covid-sterfte (cyaan in de subplots) slechts een kleine
fractie van de totale sterfte vormt. De twee subplots rechtsonder laat de percentages
99
Het is wellicht sowieso niet redelijk dat er een enkel getal zou bestaan dat in alle omstandigheden zinvol zou
zijn.
99
gerapporteerde doodsoorzaken
100
101
zien onder resp. gevaccineerden en
ongevaccineerden. De veruit meest frequente doodsoorzaak in die periode(n) in 2021 met
een sterk verhoogde sterfte onder ongevaccineerden is kanker; en het percentage daarvan is
verhoogd, ten opzichte van het ‘normaler’ ogende patroon van doodsoorzaken zoals te zien
is in 2022 en 2023, en bij gevaccineerden. Dit is opnieuw een aanwijzing dat we bij die sterk
verhoogde sterfte onder het label-ongevaccineerden te maken hebben met een bijzondere
situatie of subgroep; namelijk een subgroep die al extra kwetsbaar was en al kanker had. Als
we kijken naar de sterftekansen per periode van de (label-)ongevaccineerden, dan zien we
dat in die verhoogde sterfte-periodes, met de piek precies tijdens de piek van
vaccinatieronde 1 (1e dosis van de basisserie), de sterfte tot wel 8 keer hoger is dan wat
normaal is voor dit geboortejaar-cohort. Ook dit duidt, op iets andere wijze, op een
bijzondere situatie of artefact. Wat de onderliggende causale factoren ook zijn, dit verklaart
in elk geval getalsmatig die sterk verhoogde sterfte bij ongevaccineerden in de – in vorige
secties gepresenteerde – survival curves: inderdaad sterven (label-)ongevaccineerden
relatief heel vaak in of na de weken waarin heel veel gevaccineerd werd.
Een iets minder sterk maar alsnog opvallend effect zien we helemaal aan het begin
van 2021 juist bij de gevaccineerden: daar zien we, heel tijdelijk, eveneens aanzienlijk
verhoogde sterfte. Merk op dat in die allereerste periode zeer kwetsbare mensen met
prioriteit werden gevaccineerd, veelal in verzorgings- en verpleeghuizen. Dit kan dus, i.e.g.
deels, een tijdelijk ‘negatief healthy vaccinee effect’ zijn (ofwel een unhealthy vaccinee
effect); onder het lage aantal op dat moment gevaccineerden bevonden zich toen relatief
veel heel kwetsbare mensen. Ook is uit die tijd bekend dat in die groep van oudere en zeer
kwetsbare mensen inderdaad een aantal mensen stierven vlak na, en waarschijnlijk als
gevolg van, de vaccinatie (zie ook het eerste CBS/RIVM rapport zelf, noot 57).
De doodsoorzaken voor gevaccineerden in die korte periode laten als meest
frequente doodsoorzaak “Onbekend/Overige” zien (in tegenstelling tot later); maar ook
relatief veel Covid-19 – dit dus ondanks het hebben ontvangen van tenminste één
vaccinatie. Aangezien in deze eerste periode veel in verzorgings- en verpleeghuizen werd
gevaccineerd, is de uitvoerder van vaccinaties in die periode relatief vaak een andere dan de
GGD-GHOR, wat mogelijk ook een relevant verschil is vergeleken met de maanden erna, met
name ten aanzien van het al dan niet compleet aanleveren van vaccinatiedata aan CIMS.
100
De leers staan voor categorieën van doodsoorzaken, afgeleid van ICD10 codes. U: Covid-19 (U07.1 en
U07.2); I/R: cardiovasculaire doodsoorzaken (I) en R9 (“Other sudden death, cause unknown” e.d.); C/D: kanker
(C01-C99, D01-D49); Other: overig of onbekend. N.B.: in de gebruikte doodsoorzaken-dataset waren
doodsoorzaken eind 2023 nog niet compleet, vandaar dat in die (laatste) periode de doodsoorzaak aljd
overig/onbekend is.
101
We moeten sowieso beseen dat de ocieel geregistreerde doodsoorzaken niet aljd 100% nauwkeurig,
accuraat, en volledig zijn. CBS gebruikt de primair geregistreerde doodsoorzaak zoals genoteerd in de
doodsoorzaken-formulieren. Vaak is er bij stere sprake van meervoudig onderliggend lijden en meerdere
factoren die samen een rol spelen. Zeker in de eerste jaren van de coronapandemie werd erg asseref Covid-19
als doodsoorzaak vastgesteld, conform WHO richtlijnen, ook bij ernsge andere aandoeningen waar Covid-19
misschien alleen een bijrol speelde of toevallig ook aanwezig was (“met Covid” vs. “door Covid”). Ook voor
andere doodsoorzaken geldt dit, in mindere mate.
100
Covid-19-sterfte (volgens de officiële doodsoorzaken) vormt sowieso, zelfs voor deze
relatief oude groep mensen, maar een klein deel van de totale sterfte. Zeker in 2022 en 2023
is de Covid-19-sterfte zeer minimaal al is de Covid-19-sterfte relatief wel hoger onder
ongevaccineerden dan onder gevaccineerden. Daadwerkelijke effectiviteit van het vaccin
kan hier uiteraard een grote rol in spelen; maar wat niet uit te sluiten valt, is dat er ook een
bias kan zijn in rapportage/doodsoorzaken-vaststelling, waarbij ongevaccineerden vaker
getest zijn (bijvoorbeeld in het ziekenhuis) en/of vaker als doodsoorzaak Covid-19
geregistreerd werd na overlijden aan (vaak) meervoudige oorzaken, in combinatie met een
middels PCR of antigeensneltest vastgestelde SARS-CoV2 infectie.
Overige subplots laten de VE zien per periode van 4 weken (met verschillende
variaties), afgeleid van al deze basis-data. De korte verhoogde sterfte onder gevaccineerden,
helemaal aan het begin van 2021, zorgt eerst voor kortdurende negatieve berekende VE.
102
Daarna volgt een periode van ogenschijnlijk zeer hoge VE, meer dan 90% (𝑉𝐸𝑅𝑅𝑅), die
vervolgens in ruim een jaar tijd terugloopt. Merk op dat dit patroon sterk lijkt op datgene
wat CBS/RIVM ook rapporteert. Deze ogenschijnlijk zeer hoge VE, zowel in termen van RRR
als in termen van ARR, en zowel voor Covid als voor non-Covid/ACM, is feitelijk gebaseerd op
de onrealistisch verhoogde sterfte van ongevaccineerden, ten opzichte van het normale
sterftepatroon voor mensen van die leeftijd.
We kunnen die VE-getallen over de tijd, die dus behoorlijk lijken op de door
CBS/RIVM berekende VE-getallen over de tijd, hierom wat ons betreft niet als realistisch en
plausibel beschouwen. Merk ook – nogmaals – op dat de ogenschijnlijke ‘bescherming’ ook
heel hoog is tijdens de zomermaanden en voor alle andere aandoeningen dan de ziekte waar
het vaccin voor gemaakt is (standaard sanity checks genaamd negative control checks, zie
noot 90). En het lijkt er zelfs op, voor wat betreft Covid-sterfte, dat de VE ‘meelift’ op de
algemeen verhoogde - en onrealistische - sterfte onder ongevaccineerden. Tenslotte kunnen
we constateren dat als we kijken naar bescherming in termen van Absolute Risico-Reductie,
d.w.z. 𝑉𝐸𝐴𝑅𝑅, de ‘bescherming’ door de coronavaccins tegen sterfte aan Covid veel lager is,
in procentpunten, dan de gelijktijdige ‘bescherming’ tegen sterfte aan iets anders dan Covid.
Dit is opnieuw overduidelijk een signaal dat duidt op een artefact.
102
Merk op dat CBS/RIVM, dankzij keuze voor meetperiode en denie van vaccinaestatus, deze negaeve
iniële VE-waarde niet observeert en rapporteert. Zie ook Hoofdstuk5 van dit rapport.
101
Figuur 57. Per-4-weken analyse van gematcht geboortejaar-cohort 1940-1950, geen WLZ
gebruik.
102
Het is (zoals in de vorige sectie beschreven) interessant om óók te kijken naar een
vergelijkbare analyse, maar dan op het oorspronkelijke, ongematchte geboortejaarcohort.
Dit ten eerste om mogelijke artefacten van het matching-proces uit te sluiten. Ten tweede
om juist géén bijzondere selectie van proefpersonen te doen op basis van in leven zijn op
een bepaald moment, alsmede een ‘kunstmatige’ 3:1 verhouding tussen gevaccineerden en
ongevaccineerden, die lager is dan de daadwerkelijke verhouding in de populatie (die ligt
voor deze hoog-gevaccineerde oude geboortejaarsgroep eerder in de buurt ligt van 9:1).
Daarmee kunnen we ook beter te zien wat de effecten zijn op de gemiddelde overall sterfte
in het hele geboortejaarcohort. Figuur 58 laat dit zien, voor hetzelfde geboortejaarcohort
1940-1950. In grote lijnen zien we dezelfde patronen; inclusief zeer vergelijkbare VE-
schattingen, en het patroon van vreemde en sterk verhoogde sterfte van (label-)on-
gevaccineerden, met name in en vlak na de grote vaccinatierondes. De vaccinatiegraad in de
groep convergeert nu naar een waarde dichtbij de daadwerkelijke vaccinatiegraad in deze
groep, rond de 92% (terwijl het in de gematchte dataset logischerwijs op 75% bleef steken,
vanwege het 3:1 matching-proces).
Het belangrijkste verschil is dat er een minder sterk verhoogd overall sterftepatroon
zichtbaar is (Death counts, en Deaths all, %) in 2021. Dit komt omdat we nu dus de
daadwerkelijk in de populatie gerealiseerde verhouding gevaccineerd/ongevaccineerd van
(ongeveer) 9:1 gebruiken in plaats van 3:1. De verhoogde sterfte onder ongevaccineerden is
daardoor minder goed zichtbaar; wordt minder ‘uitvergroot’ in de gemiddelde, overall
getallen. Desalniettemin zien we duidelijke ‘bulten’, die behoorlijk precies temporeel
correleren met vaccinatiedosis 1 en 2 en (nog wat sterker) vaccinatiedosis 3 (de booster).
Belangrijk daarbij is om ons te realiseren dat indien er alleen een puur (HVE-gerelateerd)
selectie-effect is in zo’n periode waarin veel gevaccineerd wordt en de sterftekansen van
gevaccineerden en ongevaccineerden sterk uiteen gaan lopen, je verwacht dat die
gemiddelde, overall sterfte niet verhoogd is; het is dan immers alleen een selectie, een
uitsplitsings-proces. Maar de gemiddelde, overall sterfte is dus wel degelijk verhoogd.
Tegelijkertijd correleren die bulten met verhoogde Covid-sterfte, die gedeeltelijk samenvalt
met de vaccinatierondes; dus kunnen we Covid-19 niet uitsluiten als (mede-)oorzaak
(hierover later meer).
Dat de overall sterfte in de jaren 2021-2023 gemiddeld toch iets onder de normale,
verwachte sterfte ligt voor deze leeftijdsgroep (1940-1950) komt waarschijnlijk omdat in die
berekening voor normale, verwachte sterfte op basis van eerdere jaren ook alle WLZ-
gebruikers zijn meegenomen. Dat zijn er relatief veel in deze leeftijdsgroep; en we weten dat
die een hogere sterfte hebben dan niet-WLZ-gebruikers, de in deze grafiek bekeken
onderzoeksgroep. Ook speelt misschien mee dat in het coronajaar ervoor, 2020, relatief veel
kwetsbare mensen uit dit geboortejaar-cohort al gestorven waren.
Figuur 59 toont de data voor dit geboortejaar-cohort, zonder WLZ-gebruik en
wederom ongematcht, maar voor de subgroep die volgens de Rx-Risk comorbiditeitsindex,
berekend met de data over het gebruik van medicatie in 2020, een verhoogd
comorbiditeitsniveau heeft (“R1”: Rx-Risk > 0, net als gedaan is in sectie 6.4.2 en Figuur 55).
103
Bij deze subgroep zien we wel, zoals verwacht, gemiddeld een hogere sterfte dan de
normale, verwachte sterfte voor deze leeftijdsgroep. Ook zien we hier duidelijker de ‘bulten’
die correleren met de vaccinatierondes, en enigszins met de winter en covid-sterfte. Het
belangrijkste is dat we hier wederom de sterk verhoogde sterfte bij ongevaccineerden zien
(afgezien van het kleine piekje bij gevaccineerden helemaal in het begin van 2021), waarop
alle berekende VE-getallen op gebaseerd zijn en ‘meeliften’.
Figuur 60 toont de data voor dit geboortejaar-cohort 1940-1950, wederom
ongematcht, maar nu de groep mét WLZ-gebruik (bij de gematchte groepen zien we, net als
bij niet-WLZ, vergelijkbare patronen). Bij deze subgroep zien we nog sterker, en ook zoals
verwacht, een veel hogere sterfte dan de normale, verwachte sterfte voor de gehele
leeftijdsgroep. Deze groep heeft een zeer hoge sterfte; tussen de 1.5 en 4% per periode van
4 weken. Ook hier zien we weer de duidelijke ‘bulten’ die correleren met de
vaccinatierondes, en met de winter en covid-sterfte.
Wat opvalt bij deze WLZ-gebruikers, die bijna allemaal vroeg gevaccineerd werden, is
dat de bult aan overall en covid-sterfte tijdens de lente van 2021, wel zichtbaar bij niet-WLZ-
gebruikers, hier volledig ontbreekt. De sterk verhoogde sterfte ligt bij deze subgroep echt in
de eerste maanden van 2021, en in de winter van 2021/2022.
Primair ‘verantwoordelijk’ voor de verhoogde overall sterfte in de groep zijn opnieuw
de (label-) ongevaccineerden. En de piek van de sterfte voor deze (label-)ongevaccineerden
ligt dus duidelijk ook eerder voor deze groep; precies temporeel gecorreleerd met de
vaccinatieronde. Ook hier is de extreme piek voor de (label-)ongevaccineerden ons inziens
zeer compatibel met de in sectie 6.4.3 beschreven “deelverklaring 2” – sommige
gevaccineerde mensen die overlijden kort na hun vaccinatie, staan niet in CIMS. Tegelijk is
het vast en zeker zo dat de WLZ-gebruikers die niet gevaccineerd (kunnen) worden vanwege
een zeer hoge kwetsbaarheid, extra kwetsbaar zijn voor Covid-19 en mogelijk daaraan
sterven. Dat is klassiek HVE (“deelverklaring 1”). We zien in deze grafieken dan ook relatief
hoge Covid-19 sterfte voor ongevaccineerden; naast sowieso hoge sterfte (alle
doodsoorzaken).
De groep oudere WLZ-gebruikers werd niet of nauwelijk gevaccineerd tijdens de
lente van 2021 (dat was al eerder gebeurd); en in die periode zien we tegelijk ook minder
abnormale sterfte. Dit pleit tegen een verklaring dat uiteindelijk gewoon corona, inclusief de
beperkte alfa-golf van lente 2021, de enige of voornaamste oorzaak is voor alle verhoogde
sterfte die we telkens weer observeren tijdens vaccinatierondes (ook in eerdere grafieken);
want in dat geval zou dat effect van die alfavariant-golf in de lente van 2021 ook bij deze
kwetsbare WLZ-groep zichtbaar moeten zijn. Wat wel goed mogelijk is, is een interactie-
effect tussen vaccinatie en infectie: het tijdelijk gevoeliger zijn en/of harder geraakt worden
door een infectie mar SARS-CoV2 vlak na een vaccinatie (die dus wellicht niet altijd
geregistreerd wordt in CIMS, met name bij sterfte kort daarna); of andersom, harder geraakt
worden door vaccinatie na een recente infectie. Met name dat eerste is in lijn met wat in de
104
literatuur bekend is
103
: een relatief grote kans op infectie met name vlak na dosis 1, en nog
vóór dosis 2 (zie ook noot 64).
Wat we tevens zien bij deze oude WLZ-gebruikers groep die vroeg gevaccineerd
werden, is dat bij de gevaccineerden tussen week 39 (eind september) en week 52 (eind
december) 2021 verdwenen is wat er aan bescherming was door de vaccins; er is dan bij
heen aanzienlijk verhoogde sterfte, inclusief een duidelijk verhoogde Covid-19-sterfte, en na
verloop van tijd dus een afwezige of zelfs negatieve VE. Dit terwijl dit een van de meest
kwetsbare groepen was waarvoor in principe het vaccin bedoeld was om hen te
beschermen.
Deze conclusie werd toen ook getrokken, en leidde uiteindelijk tot het eind 2021 vrij
‘hals over kop’, eind 2021, grootschalig invoeren en adviseren van de boosters, terwijl dat
kort daarvoor nog als “waarschijnlijk niet nodig” werd beschreven
104
105
106
(later nog wat
meer over de boosters). In de unadjusted resultaten die CBS/RIVM presenteert voor de
oudere en WLZ groepen zien we overigens ook sterk negatieve VE ontstaan, 7 tot 10
maanden na vaccinatie. Maar middels (niet volledig transparante en verklaarde) adjustments
in de Cox regressie-modellering verandert deze negatieve VE in een positieve VE van 40 tot
60% (zie noten 57, 58, 59).
We merken ook nog op dat de bevindingen die we zojuist bespraken volledig in lijn
zijn met onze macro-analyses uit het vorige hoofdstuk.
103
Michela Antonelli et al. (2022). Risk factors and disease prole of post-vaccinaon SARS-CoV-2 infecon in
UK users of the COVID Symptom Study app: a prospecve, community-based, nested, case-control study. Lancet
Infect Dis. 2022 Jan; 22(1): 43–55.
104
Ondanks dat in oktober nog door het RIVM werd gezegd dat dat hoogstwaarschijnlijk niet nodig was: “Van
Dissel ziet voorlopig ook niks in een grote extra vaccinaeronde met een boosterprik” (20-10-2021).
hps://www.nrc.nl/nieuws/2021/10/20/jaap-van-dissel-verwacht-geen-nieuwe-lockdown-in-de-winter-
a4062397.
105
Israel hopes boosters can avert new lockdown as Covid vaccine ecacy fades. Financial Times. August 2021.
106
Al in januari geprikt? Dan ben je nog steeds goed beschermd. oktober 2021.
hps://www.nrc.nl/nieuws/2021/10/19/vaccins-werken-goed-maar-hoe-lang-blij-dat-zo-a4062330 .
105
Figuur 58. Per-4-weken analyse van ongematcht geboortejaar-cohort 1940-1950, geen WLZ
gebruik.
106
Figuur 59. Per-4-weken analyse van ongematcht geboortejaar-cohort 1940-1950, geen WLZ
gebruik, hoog comorbiditeitsniveau o.b.v. 2020 medicijngebruik.
107
Figuur 60. Per-4-weken analyse van ongematcht geboortejaar-cohort 1940-1950, wel WLZ
gebruik.
108
6.4.6 Sterfte-analyses per periode van 4 weken: jongere cohorten
Bij jongere geboortejaar-cohorten (en de paar alleroudste) zien we grotendeels dezelfde
patronen. Dit zien we zowel bij de gematchte datasets als bij de ongematchte, zonder
daartussen qua patronen heel belangwekkende verschillen te zien. Hieronder laten we de
data zien van enkele ongematchte jongere geboortejaar-cohorten, allemaal zonder WLZ-
gebruik.
Figuur 61 laat de data zien van het ongematchte geboortejaar-cohort 1950-1960,
geen WLZ gebruik. We zien in 2021 weer hetzelfde patroon van een ogenschijnlijk heel hoge
(en daarna langzaam aflopende) VE, die puur gebaseerd is op de zeer hoge (en daarmee
implausibele) sterfte bij ongevaccineerden. Ook zien we, tijdens de hoogste pieken van
sterfte bij ongevaccineerden, een enigszins verhoogde overall sterfte (dus op basis van
ongevaccineerden en gevaccineerden samen). Die hoogste pieken vallen dus samen met de
pieken van vaccinatie. Nogmaals, bij een puur (HVE/) selectie-effect tijdens een
vaccinatieronde zou je verwachten dat die gemiddelde, overall sterfte niet verhoogd zou
zijn. Deze groep werd wat later gevaccineerd; de piek rond de basisserie-vaccinaties is dan
ook iets later in de tijd dan voor de 1940-1950 groep, namelijk rond week 21 van 2021 (24-
30 mei 2021). Maar ook hier weer zien we tegelijkertijd, eind mei, ook een wat verhoogde
Covid-sterfte (volgens officiële doodsoorzaken).
Figuur 62, Figuur 63 en Figuur 64 laten de data zien van (ongematchte) geboortejaar-
cohort en 1960-1980, 1980-2000 en 2000-2020, allen zonder WLZ gebruik. Opnieuw zien we
dezelfde soort patronen. De aantallen en proporties aan sterfte per 4 weken worden
natuurlijk wel steeds lager. De Covid-sterfte wordt echt minimaal.
107
In de gemiddelde,
overall sterfte zien we steeds minder duidelijke bulten; dit heeft wellicht te maken met de
sowieso lage sterftecijfers en de slechter wordende signaal-ruis verhouding. Voor de groep
1960-1980 is de voornaamste doodsoorzaak nog steeds kanker. Voor de jongere groepen
1980-2000 en 2000-2020 is de voornaamste doodsoorzaak “overige”; bij jongeren spelen
ongelukken en suïcide een relatief grote rol bij de zeldzame overlijdens.
Opvallend is dat bij de jongste groep, 2000-2020, die overigens laag gevaccineerd is
(rond de 45%), de ACM-VE al heel snel negatief wordt (de Covid-VE valt sowieso niet of
nauwelijks te berekenen vanwege het vrijwel afwezig zijn van Covid-sterfte, varieert
bovendien zeer sterk van periode tot periode, en is hoogstwaarschijnlijk in werkelijkheid
nihil). Dit ligt aan hoger dan ‘normale’ sterfte van – dit keer – de gevaccineerden, in 2022 en
2023. Dit gaat gepaard met (optisch) een lichte overall verhoging van de sterfte, hoewel de
getallen dus laag en daarmee gevoelig voor ruis zijn, en daardoor moeilijk te interpreteren.
Hoe dan ook, dit alles suggereert heel sterk dat de covidvaccins voor alle jongere groepen op
zijn best ineffectief en daarom zinloos waren.
107
Merk op (nogmaals) dat aantallen <10 vanwege privacy-redenen niet uit CBS geëxporteerd mogen worden
en daarom in die graeken op 0 worden afgerond. 0 in deze graeken kan dus betekenen: echt 0, of >0 maar
<10.
109
Figuur 61. Per-4-weken analyse van ongematcht geboortejaar-cohort 1950-1960, geen WLZ
gebruik.
110
Figuur 62. Per-4-weken analyse van ongematcht geboortejaar-cohort 1960-1980, geen WLZ
gebruik.
111
Figuur 63. Per-4-weken analyse van ongematcht geboortejaar-cohort 1980-2000, geen WLZ
gebruik.
112
Figuur 64. Per-4-weken analyse van ongematcht geboortejaar-cohort 2000-2020, geen WLZ
gebruik.
113
Figuur 65. Per-4-weken analyse van gematcht geboortejaar-cohort 1960-1980, geen WLZ
gebruik.
114
De gematchte datasets laten hetzelfde beeld zien, net als bij de oudere (1940-1950)
groepen het geval was. Vanwege de relatieve ‘overrepresentatie’ van gematchte
ongevaccineerden (1:3, vs. 1:6 tot 1:8 in deze jongere groepen in de werkelijke populatie)
zien we dan met name in de “gemiddelde” sterfte van de totale dataset (“deaths counts” en
“deaths all”, %) duidelijker terug dat de ongevaccineerden een zoveel hogere sterftekans
hebben dan de gevaccineerden dat dit in het gemiddelde ook tot een aanzienlijke verhoging
leidt; en dit effect valt samen met de vaccinatiecampagne(s) en verdwijnt enige tijd daarna.
Figuur 65 toont, ter illustratie, deze data voor gematcht geboortejaar-cohort 1960-1980.
6.4.7 Analyse van de eerste booster
Argumenten en indicaties dat de hoge maar sterk teruglopende VE wellicht vooral een
weerspiegeling is van artefacten, waaronder een sterk HVE, worden door CBS/RIVM
weerlegd met (o.a.) het tegenargument dat de boostervaccinaties van eind 2021 en later de
VE weer terugbrengen naar een hoog niveau (zie noten 57, 58, 59). Dit zou bewijzen dat de
vaccinaties daadwerkelijk medisch veel doen en een krachtige, maar wellicht wat
kortdurende, bescherming bieden. Om dit argument nader te toetsen doen we zelf een
kleine extra analyse van de eerste booster-ronde van eind 2021.
Voor deze analyse kijken we opnieuw naar het hierboven uitgebreid bekeken en
bediscussieerde geboortejaar-cohort 1940-1950. Figuur 66 en Figuur 67 tonen dezelfde
soort data per 4 weken als voorheen, voor dit geboortejaar-cohort en wederom ongematcht,
voor respectievelijk de groep zonder en de groep met WLZ-gebruik. Belangrijk is dat in deze
data en grafieken, ten behoeve van deze analyse, mensen tijdelijk alleen worden worden
beschouwd als "gevaccineerd" (ten opzichte van “ongevaccineerd”) als ze de booster van
eind 2021 (vanaf midden september 2021) hebben ontvangen. Voor verreweg de meesten is
dit de derde dosis. Met andere woorden, in deze analyses en grafieken staat “vaccinated”
voor “geboosterd”, “unvaccinated” voor “niet-geboostered”. Dat laatste kan betekenen dat
iemand ofwel helemaal geen vaccinaties heeft ontvangen (ook geen dosis 1 en/of 2), ofwel –
en dat zijn verreweg de meeste – wel de basisvaccinatie maar geen booster.
Ongeveer 1,3 miljoen mensen van de in totaal ongeveer 1,5 miljoen mensen in het
geboortejaar-cohort 1940-1950 zonder WLZ-gebruik had in de eerste helft van 2021
tenminste 1 vaccinatiedosis gehad (zie Figuur 58); dus slechts ongeveer 200.000 mensen had
geen (geregistreerde) basisvaccinatie ontvangen. We zien (in Figuur 66) dat ongeveer 1,25
miljoen mensen, van dit door de jaren heen gevolgde geboortejaar-cohort, wederom een
(meestal derde) vaccinatie ontvangt, eind 2021 of begin 2022; en dus voor deze booster-
analyse als “vaccinated” beschouwd wordt.
115
Figuur 66. Per-4-weken analyse van ongematcht geboortejaar-cohort 1940-1950, geen WLZ
gebruik; analyse waarbij het hebben ontvangen van de booster van eind 2021 beschouwd
wordt als "gevaccineerd".
116
Figuur 67. Per-4-weken analyse van ongematcht geboortejaar-cohort 1940-1950, met WLZ
gebruik; analyse waarbij het hebben ontvangen van de booster van eind 2021 beschouwd
wordt als "gevaccineerd".
117
Wat we zien aan sterfte- en VE-patronen is in essentie weer vrijwel hetzelfde als wat
we zagen voor de eerste (basis)vaccinatie, zoals beschreven in sectie 6.4.5 en getoond in o.a.
Figuur 58. We zien een kortdurend verhoogde sterftepiek bij de gevaccineerden aan het
begin van de booster-campagne (nu: geboosterden), corresponderend met een kortdurende
negatieve VE (zowel voor Covid als voor non-Covid/ACM). Dit kan, net als met de
basisvaccinatie-campagne, te maken hebben met het als eerst boosteren van de meeste
kwetsbare mensen die sowieso hogere sterftekans hebben (negatief HVE). Maar ook kan het
te maken hebben met dat de boosterprik een extra aanslag is op de al zeer zwakke
gezondheid, mogelijk in combinatie met gelijktijdige SARS-CoV2 infectie (zie de enigszins
verhoogde Covid-sterfte, die min of meer samenviel met de deltavariant-golf).
Vervolgens zien we het beeld weer omslaan: een zeer hoge ogenschijnlijke
‘bescherming’ door het vaccin, zowel voor covid als voor alle andere doodsoorzaken. En die
‘bescherming’ hangt direct samen met extreem verhoogde sterfte bij de ongevaccineerden
(ongeboosterden), die een sterfte-niveau hebben dat veel hoger ligt dan wat normaal is voor
het geboortejaar-cohort. Volgens de doodsoorzakenregistratie kan daarvan slechts een zeer
beperkt deel toegeschreven worden aan Covid-19; de andere en veel frequentere
doodsoorzaken zijn de gebruikelijke doodsoorzaken kanker, cardiovasculair, en ”overig”
(waar bijvoorbeeld ook dementie en allerlei andere neurologische ouderdomsziekten onder
vallen). Ook de hoge Covid-19-VE lijkt opnieuw ‘mee te liften’ op de algeheel hogere
kwetsbaarheid en sterfte bij ongevaccineerden.
En tenslotte zien we ook nu weer een duidelijk verhoogde overall sterfte, d.w.z.
verhoogde sterfte van geboosterde en ongeboosterde mensen samen. De extreme piek van
de ongevaccineerde (ongeboosterde) èn overall sterfte valt, net als bij de basisvaccinatie,
exact samen met de piek van deze booster-vaccinatieronde, maar ook met een (beperkte)
piek van Covid-sterfte. Zoals eerder uitgebreid besproken, met name in sectie 6.4.3, wijst dit
alles wederom op een heel groot HVE, waarschijnlijk gecombineerd met een aantal
gestorven label-ongevaccineerden die dat label ten onrechte hebben (data-vervuiling). Er
speelt (wederom) tegelijkertijd wellicht de component van een infectie met SARS-CoV2,
mogelijk in een interactie met vaccinatie.
Bij de WLZ-gebruikers in het geboortejaar-cohort 1940-1950 (Figuur 67) zien we in
essentie hetzelfde beeld. Het voornaamste verschil is dat voor deze subgroep de booster-
graad stagneert op een waarde tussen de 50 en 60%; wellicht omdat deze groep al in zijn
algemeenheid dusdanig kwetsbaar was dat er voor gekozen is hen veelal niet te boosteren.
Dit is uiteraard in lijn met de verklaring dat HVE een heel grote rol speelt.
Kortom, wat deze analyse van de booster heel sterk suggereert, is dat feitelijk exact
dezelfde methodologische issues en artefacten een zeer grote rol spelen bij de booster-
ronde(s) als bij de basisvaccinaties. En het suggereert dat om dezelfde redenen de VE alleen
maar schijnbaar en heel kunstmatig heel hoog is, of lijkt. Mogelijk is er wel (enige?) echte
bescherming, maar dat is uit deze cijfers en met al deze beperkingen niet op te maken; ons
inziens ook niet door CBS/RIVM, die de artefacten ofwel niet opmerkt, simpelweg negeert
ofwel bagatelliseert.
118
6.5 Discussie van de stere-analyses
6.5.1 Conclusies ten aanzien van de methodiek en algemene vaccin-effectiviteit
De VE-per-periode (hier 4 weken) lijkt voor deze data duidelijk extra, veelal nuttige(r)
informatie op te leveren, vergeleken met een recht-door-zee survival analysis, zoals we in
eerste instantie hebben uitgevoerd en zoals CBS/RIVM dat ook heeft gedaan (in hun geval
met Cox proportional hazards regressie). Dit heeft er met name mee te maken dat het een
betere manier is om te gaan met de sterke dynamiek en non-stationariteit (zie sectie 6.4.4)
van het onderliggende proces, en het (daardoor) breken van de aannames van een
standaard survival analysis.
We zien in per-4-weken analyses duidelijk grote, en over de tijd veranderende
effecten, die gecorreleerd zijn met vaccinatierondes, als ook met subgroepen met een
verschillende kwetsbaarheid die in verschillende periodes gevaccineerd werden, en met
winterperiodes en/of covid-prevalentie. We hebben telkens te maken met zeer niet-
homogene groepen: een kleine ongezonde groep binnen een cohort domineert telkens de
sterfte-cijfers, en vaak waren die op verschillende momenten aan de beurt voor vaccinatie of
worden juist bewust overgeslagen voor vaccinatie vanwege te grote kwetsbaarheid. Dat
betekent dat als we ons niet van bewust zijn van dergelijke zaken, we de resultaten inclusief
de VE-rapportages, verkeerd interpreteren.
Naast duidelijke aanwijzingen voor heel grote healthy vaccinee effecten
(voornamelijk positief maar soms ook negatief) zijn er grote vraagtekens over de kwaliteit en
volledigheid van de data, met name de CIMS vaccinatie-database. Daarover hieronder nog
meer.
Dit alles maakt het lastig (feitelijk onmogelijk) om harde statistiek te bedrijven; en
zeker onmogelijk om de soort duidelijke conclusies te trekken over (positieve) vaccin-
effectiviteit en -veiligheid zoals CBS/RIVM dat doet. Met aan zekerheid grenzende
waarschijnlijk is de werkelijke vaccin-effectiviteit veel lager en wordt de vaccinveiligheid fors
overschat, en zijn in ieder geval veel onzekerder dan gerapporteerd door CBS/RIVM. Voor
jongere groepen (vanaf geboortejaar 1960 of daaromtrent) is de VE hoogstwaarschijnlijk
verwaarloosbaar of misschien zelfs netto negatief. Over lange-termijn schade kan eigenlijk
niemand een uitspraak doen door gebrek aan betrouwbare gegevens.
6.5.2 Sterke confounding en Healthy Vaccinee Effect
Sowieso hebben we dus in deze observationele dataset te maken met sterke confounding in
het onderzoek naar verschillen tussen gevaccineerden en ongevaccineerden, en (daaraan
gerelateerd) een grote Healthy Vaccinee Effecten (HVE). Dit lijkt op basis van de beschikbare
data (met name medicijngebruik en WLZ-type en -niveau) slechts beperkt meetbaar en in
variabelen te vatten te zijn, en hiervoor hebben we dus niet goed kunnen corrigeren.
Dit zagen we in de resultaten van, en na, matching: in die comorbiditeitsdata zit wel
degelijk heel veel nuttige informatie, maar blijkbaar niet voldoende om echt goed te
119
matchen. Hierdoor hebben we te maken met een situatie van zowel measured als
unmeasured confounding. Het HVE lijkt bij elk geboortejaar-cohort tenminste een jaar tot
anderhalf jaar een grote en zelfs dominante (en langzaam afnemende) rol te spelen, die een
groot deel, zo niet volledig, de schijnbaar zeer hoge non-Covid én zeer hoge Covid VE
verklaart.
De doodsoorzaken van de mensen die zorgen voor schijnbaar hoge VE zijn voor het
grootste deel kanker, en in minder mate cardiovasculaire en overige doodsoorzaken, en in
slechts beperkte mate Covid (hoewel die doodsoorzaak wel frequenter voorkomt, en met
name piekt in de winter van 2021/2022). De doodsoorzaak kanker als speciaal prominente
doodsoorzaak suggereert dat dit voor een deel immuun-gecompromitteerde mensen zijn die
om die reden niet gevaccineerd (konden) worden (zie sectie 6.2.3).
Zoals gezegd lukt het ondanks onze pogingen daartoe niet om daar afdoende voor te
corrigeren. Het zou natuurlijk wel degelijk kunnen dat andere, minder uitgebreid geteste
comorbiditeits-maten, mogelijk meer gebaseerd op de ziekenhuis-data en/of andere data
i.p.v. medicijndata,
108
beter zouden werken als factoren voor matching (of eventuele andere
matching-agoritmes, of post-hoc adjustments). Dat zou kunnen resulteren in betere
correctie voor het HVE; dat is dan iets dat in toekomstig werk zou moeten worden bekeken.
We vermoeden echter dat het met de huidige data waarschijnlijk onmogelijk zal zijn om dit
heel veel beter te doen.
Wat waarschijnlijk een aanzienlijke rol speelt is datgene wat in sectie 6.4.3 en elders
al werd genoemd: het is heel goed mogelijk dat we sowieso te maken hebben met wat
feitelijk een aanzienlijk confounding-by-indication effect is: het feit dát iemand niet
gevaccineerd is kan op zich al, nog afgezien van comorbiditeits-informatie, een belangrijke
indicatie zijn van diens mogelijk heel hoge kwetsbaarheid. Als twee mensen in 2020 allebei
dezelfde soort medicatie hadden voor een ernstige ziekte zoals kanker (en dus zelfde Rx-Risk
niveau), dan geldt wellicht voor de ene persoon dat hij of in een paar maanden toevallig heel
snel achteruit gaat en dan op zijn of haar sterfbed terecht komt, en voor de ander niet. Dit is
waarschijnlijk op basis van medicijn-gebruik van enige tijd geleden, en waarschijnlijk ook
ziekenhuis-diagnoses, niet of nauwelijks te onderscheiden.
6.5.3 De na vaccinatie tijdelijk zeer sterk verhoogde sterfte bij ongevaccineerden
Wat betreft de kortdurende maar zeer extreme sterftepiek in de eerste paar weken na de
startdatum bij de ongevaccineerden, dus precies tijdens de vaccinatierondes, gaven we in
sectie 6.4.3 al de twee belangrijkste (deel)verklaringen. “Verklaring 1” uit die sectie 6.4.3 is al
uitgebreid besproken – een extreem HVE gecombineerd met aanzienlijke unmeasured
confounding. Voor wat betreft deze extreme pieken zou dit dan mensen moeten betreffen
die precies dan, tijdens die vaccinatierondes, op hun sterfbed liggen. Gezien de relatief grote
aantallen mensen waar het hier om gaat precies tijdens vaccinatierondes, en de zeer sterke
108
Merk op dat we dat in eerder, gerelateerd werk wel al hadden geprobeerd; daar werkte comorbiditeits-
schang o.b.v. de Veks ziekenhuis-data en Charlson/Elixhauser comorbity indices t.b.v. vergelijkbare correces
minder goed dan de Rx-Risk aanpak die we hier hebben gebruikt.
120
effecten die we zien in zowel de survival curves (secties 6.4.1 en 6.4.2) en de per-4-weken
analyses op basis van gematchte en ongematchte datasets (secties 6.4.5, 6.4.6, 0), lijkt het
ons onmogelijk dat dit alles verklaart.
Merk ook op dat een dergelijk HVE een puur selectie- of uitsplitsings-effect is, waarbij
de totale sterfte in de hele groep niet zou moeten toenemen. Daarentegen zien we (het
duidelijkst bij de relatief oudere groepen) wel degelijk ook dat deze overall sterfte een
stijging laat zien. Tegelijk zien we dan echter ook meestal een lichte stijging in Covid-sterfte,
dus kan dat als oorzaak van de verhoogde overall sterfte, bij een net op dat moment
kwetsbare groep, ook niet uitgesloten worden.
De bevindingen suggereren ons inziens sterk dat de in sectie 6.4.3 beschreven
“deelverklaring 2” een rol speelt: sommige eigenlijk wel gevaccineerde mensen met
overlijdens kort na hun prik, en wellicht causaal als gevolg van de prik, staan niet in CIMS.
Naast de al genoemde redenen brengen we in herinnering dat deze extreme pieken, én de
kleine verhogingen in overall sterfte, niet alleen telkens vrijwel exact samenvallen met de
pieken van vaccinatierondes, maar dat die pieken van vaccinatierondes voor verschillende
geboortejaar-groepen ook aanzienlijk verschillen (vroeg in 2021 voor zeer oude kwetsbaren,
versus voor jongeren in de late lente en zomer van 2021), en de sterfte-pieken synchroon
daaraan meebewegen. Dit pleit sterk tegen de verklaring die dit bijvoorbeeld toch wijdt aan
Covid-19 of (andere) seizoensgebonden sterfte.
Dit wijst wat ons betreft tegelijk ook op een belangrijk veiligheids-signaal, en het zou
kunnen betekenen dat door CBS/RIVM en anderen de sterfte kort na, en wellicht als gevolg
van vaccinatie sterk onderschat wordt. En het is de potentieel zeer ernstige datavervuiling
die dit verontrustende veiligheidssignaal – de mogelijke gevaren voor een kleine groep
kwetsbare mensen - onzichtbaar kan hebben gemaakt. Het is heel belangrijk dat dit verder
uitgezocht wordt, inclusief de mogelijke procedures en beslissingen die dit (kunnen) hebben
veroorzaakt. We merken hierbij nogmaals op dat in Engeland uit WOO-informatie kan
worden opgemaakt dat dit daar daadwerkelijk het geval was (dit is beschreven in sectie
6.4.3).
De officiële doodsoorzaak van deze label-ongevaccineerde (maar wellicht wel
gevaccineerde) mensen tijdens zo’n piek is relatief heel vaak kanker of “overig/onbekend”:
het is zeer denkbaar (en in lijn met wat we weten van de bijwerkingen van de vaccins) dat
kwetsbare mensen met zwak immuunsysteem en/of zwak hart door de vaccinatie een ‘extra
tik’ hebben gekregen die hen in samenhang met onderliggende kwetsbaarheid fataal is
geworden. Los van hoe ernstig dat is, is het heel belangrijk dat hier volledige duidelijkheid
over komt, en als de CIMS data inderdaad zo incompleet/vervuild/biased is, hoe dat zo
gekomen is.
121