(2) Die Tabelle gibt Modellwerte an verschiedenen Zeitpunkten für den Fall mit R1+0,04 am 15.11. und für konstante Dunkelziffer. Durch die häufigen Anpassungen entsprechen die Modellwerte der Vergangenheit gut den Meldungen. Die Vorhersage ist gerade unsicher (neue Variante).

(3) Grafik 3-6 ergänzen Entwicklung und Vorhersage der Meldedaten für das Modell vom 26.11. mit BA.3.2.2. Die Intensivbelegung weicht vom Modell ab, während die Todesfälle ihm wieder folgen (Grafik 6). Das Variantenmodell ist noch sehr unsicher (Fluchteigenschaften?).

(2) Die Aufwärtsentwicklung der letzten Tage relativ zur Kurve vom 20.11. für die Infektionen (Grafik 2) schreibe ich nicht der neuen Variante zu, sondern einer Änderung im Kontaktindex R1 (Wetter?). /3

(2) Ein Modell, das zu den 4 gemeldeten Sequenzierungspunkten für BA.3.2* passt, ist 'ziemlich beliebig' (Grafik 1A für den Fall in (1) oben und Grafik 1B). Damit ist die Entwicklung kaum vorhersagbar (Grafik 2A und 2B). 'Es kann viel schlimmer kommen'. Die Daten der nächsten Wochen entscheiden.

(2) Die Sequenzierungsdaten deuten auf einen sehr steilen Anstieg des Anteils der neuen Variante hin. Eine Modellierung, die zu einem solchen Anstieg passt, lässt die Winterwelle bis Februar 2026 noch einmal ansteigen und erst dann zusammenbrechen (Grafik 2).

Die Todesfälle pro Woche liegen seit langem bei ~63% der Intensivbelegung 2 Wochen vorher (9% pro Tag). Die Meldungen der Intesivbelegung haben sich von meiner Modellierung seit einer Woche etwas abgelöst, sie fallen stärker, und seit 3 Tagen steigen die Todesfälle relativ zu dieser Entwicklung.

(2) Die Tabelle zeigt Modellwerte heute, vor einer Woche, in einer Woche und am geschätzten Zeitpunkt der Halbierung der Infektionen (30.12.25).

(3) Der Abfall der DZ jetzt würde bedeuten, dass die tatsächliche Inzidenz noch stärker abfällt, als in meiner Modellierung mit konstanter DZ (Grafik). Wegen des ‚parallelen‘ Verlaufs der RKI-Fallmeldungen mit HOSP und ITS (mit XFG-Korrektur) halte ich das zumindest für merkwürdig.

(2) Wenn die AMELAG-Daten die ‚Wirklichkeit‘ repräsentieren, ist dieser Quotient die Dunkelziffer der RKI-Meldungen. 'Übertrieben' hohe Werte könnten bei niedriger Inzidenz (mit) durch den kleinen Nenner entstehen, ohne großen Einfluss auf die Gesamtzahl der Infektionen. /3

(6) Zusatzergebnis: Durch die Neuskalierung der Pathogenitätsfaktoren (HOSP und ITS) am Maximum der Welle verschwindet der künstliche Sprung bei der ITS am 1.7. und auch der zweifelhafte Dunkelzifferanstieg am 1.10. ⇒ bsky.app/profile/mart....

Das Modell ist wieder konsistent.

(5) Unter den Modellannahmen finde ich also keinen Fehler, der die Abweichung von der Vorhersage erklärt. Bleibt der Schluss, dass weniger Kontakte (R1-0,2?) Ende Oktober (mit Wettereffekt) zu weniger Ansteckungen geführt haben. Das war nicht modellierbar. /6

(4) Eine andere Ursache für höhere Immunisierung wäre ein geringerer Immunschwund. Grafik 10 modelliert einen solchen Fall. R1 fällt (richtigerweise) weniger, die Modulation Ende Oktober jedoch bleibt. ⇒ Ein Fehler bei den Schwundannahmen ist nicht für den Absturz verantwortlich. /5

(3) Mehr Infektionen im Sommer heben die Bevölkerungsimmunisierung. Grafik 6-9 zeigen eine Modellierung mit einem genäherten AMELAG DZ-Profil.

Die R1-Modulation bleibt notwendig, um den Absturz der Welle zu erzeugen, und HOSP und ITS (DZ-frei modelliert) passen nicht mehr. /4

(2) Für die niedrigen Infektionszahlen im Sommer kommen die AMELAG Abwasserdaten auf eine höhere DZ als die in meiner Modellierung relativ zu DZ-freier ITS (=87). In Grafik 5 ist die AMELAG-Kurve eine Woche nach rechts verschoben und in der Höhe bei den Wellenbergen an die RKI-Kurve angepasst. /3