Menschen, die den Karneval nicht feierten. Trotz einer Bereinigung um das Alter der Teilnehmer, war die Assoziation mit dem Karneval auf dem gleichen Niveau. Zu diesem Zeitpunkt bleibt der Grund für die Assoziation mit der Karnevalsfeier spekulativ. Bisher konnten wir keine störenden Faktoren identifizieren, die den beobachteten Unterschied erklären würden. Es wurde allerdings nachgewiesen, dass die Rate der Partikelemission und Superemission während des menschlichen 5 Sprechens mit der Lautstärke der Stimme zunimmt2 • Da bei Karnevalsveranstaltungen laute Stimmen und Gesang in unmittelbarer Nähe üblich sind, ist die Vermutung naheliegend, dass eine höhere Viruslast zum Zeitpunkt der Infektion die höhere Intensität der Symptome und damit schwerere klinische Verläufe der Infektion verursacht hat. Vor allem Ergebnisse aus experimentellen Studien über Influenzainfektionen beim Menschen haben gezeigt, dass der Symptomschweregrad 6 27                                             28 von der verabreichten Virusdosis     abhängt2 • •    Ähnliche Beobachtungen wurden für MERS        und SARS29 gemacht. Über die Infektionsdynamik von SARS-CoV-2 ist wenig bekannt. Zukünftige Studien zur spezifischen Analyse der Infektionsketten nach Superspreading-Events könnten weitere Erkenntnisse liefern. Wenn dies nachgewiesen werden kann, könnte die IFR unter strengen Hygienemaßnahmen niedriger sein als die IFR im Kontext eines Superspreading-Events in dieser Studie. Dies birgt wichtige Konsequenzen für die Strategie gegen die Pandemie. ln diesem Zusamme'nhang ist bemerkenswert, dass in unserer Studie 22 % der infizierten Personen asymptomatisch waren, was frühere Berichte über etwa 20% asymptomatische Träger bestätigt, die 30 32 zur Verbreitung der Infektion      beitragen " •    Insbesondere asymptomatisch infizierte Personen weisen in unserer Studie erhebliche Antikörpertiter auf. Da die durchschnittliche Symptomzahl der Nicht-Infizierten in unserer Studie bei 1,6 (von 15 Symptomen) lag, wäre es darüber hinaus zweckmäßig, auch infizierte Studienteilnehmer, die bis zu 1 Symptom meldeten, als Personen ohne Symptome über dem Ausgangswert der nicht infizierten Studienteilnehmer zu zählen und damit den Anteil der asymptomatischen Infizierten auf 30,1% zu erhöhen. Angesichts der hohen Ansteckungsgefahr von SARS-CoV-2 würde man hohe Übertragungsraten erwarten. ln unserer Studie fanden wir jedoch einen relativ moderaten Anstieg des Sekundärinfektionsrisikos, der von der Größe des Haushaltsclusters abhing (Anstieg von 15,5 % Grundrisiko um 28 % für zwei Personen, 20 % für drei Personen, 3 % für vier Personen). Dieser Befund steht im Einklang mit jüngsten Beobachtungen eines Sekundärinfektionsrisikos von 16,3 % in 33                             34 ,,__ China und 7,56 % in Südkorea • Der Grund für das trotz der hohen Übertragungsrate vergleichsweise niedrige Sekundärinfektionsrisiko ist derzeit unbekannt, wird aber bei anderen 35                   36 Atemwegsinfektionen wie Influenza (HlNl) 14,5 % oder SARS 14,9 % beobachtet. Sekundäre Haushaltsmitglieder könnten einen Grad an Immunität (z. B. T-Zell-lmmunität) erworben haben, der von unserem ELISA nicht als positiv erkannt wird, aber dennoch diese Haushaltsmitglieder vor einer manifesten Infektion schützen könnte 26•37• Bis heute ist das Wissen über die SARS-CoV-2-Immunität eher spärlich. Ob die in unserer Studie bei infizierten Personen nachgewiesenen lg-Spiegel schützend sind und wie lange ein solcher Schutz anhält, ist derzeit nicht bekannt. Assays zur Virusneutralisationskontrolle, wie sie in unserer Studie durchgeführt wurden, liefern zusätzliche Informationen, aber keinen Beweis für das Vorhandensein einer wirksamen Immunität. Wie andere Tests auch, können Virusneutralisationstests im Allgemeinen falsch positiv sein, denn die Kreuzreaktivität zwischen Betacoronaviren ist bekannt38•39 • Ebenso schließt eine fehlende Neutralisierung des Virus eine frühere Infektion nicht aus, da es zahlreiche Belege dafür gibt, dass nicht alle Antikörperreaktionen neutralisieren, aber dennoch ein gewisses Maß an schützender Immunität bieten können 40 •41 • Daher verwendet unsere Studie an dieser Stelle die lgG-Werte als Indikator, ob eine Person infiziert war, aber nicht·als Beweis für eine 13

bestehende Immunität. Man kann jedoch davon ausgehen, dass auch dann ein bestimmter Grad an Schutz bestehen könnte, wenn die lgG-Spiegel unter dem Schwellenwert des ELISA liegen. Solche Personen werden in unserer Studie nicht als infiziert gezählt, dennoch könnte diese versteckte Infektionszahl möglicherweise eine wichtige Komponente für Immunität in einer Bevölkerung darstellen. Die Analyse von anti-SARS-CoV-2 lgM könnte helfen, diese Möglichkeit in Zukunft besser zu verstehen. Da i) während des Ausbruchs der SARS-CoV-2-Infektion von den Gesundheitsbehörden der Gemeinde ein hohes Maß an PCR-Tests durchgeführt wurde und ii) der Ausbruch weitgehend vorüber war, wurde diese Gemeinde als idealer Ort für die Schätzung der tatsächlichen Zahl der Infizierten gewählt. Hierbei ist zu beachten, dass die Infektionsrate in Gangelt nicht repräsentativ für andere Regionen in Deutschland oder anderen Ländern ist. Mit den oben diskutierten Einschränkungen bleibt die hier berechnete IFR jedoch eine nützliche Metrik für andere Regionen mit höheren oder niedrigeren lnfektionsraten. Wendet man in einem theoretischen Modell die hier berechnete IFR auf Deutschland mit derzeit ca. 6.575 SARS-CoV-2-assoziierten Todesfällen (2. Mai 2020, RKI) an, so würde die geschätzte Zahl der Infizierten in Deutschland höher als 1,8 Mio. (d. h. 2,2% der deutschen Bevölkerung) liegen. Die Ermittlung der tatsächlichen durchschnittlichen IFR für Deutschland wird von großer Bedeutung sein. Aufgrund der derzeit niedrigen Infektionsrate von ca. 2% {basierend auf IFR geschätzt) liefert ein ELISA mit 99 % Spezifität jedoch keine verlässlichen Daten. Daher ist es unter den gegenwärtigen Bedingungen ohne Superspreading sinnvoller, die IFR in Hotspots mit hoher Prävalenz wie dem Landkreis Heinsberg zu bestimmen. Die Daten der hier berichteten Studie dienen als Grundlage für Folgestudien zum Delta von Infektionen und Todesfällen, um die entsprechende !FR unter diesen veränderten Bedingungen zu identifizieren. Erklärung zum lnteressenkonflikt: Keiner der Autoren hat Interessenskonflikte zu offenbaren {einschließlich finanzieller,. kommerzieller, politischer oder persönlicher Interessen). Die Idee, der Plan, das Konzept, das Protokoll, die Durchführung, die Datenanalyse und das Verfassen des Manuskripts dieser Studie war unabhängig von Dritten oder der Regierung von Nordrhein-Westfalen. Finanzierung: Die Regierung des Bundeslandes Nordrhein-Westfalen stellte bedingungslos 65.000 "-- Euro zur Unterstützung der Studie zur Verfügung. Für die Studie wurde keine andere finanzielle Unterstützung durch Dritte erhalten oder verwendet. Danksagung: HS, EB, MMN und GH sind Mitglieder des Excellence Cluster lmmunoSensation EXC 2151 - 390873048. Wir möchten den Bewohnern von Gangelt für ihre Teilnahme danken. Wir möchten uns auch bei der Gemeindeverwaltung des Kreises Heinsberg für die Unterstützung bei der Durchführung der Studie bedanken. Wir danken Sammy Bedoui und Art Krieg für die kritische Lektüre des Manuskripts. Darüber hinaus möchten wir uns bei folgenden Personen bedanken, die bei der Studie mitgeholfen haben: Gero Wilbring, Janett Wieseler, Marek Korencak, Ryan Nattrass, Jernej Pusnik, Maximilian Becker, Ann-Sophie Boucher, Mare Alexander de Boer, Rebekka Dix, Sara Dohmen, Kim Friele, Benedikt Gansen, Jannik Geier, Marie Gronemeyer, Sarah Hundertmark, Nora Jansen, Michael Jost, Louisa Khorsandian, Sirnon Krzycki, Ekaterina Kuskova, Judith Langen, Silvia Letmathe, Ann-Kathrin Lippe, Jonathan Meinke, Freya Merker, Annika Modemann, Janine Petras, Sophie Marie Porath, Anna Quast, Laurine Reese, Isabel Maria Rehbach, Jonas Richter, Thea Rödig, Eva Schmitz; Tobias Schremmer, Louisa Sommer, Jennifer Speda, Yuhe Tang, Oliver Thanscheidt, Franz Thiele, Johanna 14

Thiele, Julia Tholen, Sophia Tietjen, Moritz Transier, Maike van der Hoek, Tillmann Verbeek, Sophia Verspohl, Kira Vordermark, Julian Wirtz, Marina Wirtz, Lisa Zimmer, Philip ·Koenemann, Adi Yaser, Lisa Anna, Katharina Bartenschlager, Lisa Baum, Roxana Böhmer Romero, Diana de Braganca, Isabelle Engels, Moritz Färber, carina Fernandez Gonzalez, Lucia Maria Goßner, Victoria Handschuch, Franziska Georgia Liermann, Steffan Meißner, Laura Racenski, Patrick, Denis Raguse, Larissa Reiß, Maximilian Rölle, Franziska Scheele, Chiara Schwippert, Arlene Christin Schwippert, Antonia Seifert, Joshua David Stockhausen, Sofia Waldorf, Leonie Weinhold, Nicolai Trimpop, Julia Reinhardt, Vera Gast, Michelle Yong, Eva Engels, Jonathan Meinke, Susanne Schmidt, Janine Schulte, Saskia Schmitz, Kübra Bayrak, Regina Fr:izler, Katarzyna Andryka, Soffa Soler, Thomas Zillinger, Marcel Renn, Patrick Müller, Dillon Corvino, Zeinab Abdullah, Katrin Paeschke, Hiroki Kato, Daniel Hinze, Martina Schmidt, Arcangelo Ricchiuto, Sonja Gross, Uta Wolber, Marion Zerlett, Esther Sib, Benjamin Marx, Souhaib Aldabbagh. Wir danken Stefan Holdenrieder, Alexander Semaan, Bernd Pötzsch und Georg Nickening für die Bereitstellung von Kontrollproben. ,"..-:..'· 15

Literatur 1.       Huang    c, Wang V, Li X, et al. Clinical features of patients infected with 2019 novel coronavirus in Wuhan, China. Lancet 2020;395:497-506. 2.       Chen N, Zhou M, Dang X, et al. Epidemiological and clinical characteristics of 99 cases of 2019 novel coronavirus pneumonia in Wuhan, China: a descriptive study. Lancet 2020;395:507-13. 3.       Coronavirus (COVID-19) Dashboard; 2020. (Gefunden unter https://covid19.who.int.) 4.       Shujuan Ma, Jiayue Zhang, Minyan Zeng, et al. Epidemiological parameters of coronavirus disease 2019: a pooled analysis of publicly reported individual data of 1155 cases from seven countries. medRxiv 2020032120040329; doi: https://doiorg/101101/2020032120040329 2020. 5.       Lavezzo E, Franchin E, Ciavarella C, et al. Suppression of COVID-19 outbreak in the municipality ofVo, ltaly. 2020. 6.       Bi Q, Wu V, Mei S, et al. Epidemiology and Transmission of COVID-19 in Shenzhen China: Analysis of 391 cases and 1,286 oftheirclose contact~. 2020. 7.       Statistics and Research Coronavirus Disease (COVID-19}. 2020. (Gefunden unter (https://ourworldindata.org/coronavirus#what-do-we-know-about-the-risk-of-dying-from-covid-19}. 8.       Vongehen Z, Shen H, Wang X, et aL Different longitudinal patterns of nucleic acid and serology testing results based on disease ~everity of COVID-19 patients. Ernerg Microbes lnfect 2020:1-14. 9.       Wolfe! R, Corman VM, Guggemos W, et al. Virological assessment of hospitalized patients with COVJD-2019. Nature 2020. 10.      Okba NMA, Muller MA, Li W, et al. SARS-CoV-2 specific antibody responses in COVID-19 patients. 2020. 11.      Corman VM, Landt 0, Kaiser M, et al. Detection of 2019 novel coronavirus (2019-nCoV) by real-time RT-PCR. Euro Surveill 2020;25. 12.     Ge 'X:(, Li JL, Yang XL, et al. Isolation and characterization of a bat SARS-like coronavirus that uses the ACE2 receptor. Nature 2013;503:535-8. 13.     Ramakrishnan MA. Deterrriination of 50% endpoint titer using a simple formula. World J Virol 2016;5:85-6. 14.     Population-based age-stratified seroepidemiological investigation protocol for COVID-19 virus infection. 2020. (Gefunden unter https://www.who.int/publications-detail/population-based- age-stratified-seroepidemiological-investigation-protocol-for-covid-19-virus-infection.) 15.      Hanley JA, Negassa A, Edwardes MD, Farrester JE. Statistkai analysis of correlated data using generalized estimating equations: an orientation. Am J Epidemiol2003;157:364-75. 16.     Rogan WJ, Gladen B. Estimating prevalence from the results of a screening test. Am J Epidemiol1978;107:71-6. 17.     C. DA, V. HD. Bootstrap methods and their application.: Cambridge University Press; 1978. 18.     Global Covid-19 Case Fatality Rates. 2020. (Gefunden unter https://www.cebm.net/covid- 19/global-covid-19-case-fatality-rates.) 19.     Rothman KJ, Greenland S, Lash TL. Modern Epidemiology. 3 ed: Wolters Kluwer; 2008. 20.      Liu Y, Eggo RM, Kucharski AJ. Secondary attack rate and superspreading events for SARS-CoV- 2. Lancet 2020;395:e47. 21.      Al-Tawfiq JA, Rodriguez-Morales AJ. Super-spreading events and contribution to transmission of MERS, SARS, and COVID-:1.9; J Hosp lnfect 2020. 16

22.      Feng Y, Ung Y, Bai T, et al. COVID-19 with Different Severity: A Multi-center Study of Clinical Features. Am J Respir Crit Care Med 2020. 23.      Wang T, DuZ, Zhu F, et al. Comorbidities and multi-organ injuries in the treatment of COVID- 19. Lancet 2020;395:e52.mellitus at increased risk for COVID-19 infection? Lancet Respir Med 2020;8:e21. 25.      Asadi S, Wexler AS, Cappa CD, Barreda S, Bauvier NM, Ristenpart WD. Aerosolemission and Superemission during human speech increase with voice loudness. Sei Rep 2019;9:2348. 26.      WilkinsonTM, Li CK, Chui     es, et al. Preexisting influenza-specific CD4+ T cells correlate with disease protection against influenza challenge in humans. Nat Med 2012;18:274-80. 27.      Memoli MJ, Czajkowski L, Reed S, et al. Validation of the wild-type influenza A human challenge model H1N1pdMIST: an A(H1N1)pdm09 dose-finding investigational new drug study. Clin lnfect Dis 2015;60:693-702. 28.      Oh MD, Park WB, Choe PG, et al. Viral Load Kinetics of MERS Coronavirus lnfection. N Engl J Med 2016;375:1303-5. 29.      Hung IF, Cheng VC, Wu AK, et al. Viralloads in clinical specimens and SARS manifestations. .. -"'-: Ernerg lnfect Dis 2004;10:1550-7. 30.      Lai cc, Liu YH, Wang CY, et al. Asymptomatic carrier state, acute respiratory disease, and pneumonia due to severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2): Factsand myths. J Microbiol lmmunollnfect 2020. 31.      Mizumoto K, Kagaya K, Zarebski A, Chowell G. Estimating the asymptomatic proportion of coronavirus disease 2019 (COVID-19) cases on board the Diamond Princess cruise ship, Yokohama, Japan, 2020. Euro Sl1rvei112020;25. 32.      Bai Y, Yao L, WeiT, et al. Presumed Asymptomatic Carrier Transmission of COVID-19. JAMA 2020. 33.      Li W, Zhang B, Lu J, et al. The characteristics of hausehold transmission of COVID-19. Clin lnfect Dis 2020. 34.      Covid-19 National Emergency Response Center E, Case Management Team KCfDC, Prevention. Coronavirus Disease-19: Summary of 2,370 Contact lnvestigations of the First 30 Cases in the Republic of Korea. Osong Public Health Res Perspect 2020;11:81-4. ".-.-·   35. ·    Carcione D, Giele CM, Gaggin LS, et al. Secondary attack rate of pandernie influenza A(H1N1) 2009 in Western Australian households~ 29 May-7 August 2009. Euro Surveill2011;16. 36.      Lau JT, Lau M, Kim JH, Tsui HY, Tsang T, Wong TW. Probable secondary infections in households of SARS patients in Hong Kong. Ernerg lnfect Dis 2004;10:235-43. 37.      Braun J, Loyal L, Frentsch M, etal. 2020. 38.      Meyer B, Drosten C, Muller MA. Serological assays for ernerging coronaviruses: challenges and pitfalls. Virus Res 2014;194:175-83. 39.      Chan JF, Lau SK, To KK, Cheng VG, Woo PC, Yuen KY. Middle East respiratory syndrome coronavirus: another zoonotic betacoronavirus causing SARS-Iike disease. Clin Microbiol Rev 2015;28:465-522. 40.      llinykh PA, Huang K, Santos Rl, et al. Non-neutralizing Antibodies from a Marburg lnfection Survivor Mediate Protection by Fc-Effector Functions and by Enhancing Efficacy of Other Antibodies. Ce II Host Microbe 2020. 41.      Corey l, Gilbert PB, Tomaras GD, Haynes BF, Pantaleo G, Fauci AS. Immune correlates of vaccine protection against HIV-1 acquisition. Sei Transl Med 2015;7:310rv7. 17

Figurenlegende Fig. 1. A: Zeitachse des SARS-CoV-2-Superspreading-Events. Am 15. Februar 2020 wurde eine Karnevalsfeier zu einem SARS-CoV2-Superspreading-Event in der deutschen Gemeinde Gangelt. Der daraus resultierenden Zunahme der SARS-CoV-2-Infizierten wurde sofort mit einer vollständigen Schließung (Schulen, Restaurants, Geschäfte usw.) begegnet. Infolgedessen erreichte die Anzahl der · gemeldeten Fälle (PCRrep) um den 13. März ihren Höhepunkt (85 gemeldete in einem Zeitraum von . vier Tagen) und ging danach zurück, wobei im siebentägigen Studienzeitraum (30. März bis 6. April) 48 neue Fälle gemeldet wurden. Somit war zu Beginn der Studie {30. März) die Hauptwelle der Neuinfektionen bereits vorbei. Die Anzahl der PeR-positiven Fälle in der Studienpopulation (PCRoew) betrug 33 (vier davon waren in der Vergangenheit als PCR-positiv gemeldet worden). Diese Situation in der Gemeinde Gangelt war ideal, um die kumulative reale Anzahl von SARS-CoV-2-infizierten Personen zu bestimmen (Bereich innerhalb der gepunkteten Linie: PCRrep, PCRoew und Anti-SARS-CoV- 2-IgG/A). B: Einschreibung in und Fluss der Teilnehmer durch die Studie. Fig. 2. /gA- und /gG-Spiegel und Anzahl der SARS-CoV2-:Infizierten in der Studienpopulation. lgA und lgG. wurden in einzelnen Plasmaproben, die von den Studienteilnehmern zu einem Zeitpunkt während des siebentägigen Erfassungszeitraums der Studie erhalten wurden, quantifiziert (Euroimmun-ELISA). A: lgG aufgetragen gegen lgA im Plasma von 919 Studienteilnehmern (logarithmische Skala, r =0,778). Die graue Linie zeigt die Übereinstimmung von log(lgA) und log{lgG) an. 8: Geschätzter Prozentsatz an !gA-Reaktiven (>0,8; schwarzer Kreis: 10,63 % [7,48 %; 13,88 %]; grauer Kreis: Rohprobenanteil 170/919, 18,50 %) und lgG-Reaktiven (>0,8; schwarzer Kreis: 14,11 % [11,15 % - 17,27 %]; grauer Kreis: Rohprobenanteil, 1251919, 13,60 %). Die Schätzungen wurden hinsichtlich des Haushaltsclusters (Ciuster-Bootstrap)       sowie der Sensitivität und Spezifität · (Matrixmethode) des ELJSA (Sensitivität 100 %; Spezifität 91,2 %) und des lgG-ELISA (Sensitivität 90,9 %; Spezifität 99,1 %) (Validierungsblatt, Version vom 7. April 2020) korrigiert. C: Dargestellt sind die absoluten Zahlen der lgG-Reaktiven (Rechteck mit schwarzem Rand), PCRoew-Positiven (Rechteck mit gestricheltem Rand, linke Seite) und PCRrep-Positiven (Rechteck mit gestricheltem Rand, rechte Seite) sowie die jeweiligen Werteüberlappungen (Prozentsätze) in Klammern. Die Anzahl der Infizierten ....·- (gesamte Grauzone) ist definiert als Studienteilnehmer, die entweder für lgG, PCRnew oder PCRrep positiv sind {1381919, 15,02 %; Rohprozentsätze nicht korrigiert um .Sensitivität und Spezifität des ELISA). Fig. 3. Schätzung der SARS-CoV2-Infektionsrate und der /FR. A: Die Anzahl der SARS-CoV-2-positiven gemeldeten Fälle in der Studienpopulation ist aus dem Fragebogen bekannt {r =22}. Die beobachtete Anzahl der Infizierten in der Studienpopulation ist aus den verfügbaren Daten bekannt {mindestens einer von entweder lgG+, PCRnew+ oder PCRrep+, i = 138). Das Verhältnis von i In (Studienteilnehmer, 919)  = 0,1502 ist eine Rohschätzung der Anzahl der Infizierten in der gesamten Bevölkerung von Gangelt (i =0,1502 x 12.597 =1.892}. Eine Rohschätzung der IFR in Gangelt ergibt sich daher aus der Anzahl der SARS-CoV-2-assoziierten Todesfälle (f = 7) I (i = 1.892) = 0,370 %. 8: Die aus den lgG- und PCR-Daten in der Studienpopulation geschätzte lnfektionsrate, korrigiert sowohl hinsichtlich der Sensitivität/ Spezifität des ELISA (Matrixmethode) als auch des Haushaltsclusters (Ciuster-Bootstrap), beträgt 15,53 % [12,31 %; 18,96 %] (linker Balken, dunkelgrau). Eine zusätzliche Korrektur wurde wegen der Unterrepräsentation von berichteten PeR-positiven (PCRrep+} in der Studienpopulation (221919   = 0,0239)  im Vergleich zum realen Anteil von PCRrep+ in Gangelt (388112.597       = 0,0308) 18

vorgenommen, wodurch die Infektionsrate um den Faktor 0,0308/0,0239              = 1,2866  auf 19,98 % [15,84 %; 24,40 %] (dritter Balken von links, dunkelgrau) erhöht wurde. Die hellgrauen Balken zeigen die Werte, die für eine theoretische Spezifität des ELISA von 98 % (hellgrau) anstelle der auf dem Datenblatt des Unternehmens angegebenen 99 % korrigiert wurden. C: Infektionssterblichkeitsrate berechnet auf der Grundlage der geschätzten Infektionsraten und der Anzahl der SARS-CoV-2- assoziierten Todesfälle (7 bis zum Ende der Akquisition) Zeitraum, Durchschnittsalter 81,1 ± 3,3 Jahre, Altersspanne 78 Jahre bis 85 Jahre). Ähnlich wie die Infektionsraten in B kann die geschätzte IFR von 0,36% [0,29 %; 0,45 %] (linker Balken) eine Schätzung an der Obergrenze der realen IFR in Gangelt sein. Die !FR-Schätzungen wurden durch Division der Anzahl der         SARS-CoV-2~assoziierten Todesfälle (7) durch die Punktschätzungen und 95% Cl-Grenzwerte der Infektionsraten in B erhalten. Fig. 4. Anzahl der Symptome und lg bei SARS-CoV-2-infizierten Studienteilnehmern. Klinische Symptome, die Berichten zufolge mit einer SARS-CoV-2-Infektion assoziiert sind, wurden analysiert (Fragebogendaten).     A: Geschätzte     mittlere Anzahl von      Symptomen      bei   nicht infizierten Studienteilnehmern (1,61 [1,42; 1,81]) und SARS-CoV-2-infizierten Studienteilnehmern (3,58 [3,01; .",..,..· 4,2n Poisson GEE-Modell, geschätzter relativer mittlerer Anstieg bei Infizierten= 2,23 [1,82; 2,73], p <0,001, rho    = 0,2.48 [0,164; 0,332]; Poisson GEE-Modell angepasst an Alter und Geschlecht: geschätzter relativer mittlerer Anstieg der Infizierten= 2,18 [1,78; 2,66], p<0,001, rho =0,250 [0,167; 0,333]). Die Ergebnisse basieren auf den 876 Studienteilnehmern ohne fehlende Werte in einem der Symptomparameter (Bereich der beobachteten Anzahl von Symptomen: 0 bis 12, Mittelwert= 1,92, SD =·2,59, Median= 1). Balken beziehen sich aufdie empirischen Mittelwerte. B: Roher Prozentsatz der Symptome bei den 126 mit SARS-CoV2 infizierten Studienteilnehmern ohne fehlende Werte für eines der Symptome. Von den mit SARS-CoV-2 infizierten Personen gaben 22,22 %an, dass sie keines der 15 Symptome hatten (linker Balken auf der x-Achse: 0). Die Zahlen über den Balken geben die Gesamtzahl der Personen in der jeweiligen Gruppe an. C: /gA- und         JgG~Spiegel  und Intensität der Symptome. Die Boxplots zeigen die log(lgA) (hellgrau} und log(lgG). (dunkelgrau) Werte bei den 126 infizierten Studienteilnehmern. ln einem Quasi-Poisson-Modell wurde kein signifikanter Zusammenhang zwischen der Anzahl der Symptome (Reaktionsvariable) und dem log(lgA) (Kovariable) gefunden. Ähnliche Ergebnisse wurden mit einem Quasi-Poisson-Modell mit der Anzahl der Symptome als Reaktionsvariable und log{lgG) als Kovariable erzielt. Anmerkung: Quasi-Poisson- Modelle wurden anstelle von Poisson-GEE-Modellen verwendet, weil die Anzahl der Haushalte im Verhältnis zur Anzahl der analysierten Studienteilnehmer groß war (siehe ergänzende Figur 4 A). Fig. 5: Zusammenhang zwischen der Clustergröße der Haushalte und dem Pro-Personen- lnfektionsrisiko. Aufgrund der zufälligen Auswahl der Haushalte wurden die Studienteilnehmer innerhalb der Haushalte zusammengefasst. A: Geschätztes Infektionsrisiko pro Person nach Haushaltsclustergröße (schwarze Punkte; 95 % Cis: graue Linien). Schätzungen und Cl-Grenzwerte wurden durch Anpassen eines Quasi-Poisson-Modells mit der Anzahl infizierter Personen als Reaktionsvariable und der Haushaltsclustergröße als kovariablem Faktor ermittelt. Zusätzlich wurde log(Haushaltsclustergröße) als Offset aufgenommen. Es wurde kein Zusammenhang zwischen der Größe des Haushaltsclusters und dem Infektionsrisiko pro Person gefunden (p = 0,936). B: Infektionsrisiko pro Person in Haushaltsclustern, in denen mindestens eine Person infiziert war (schwarze Kurve basierend auf 86 Haushaltsclustern mit 213 Personen, graue Kurve, basierend auf 7 Haushaltsclustern mit 25 Personen, in denen mindestens ein Kind unter 18 Jahren infiziert war. Die graue Linie unter der schwarzen Kurve zeigt das erwartete Infektionsrisiko pro Person unter der 19

Annahme, dass in Haushaltsclustern kein erhöhtes Risiko für eine Sekundärinfektion besteht (z. B. zwei Personen im Haushaltscluster: eine ist infiziert, d. h. Infektionsrisiko pro Person = 1; Das Infektionsrisiko pro Person für die zweite Person wird, wenn angenommen wird, dass es unabhängig vom Risiko der ersten Person ist, auf 0,1553 geschätzt (vgl. Fig. 38); das erwartete Infektionsrisiko pro Person im Haushaltscluster beträgt daher (1 + 0,1553) I 2           = 0,578). Schätzungen und Cl- Grenzwerte wurden durch Anpassen eines Quasi-Poisson-Modells mit der Anzahl infizierter Personen als Reaktionsvariable und der Haushaltsclustergröße als kovariablem Faktor (ohne 13 Haushaltscluster der Größe 1) ermittelt. Zusätzlich wurde log(Haushaltsclustergröße) als Offset aufgenommen. Es wurde ein signifikanter Zusammenhang zwischen der Größe des Haushaltsclusters und dem Infektionsrisiko pro Person festgestellt (p <0,001). Schätzungen für die obere graue Kurve (Kinder, Cis, dargestellt durch graue vertikale Linien) basieren auf einem analog definierten Modell (p = 0,196).   Anmerkung: 15 Haushaltscluster mit mehr als 4 Mitgliedern wurden aufgrund ihrer geringen Anzahl nicht in die Analyse einbezogen. Der durchschnittliche Prozentsatz infizierter Persarien in diesen Haushaltsclustern betrug 17,33% (O% in 9, 16,66% in 1, 20% in 2, 40% in 1, 80 ,...-.. % in 1, 83,33 % in 1 Haushaltscluster). Fig. 6 Zusammenhänge von Geschlecht und Alter, Komorbiditäten und Superspreading-Events mit Infektionsrate und Symptomen. A: Geschätzte Infektionsraten bei den Studienteilnehmern (ausgefüllte Kreise mit 95 % Cis) für männliche Teilnehmer (dunkelgrau) und weibliche Teilnehmer (hellgrau), geschichtet nach Altersgruppen. Die Schätzungen wurden durch Anpassung der logistischen GEE-Modelle mit dem Infektionsstatus als Reaktionsvariable und dem Alter als Kovariable (rho    = 0,256 [0,104; 0,407] bzw. rho = 0,244 [0,154; 0,334] in der männlichen und weiblichen Untergruppe) ermittelt. Balken beziehen sich auf die Rohprozentsätze. ln einem logistischen GEE-Modell, in dem sowohl Geschlecht als auch Alter als Kovariablen verwendet wurden, konnte weder Geschlecht (OR = 1,28 [0,95; 1,731 für Frauen, p = 0,101) noch Alter (OR = 1,03. [0,94i 1,14] pro 10 Jahre, p = 0,539) mit dem Infektionsstatus assoziiert werden. Die Zahlen über den Balken geben die Gesamtzahl der Personen in. der jeweiligen Gruppe an. B: Für jede der Komorbiditäten wurde die Infektionsrate (%) bestimmt, indem ein logistisches GEE-Modell mit dem Infektionsstatus als Reaktionsvariable auf die Daten aller Studienteilnehmer angepasst wurde . -•:.    (hellgrau: Komorbidität vorhanden (+), dunkelgrau: Komorbidität nicht vorhanden (-)).Aus den GEE- Modellen erhaltene Punktschätzungen werden durch ausgefüllte Kreise (mit 95 % Cis) dargestellt. Die Balken stellen die rohen Prozentsätze der Infizierten in jeder der Untergruppen dar (berechnet aus den über den Balken angezeigten Teilnehmerzahlen). Es wurden keine Assoziationen zwischen dem Infektionsstatus und einer der Komorbiditäten gefunden (Bonferroni-Holm korrigierte p-Werte aus GEE-Modellen oben in der Figur). Die Assoziationen blieben in den GEE-Modellen, die Geschlecht und Alter als zusätzliche Kovariablen einschlossen, statistisch unbedeutend. Die Rohanteile sind über den Balken angegeben. C: Der Zusammenhang mit dem Lebensstilfaktor "Karneval feiern" wurde 11 analysiert (Fragebogen "Haben Sie Karneval gefeiert? Ja/Nein). Das Feiern des Karnevals beschränkte sich nicht nur auf die Teilnahme an der Kappensitzung in Gangelt. Geschätzte Infektionsraten (%; mit 95% Cis) der Studien-Teilnehmer, die nicht Karneval feiern (hellgrau) und der Teilnehmer, die Karneval feiern (dunkelgrau). Punktschätzungen (gefüllte Kreise) und Cis wurden durch Anpassung eines logistischen GEE-Modells mit dem Infektionsstatus als Reaktionsvariable und Karneval (ja/nein) als kovariablem Faktor erhalten. Die Balken repräsentieren die rohen Prozentwerte. Ein signifikant positiver Zusammenhang konnte zwischen der Teilnahme an dem Karnevalfest und dem Infektionsstatus (OR = 2,56 [1,67; 3,931, p <0,001, rho = 0,351 [0,162; 0,540]) 20

nachgewiesen werden. Ähnliche Ergebnisse wurden erhalten, wenn Geschlecht und Alter als Kovariablen zum GEE-Modell hinzugefügt wurden (OR          = 3,08 [1,92; 4,95], p <0,001, rho = 0,340 [0,126; 0,554]). Die Analysen basierten auf den 915 Teilnehmern, die über vollständige Daten sowohl für die Karnevals- als auch für die· Infektionsvariablen verfügten. D: Geschätzte mittlere Anzahl von Symptomen bei infizierten Studienteilnehmern, die an den Karnevalfesten nicht teilnahmen (hellgrau), und bei infizierten Teilnehmern, die an den Karnevalfesten teilnahmen (dunkelgrau). Punktschätzungen (gefüllte Kreise) und Cis wurden durch Anpassung eines Quasi-Poisson-Modells mit der Anzahl der Symptome als Reaktionsvariable und Karneval Oa/nein) als kovariablem Faktor erhalten. Das Quasi-Poisson-Modell wurde anstelle eines Poisson-GEE-Modells verwendet, weil die Anzahl der Haushalte im Verhältnis zur Anzahl der analysierten Studienteilnehmer groß war (siehe ergänzende Figur 4 A). Es bestand ein signifikanter positiver Zusammenhang zwischen der Karnevalsfeier und der Anzahl der Symptome (geschätzte relative mittlere Zunahme = 1,63 [1,15; 2,33], p  =0,007). Ähnliche Ergebnisse wurden erhalten, wenn Geschlecht und Alter als Kovariablen zum Modell hinzugefügt wurden (geschätzter relativer mittlerer Anstieg        = 1,62 [1,12; 2,34], p = 0,011). Die Analysen basierten auf den 124 infizierten Teilnehmern, die über vollständige Daten ..,--. sowohl für die Karnevals- als auch für die Infektionsvariablen verfügten. E: Roher Prozentsatz der infizierten Teilnehmer, die Karneval feiern, gruppiert nach ihrer Anzahl von Symptomen. Die Zahlen über den Balken geben die Gesamtzahl der Personen in der jeweiligen Gruppe an . ....... -::': .. 21

Ergänzende Figuren Ergänzende Figur 1: Vergleich der Verteilung der Altersgruppen der Studienteilnehmer mit denen in der Gemeinde Gangelt, dem Bundesland NRW und Deutschland. Die Daten wurden von der Landesdatenbank NRW {Bilanzstichtag: 31. Dezember 2017} und von statista.com (Bilanzstichtag: 31. Dezember 2018) bezogen. Ergänzende Figur 2: Vergleich der /gG-Spiegel mit der Neutralisationsaktivität. A: NT-Titer wurden durch einen Mikroneutralisationstest unter Verwendung von 100 TCIDso bestimmt. Die Titer geben den Kehrwert der Plasmaverdünnungen an, die 50 % der Kavitäten bei Inkubation mit 100 TCIDso schützen. Proben, die den cytopathischen Effekt (CPE) in mindestens allen drei Kavitäten der 1: 2- Verdünnung (NT-Titer ~ 2,8) unterdrücken können, sind über der gestrichelten Linie dargestellt. Proben, bei denen der CPE in einer oder zwei Kavitäten der 1: 2-Verdünnung unterdrückt wurde, sind direkt unter der gestrichelten Linie gezeigt. Proben, die einen CPE in allen Kavitäten mit entweder gleichem oder verringertem Schweregrad im Vergleich zur Negativkontrolle zeigten, wurden auf der Ebene. der x-Achse dargestellt. B: Proben unterhalb der gestrichelten Linie in A wurden unter Verwendung       eines   Plaque-Reduktionsneutralisationstests   (PRNT)    erneut    bewertet.    Die neutralisierenden Titer wurden als Kehrwert der Serumverdünnungen berechnet, was zur Neutralisation von 50 % Input-Virus {NTso) führte. Proben ohne neutralisierende Aktivität im NTso- Assay wurden auf der Ebene der x-Achse dargestellt. Gepunktete Linie: obere Grenze für das ELISA- IgG-Verhältnis. Ergänzende Figur 3: lgA- und lgG-Spiegef bei Studienteilnehmern unterschiedlichen Geschlechts und Alters.  Die   Boxplots zeigen die log{lgA) (A) - und log(lgG}          (B)~Niveaus   der infizierten Studienteilnehmer, gruppiert nach Geschlecht und Alter. Es wurden keine signifikanten Assoziationen gefunden (i) zwischen log(lgA), log(lgG} und Geschlecht in Gaußsehen Modellen mit log(lgA) und log(lgG) als Reaktionsvariablen und Geschlecht als Kovariable, und (ii) zwischen log(lgA), log(lgG), Geschlecht, Alter in Gaußsehen Modellen mit log(lgA} und log(lgG} als Reaktionsvariablen und sowohl Geschlecht als auch Alter als Kovariablen. Anmerkung: Anstelle von GEE-Modellen wurden Gaußsehe Modelle verwendet, da die Anzahl der Haushaltscluster im Verh~ltnis zur Anzahl der analysierten Studienteilnehmer groß war (siehe ergänzende Figur 4 A). , Ergänzende Figur 4: Zusammenhänge von Geschlecht und Alter sowie Komorbiditäten mit der Krankheitsintensität A: Geschätzte mittlere Anzahl von Symptomen (ausgefüllte Kreise mit 95% Cis) bei 55 infizierten männlichen Teilnehmern (in 52 Haushaltsclustern, dunkelgrau) und 71 infizierten weiblichen Teilnehmern (in 66 Haushaltsclustern, hellgrau), geschichtet nach Altersgruppen. Angesichts der großen Anzahl von Haushaltsclustern im Verhältnis zur Anzahl der Personen {52/55, 66/71) wurden die Schätzungen durch Anpassung von Nicht-GEE-Quasi-Poisson-Modellen mit der Anzahl der Symptome als Reaktionsvariable und dem Alter als Kovariable in der männlichen und weiblichen Untergruppe ermittelt. Balken beziehen sich auf clie empirischen Mittelwerte. ln einem Quasi-Poisson-Modell mit Geschlecht und Alter als Kovariablen wurden weder Geschlecht (geschätzte relative mittlere Zunahme = 1,26 [0,93; 1,71] bei Frauen, p = 0,142) noch Alter (geschätzte relative mittlere Zunahme = 0,97 [0,90; 1,041 pro 10 Jahre, p = 0,348) mit der Anzahl der Symptome assoziiert. Die Ergebnisse basieren auf den 126 infizierten Studienteilnehmern ohne fehlende Werte bei einem der Symptomparameter. Die Zahlen über den Balken geben die 22