A Universal Convolution-Based Pre-processor to Correct the Prevalence-Incidence Gap in SIR, SEIR, and SIRS Modeling

Resumen Técnico: Un preprocesador universal basado en convolución para corregir la brecha prevalencia-incidencia en el modelado SIR, SEIR y SIRS

Planteamiento del problema
A pesar de la adopida generalizada de los modelos compartimentales (SIR, SEIR, SIRS) para el pronóstico de epidemias desde 2019, estos marcos de trabajo fallan consistentemente en la validación con datos del mundo real, resultando a menudo en subestimaciones de los picos de hasta un 50%. Los autores identifican un "error metodológico fundamental" persistente en el núcleo de este fallo: la calibración directa de modelos basados en prevalencia (stock) utilizando datos de incidencia bruta (flujo).

En el modelado epidemiológico estándar, el compartimento infeccioso $I(t)$ representa una variable de prevalencia (el stock de casos activos actuales). Sin embargo, los sistemas de notificación clínica (por ejemplo, la OMS) suelen proporcionar datos de incidencia (Casos Diarios Nuevos, o NDC), que representan el flujo de nuevas infecciones. El artículo argumenta que equiparar estas dos entidades matemáticas distintas —tratar la derivada temporal de los casos acumulados como el recuento de casos activos— crea un desalineamiento estructural. Este error no se resuelve aumentando la complejidad del modelo; añadir compartimentos para la latencia (SEIR) o la pérdida de inmunidad (SIRS) simplemente propaga la brecha incidencia-prevalencia hacia las tasas de transición de los nuevos compartimentos, lo que conduce a sesgos sistemáticos en la estimación de los periodos de latencia y la "cola pesada" de la endemicidad.

Metodología
Los autores proponen un protocolo de preprocesador universal basado en una convolución ponderada exponencialmente para reconstruir los casos activos ($I(t)$) a partir de la incidencia reportada ($NDC(t)$). La metodología procede en dos etapas:

1. Corrección de la posición del pico: Inicialmente, los autores abordan el desalineamiento temporal. Dado que la prevalencia es una acumulación de incidencia reciente menos las recuperaciones, proponen integrar la incidencia sobre una ventana deslizante definida por el periodo infeccioso promedio ($1/\gamma$). Esto desplaza el tiempo del pico para alinearlo con la curva de prevalencia real.
2. Corrección de la amplitud del pico y estructural: Reconociendo que una simple ventana deslizante trata la recuperación como una "función escalón" (recuperación instantánea tras exactamente $1/\gamma$ días), los autores introducen una corrección matemática más rigurosa. Modelan la recuperación como un proceso de decaimiento exponencial y contabilizan la subnotificación de datos (casos asintomáticos y retrasos en las pruebas) mediante una tasa de captación ($p$).

La transformación universal propuesta se define como:
$$I(t) \simeq \frac{1}{p} \int_{0}^{t} NDC(\tau)e^{-\gamma(t-\tau)} d\tau$$

Donde:

• $NDC(\tau)$ es la incidencia diaria observada.
• $\gamma$ es la tasa de recuperación (que define el periodo infeccioso).
• $e^{-\gamma(t-\tau)}$ actúa como un peso de probabilidad de supervivencia, asegurando que la incidencia pasada se descuente basándose en la probabilidad de que esos individuos sigan siendo infecciosos en el tiempo $t$.
• $p$ es la tasa de captación ($0 < p \leq 1$), que corrige la fracción de infecciones reales capturadas por el sistema de salud.

Contribuciones clave

• Identificación de un error sistemático: El artículo categoriza formalmente el uso directo de datos de incidencia bruta en modelos basados en stock como un error metodológico fundamental que persiste a través de los marcos SIR, SEIR y SIRS.
• Protocolo de preprocesador universal: Los autores introducen una fórmula de convolución específica que sirve como requisito previo obligatorio para calibrar cualquier modelo compartimental. Este protocolo cierra la brecha entre el reporte clínico (incidencia) y el modelado mecanístico (prevalencia).
• Corrección de modelos complejos: El estudio demuestra que las adiciones estructurales como la latencia (SEIR) o la pérdida de inmunidad (SIRS) no corrigen inherentemente el desalineamiento de los datos. Sin el preprocesador propuesto, estos modelos avanzados heredan los mismos sesgos sistemáticos, lo que conduce a estimaciones incorrectas de las tasas de transición y de la pérdida de inmunidad.

Resultos
Los resultados de la simulación presentados en el artículo indican que, sin esta transformación:

• Los modelos sufren subestimaciones significativas de los picos (hasta un 50%) y desalineamiento temporal (la incidencia alcanza su pico antes que la prevalencia).
• La "cola pesada" de la endemicidad se subestima sistemáticamente.
• En los modelos SEIR, el periodo de latencia se estima incorrectamente porque el compartimento infeccioso está desalineado con los datos de entrada.
• En los modelos SIRS, la tasa de pérdida de inmunidad se interpreta erróneamente debido a la distorsión de la cola de la curva.

Al aplicar la convolución propuesta, los autores muestran que la curva de prevalencia reconstruida ($I(t)$) alinea con éxito los requisitos teóricos de las ecuaciones diferenciales, corrigiendo tanto el tiempo como la amplitud del pico epidémico.

Significancia y Reivindicaciones
El artículo sostiene que la transformación de convolución propuesta no es simplemente un refinamiento opcional, sino un requisito previo universal para cualquier marco compartimental. Los autores argumentan que aumentar la complejidad estructural (pasar de SIR a SEIR/SIRS) no puede compensar el error fundamental del desalineamiento de los datos. En su lugar, la "brecha incidencia-prevalencia" debe cerrarse en la etapa de entrada de los datos.

La significancia de este trabajo radica en su afirmación de que el "error metodológico fundamental" ha sido pasado por alto en la literatura existente, donde la convolución suele tratarse como una prueba independiente en lugar de un requisito de calibración universal. Al implementar este preprocesador, el artículo postula que el pronóstico epidemiológico puede alcanzar un nivel de precisión que alinea el reporte clínico con el modelado mecanístico, resolviendo así los fallos predictivos observados en las recientes respuestas pandémicas.