Das Hauptproblem: Fehlende Daten wurden „erraten“
Ein wichtiger Parameter bei Krebspatienten ist der sogenannte ECOG-Status (ein Maß dafür, wie krank oder belastbar jemand ist). Viele dieser Werte fehlten – und statt das offen als Unsicherheit zu behandeln, haben die Autoren sie einfach erfunden.
Dazu nutzten sie eine Methode namens PMM (Predictive Mean Matching), die mehrere plausible Werte generiert, um Unsicherheit abzubilden.

Der korrekte Weg: Man analysiert alle so erzeugten Datensätze getrennt und kombiniert die Ergebnisse statistisch (nach den sogenannten Rubin’s Rules).

Was sie stattdessen gemacht haben:
Sie haben fünfmal zufällig Werte generiert und dann einfach den häufigsten geratenen Wert (den „Modus“) genommen – als wäre das der „wahre“ Wert. Das ist, als würde man fünfmal würfeln und dann sagen: „Weil die 4 am häufigsten kam, ist das sicher das richtige Ergebnis.“
Damit löschen sie die gesamte Unsicherheitsinformation, die die Methode eigentlich erhalten soll. Das ist statistisch unsinnig und führt zu Scheinpräzision.
Der zweite Trick: Propensity Score Matching (PSM)
Um Gruppen (geimpft vs. ungeimpft) vergleichbar zu machen, wurde ein sogenanntes Propensity Score Matching verwendet.
Dabei werden Patienten mit ähnlichen Merkmalen gepaart, um faire Vergleiche zu ermöglichen.
Die Autoren wählten dabei ein extrem enges Matching-Kriterium (Caliper = 0.1) und ein 2:1-Verhältnis der Gruppen.
Beides kann genutzt werden, um eine gewünschte Effektgröße zu „optimieren“, sprich: man kann so die Gruppen so zusammenstellen, dass der Effekt größer aussieht, als er wirklich ist. Das ist ein klassischer Trick, um kleine Stichproben „schöner“ aussehen zu lassen.
Logischer Bruch: Falsche Gruppenzuordnung
Der absurdeste Punkt:
„Patients who progressed before the receipt of mRNA vaccination were included in the vaccination group for this analysis.“
Das heißt:
Patienten, die sich verschlechtert hatten, BEVOR sie überhaupt geimpft wurden, zählen in der Analyse als „geimpft“. Das ist ein klarer methodischer Bruch, der die gesamte Vergleichbarkeit zerstört. Man weiß nicht mehr, was überhaupt „nach der Impfung“ passiert ist.
6. Schein-Sensitivitätsanalysen
Die Autoren behaupten, sie hätten getestet, ob das Ergebnis stabil bleibt („Sensitivity Analyses“). Aber wenn die zugrunde liegenden Daten zufällig erzeugt und fehlerhaft verarbeitet wurden (was durch die Vermengung der Geimpften geschah), bleibt das Ergebnis natürlich „stabil“ – es ist ja deterministisch reproduzierbar. Mit anderen Worten: Man kann denselben Unsinn beliebig oft wiederholen, das Ergebnis bleibt Unsinn.
Fazit
Diese Studie gehört sofort retractiert (zurückgezogen), weil:
fehlende Daten nicht korrekt imputiert, sondern verfälscht wurden,
Gruppen falsch definiert wurden, Matching-Verfahren zur Effektverstärkung missbraucht wurden, und die angeblichen Robustheitsanalysen keine Aussagekraft haben.
Kurz gesagt:
Die statistischen Methoden wurden nicht zur Fehlerkontrolle, sondern zur Ergebnisgestaltung benutzt. Das macht die Resultate wissenschaftlich wertlos – egal, wie spektakulär sie klingen.
Und noch weitere Kritikpunkte:
- Die Vielzahl der Adjustierungen und das Mischfenster („–100 bis +100 Tage“) machen kausale Interpretationen extrem fragwürdig.
- Die mechanistischen Erklärungsansätze sind übermäßig optimistisch übertragen von Maus- auf Humandaten.
- Die Replikation und externe Validierung fehlen nahezu vollständig.