Data-Driven Change-Point SEIR Modeling of the 2025 COVID-19 Epidemic Wave in China: Model Comparison, Robustness Analysis, and Residual Diagnostics

Epidemien sind keine statischen Ereignisse; sie sind lebendige Geschichten, die in der Bewegung von Menschen und Viren geschrieben werden. Um diese Geschichten zu verstehen, verwenden Wissenschaftler oft eine einfache mentale Landkarte, die als Kompartimentmodell bezeichnet wird. Stellen Sie sich eine Bevölkerung vor, die in vier Gruppen unterteilt ist: jene, die eine Krankheit bekommen können, jene, die sie bereits eingefangen haben, aber noch nicht krank sind, jene, die krank sind und es verbreiten können, und jene, die genesen oder aus dem Kreislauf ausgeschieden sind. Dieser Rahmen, bekannt als SEIR, ermöglicht es Forschern, nachzuvollziehen, wie eine Infektion im Laufe der Zeit durch eine Gemeinschaft fließt. Der Motor, der diesen Fluss antreibt, ist die Transmissionsrate – eine Zahl, die darstellt, wie leicht das Virus von einer Person auf die andere überspringt. Jahrzehntelang war eine gängige Annahme in diesen Modellen, dass diese Rate konstant blieb, wie ein stetiger Wind, der durch ein Feld weht. Reale Ausbrüche verhalten sich jedoch selten mit einer solchen Gleichförmigkeit. Impfstoffe, Veränderungen in der Interaktion zwischen Menschen, neue Virusvarianten und saisonale Schwankungen können diesen Wind alle verändern, manchmal auch abrupt. Die Herausforderung für Wissenschaftler besteht darin, zu bestimmen, wann und wie diese Verschiebungen stattfinden, ohne einfach nur auf Basis dessen zu raten, was die Daten auf einem Graphen zeigen.

In einer im August 2026 veröffentlichten Studie untersuchte die Forscherin Lilin Xu die COVID-19-Welle des Jahres 2025 in China. Die Daten zeigten ein klares Muster: Die Fälle stiegen im Frühjahr steil an, erreichten einen Höhepunkt Ende Mai und begannen dann einen langen, stetigen Rückgang durch den Sommer. Die zentrale Frage war, ob diese gesamte Reise durch eine einzige, unveränderliche Transmissionsrate erklärt werden konnte oder ob sich das Verhalten des Virus zu einem bestimmten Zeitpunkt grundlegend verändert hatte. Um die Antwort zu finden, wählte Xu nicht einfach den Tag aus, an dem die Fallzahlen ihren Höhepunkt erreichten, und erklärte dann auch den Wechsel der Transmissionsrate. Stattdessen behandelte die Studie den Zeitpunkt der Änderung als ein Rätsel, das durch die Daten selbst gelöst werden musste. Die Forscherin testete tausende möglicher Daten, indem sie das Modell für jeden potenziellen Wendepunkt an die täglichen Fallzahlen anpasste. Das Ziel war es, das spezifische Datum zu finden, an dem die mathematische Beschreibung des Ausbruchs am besten mit den realen Zahlen übereinstimmte, unter Verwendung einer strengen statistischen Methode, die Genauigkeit belohnt und unnötige Komplexität bestraft.

Die Analyse ergab, dass ein Modell, das von einer konstanten Transmissionsrate ausging, die wahre Form der Epidemie nicht erfassen konnte. Es konnte weder den schnellen Anstieg im Mai noch den darauf folgenden anhaltenden Abfall gleichzeitig erklären. Wenn das Modell jedoch zuließ, zwei verschiedene Transmissionsraten zu besitzen – eine vor einem spezifischen Datum und eine andere danach –, verbesserte sich die Passgenauigkeit dramatisch. Die Daten deuteten auf den 24. Mai 2025 als den wahrscheinlichsten Zeitpunkt der Änderung hin. Dieses Datum lag zwei Tage vor dem beobachteten Höhepunkt der täglichen Fälle, ein Timing, das biologisch sinnvoll ist, da Infektionen, die vor der Änderung auftraten, noch einige Tage später weiterentwickelt und gemeldet werden würden. Vor diesem Wendepunkt deutete das Modell darauf hin, dass sich das Virus in einem expandierenden Regime ausbreitete, in dem eine infizierte Person wahrscheinlich mehr als eine andere Person infiziert. Nach der Änderung sank die Transmissionsrate signifikant und verschob die Epidemie in eine Kontraktionsphase, in der das Virus nicht mehr in der Lage war, sein Wachstum aufrechtzuerhalten.

Die Studie ging weitreichende Schritte, um sicherzustellen, dass diese Schlussfolgerung kein Zufall der gewählten Zahlen war. Die Forscherin testete das Modell gegen eine breite Palette von Annahmen darüber, wie lange Menschen infektiös bleiben und wie lange sie in der Inkubationsphase verbleiben, bevor Symptome auftreten. In jedem Szenario blieb die Kernerkenntnis bestehen: Die Epidemie bewegte sich von einem Zustand der Expansion in einen Zustand der Kontraktion. Die Schlussfolgerung blieb auch dann stabil, wenn die Forscherin die Skalierung der Daten anpasste, wobei sie berücksichtigte, dass gemeldete Fälle nur einen Bruchteil aller tatsächlichen Infektionen darstellen. Diese Robustheit deutet darauf hin, dass die Verschiebung der Transmission ein reales strukturelles Merkmal der 2025er Welle war und kein Artefakt der Art und Weise, wie die Daten gemessen oder interpretiert wurden. Die Studie vermied es explizit zu behaupten, dass eine bestimmte Regierungsmaßnahme oder Intervention diesen Rückgang verursacht habe. Stattdessen identifizierte sie die Änderung der Transmissionsintensität als eine Tatsache und überließ die spezifischen Ursachen – ob Verhaltensänderungen, neue Varianten oder andere Faktoren – der separaten Untersuchung.

Selbst mit diesem verbesserten Modell stellten die Forscher fest, dass die Geschichte nicht perfekt glatt verlief. Wenn sie die Unterschiede zwischen den Vorhersagen des Modells und den tatsächlich gemeldeten Zahlen betrachteten, trat ein klares wöchentliches Muster zutage. Das Modell neigte dazu, die Fälle an Wochenenden zu überschätzen und an Wochentagen zu unterschätzen. Dies ist ein häufiges Phänomen in der Krankheitsüberwachung, das wahrscheinlich darauf zurückzuführen ist, dass Tests, Laborverarbeitung und Berichterstattung an Wochenenden oft langsamer ablaufen und sich während der Woche nachholen. Dieser Befund unterstreicht einen wichtigen Unterschied: Das Modell erfasste erfolgreich den breiten, mehrmonatigen Verlauf der Epidemie, konnte aber nicht die täglichen administrativen Rhythmen des Meldesystems berücksichtigen. Die Studie kommt zu dem Schluss, dass einfache Modelle zwar mächtige Werkzeuge sind, um das große Ganze eines Ausbruchs zu verstehen, sie aber mit sorgfältigen Überprüfungen kombiniert werden müssen, um zu verstehen, was sie übersehen. Indem sie die Daten für sich selbst sprechen ließen, anstatt eine einzige konstante Rate zu erzwingen, lieferte die Studie ein klareres, ehrlicheres Bild davon, wie sich die Welle von 2025 in China entfaltte – von einer Periode des schnellen Wachstums hin zu einem langen, stetigen Rückgang.