Resumen Técnico: Cómo (no) hibridar modelos neuronales y mecánicos para el pronóstico epidemiológico

Planteamiento del Problema

El pronóstico epidemiológico a partir de datos de vigilancia es una tarea desafiante caracterizada por la observabilidad parcial y la no estacionariedad. Mientras que los modelos compartimentales mecánicos (p. ej., SIR, SIRS) ofrecen interpretabilidad y plausibilidad epidemiológica, a menudo dependen de supuestos fuertes de estacionariedad de los parámetros. Por el contrario, los modelos neuronales basados en datos (p. ej., RNN, Transformers) capturan dinámicas no estacionarias, pero suelen carecer de interpretabilidad y pueden producir pronósticos físicamente inconsistentes en horizontes de largo plazo.

La hibridación de estos enfoques es una dirección natural, pero el artículo identifica que muchas uniones directas fallan en la práctica. Específicamente, cuando solo se observa un subconjunto de estados (por ejemplo, casos infectados $I(t)$) mientras que otros permanecen latentes (susceptibles $S(t)$, recuperados $R(t)$), los modelos híbridos estándar sufren de:

1. Problemas de Identificabilidad: Múltiples trayectorias latentes pueden explicar los mismos datos observados, lo que conduce a despliegues (rollouts) inestables a largo plazo.
2. Fallo de los Refinamientos de Optimización: Las técnicas como el entrenamiento adjunto bidireccional o las pérdidas informadas por la física no resuelven la falta fundamental de señales estructurales en la señal de entrada, lo que a menudo resulta en soluciones degeneradas o dinámicas latentes implausibles.
3. Incapacidad para Capturar Dinámicas de Multi-ola: Los modelos tienen dificultades para extrapolar a través de olas epidémicas impulsadas por procesos de forzamiento latentes (estacionalidad, pérdida de inmunidad) que no están representados explícitamente en el canal de entrada.

Metodología: El Marco de Trabajo EpiNode

Para abordar estos modos de fallo, los autores proponen EpiNode, un marco de trabajo híbrido de control por descomposición. La idea central es que un rendimiento robusto requiere hacer explícita la no estacionariedad mediante la extracción y extrapolación de la estructura multiescala de la serie de infecciones observada para servir como señales de control para una ODE neuronal controlada.

1. Descomposición de Señal Multiescala (VMD)

La serie temporal de infecciones observada $I(t)$ se descompone utilizando la Descomposición de Modos Variacionales (VMD) en tres componentes distintos:

• Tendencia ($T(t)$): Captura cambios lentos impulsados por la inmunidad acumulada, el comportamiento y las políticas.
• Estacionalidad ($S(t)$): Captura el forzamiento periódico (p. ej., clima, periodos escolares).
• Residuo ($R(t)$): Absorbe el ruido de alta frecuencia y las fluctuaciones estocásticas.

Estos componentes se extrapolan más allá de la ventana de observación utilizando reglas específicas por canal (deriva lineal para la tendencia, teselado periódico para la estacionalidad, media para los residuos) para proporcionar señales de control continuas.

2. ODEs Neuronales Latentes Colaborativas

En lugar de un único estado latente, EpiNode mantiene tres estados latentes separados $h^{(T)}(t)$, $h^{(S)}(t)$ y $h^{(R)}(t)$, cada uno evolucionando según una ODE Neuronal impulsada por su correspondiente señal de control descompuesta (con incrustación de retardo temporal para el contexto temporal):
$$\frac{dh^{(c)}(t)}{dt} = f_{\theta_c}(h^{(c)}(t), u^{(c)}(t)) - \lambda_c h^{(c)}(t)$$
donde $c \in \{T, S, R\}$. Esto desvincula las dinámicas multiescala, permitiendo al modelo capturar dependencias temporales específicas de cada componente.

3. Acoplamiento Mecánico e Inferencia de Parámetros

Los estados latentes se fusionan mediante un Perceptrón Multicapa (MLP) para decodificar parámetros epidemiológicos variables en el tiempo: la tasa de transmisión $\beta(t)$, la tasa de recuperación $\gamma(t)$ y la tasa de pérdida de inmunidad $\delta(t)$. Estos parámetros están restringidos a rangos interpretables y acotados.
Los parámetros decodificados impulsan un sistema de ODEs SIRS (Susceptible-Infectado-Recuperado-Susceptible) mecánico:
$$\dot{S} = -\beta S I + \delta R, \quad \dot{I} = \beta S I - \gamma I, \quad \dot{R} = \gamma I - \delta R$$
El sistema se integra numéricamente (RK4) con imposición de conservación de masa para asegurar la consistencia epidemiológica.

4. Objetivo de Entrenamiento

El modelo se entrena de extremo a extremo minimizando el error cuadrático medio ponderado sobre el compartimento infectado observado $I(t)$, con gradientes retropropagados a través de los resolvedores de ODE y el proceso de descomposición.

Contribuciones Clave

1. Caracterización de Modos de Fallo: El artículo cataloga sistemáticamente "antipatrones" en la hibridación neuro-mecánica, demostando que las ODEs neuronales vanilla, el entrenamiento bidireccional y las pérdidas informadas por la física fallan bajo observabilidad parcial y parámetros variables en el tiempo sin un control estructural explícito.
2. Arquitectura EpiNode: Un marco novedoso que acopla una ODE neuronal con dinámicas mecánicas de SIRS, utilizando la descomposición de señal multiescala como una señal de control interpretable para abordar la observabilidad parcial y la no estacionariedad.
3. Superioridad Empírica: Evaluaciones exhaustivas en conjuntos de datos sintéticos y del mundo real (datos CDC ILI) muestran que EpiNode logra el RMSE más bajo, la mejor precisión en la detección de picos y la recuperación más precisa de los parámetros variables en el tiempo en comparación con bases sólidas (ARIMA, LSTM, ODEs Neuronales, ODEs Latentes y otros modelos informados por la física).

Resultados Experimentales

• Precisión de Pronóstico: EpiNode obtuvo el RMSE más bajo en los cinco conjuntos de datos (SIRS/SIR/SEIRS sintéticos e ILI del mundo real), mostrando una reducción de error del 27 al 70% sobre las bases más fuertes. Mantuvo la estabilidad en despliegues de largo horizonte donde otros modelos derivaban o se aplanaban.
• Detección de Picos: El modelo logró la mejor precisión en el tiempo del pico (sesgo de 0.0 semanas en datos ILI) y una precisión competitiva en la magnitud del pico, superando a métodos que a menudo predicen erróneamente el tiempo del pico por semanas.
• Inferencia de Parámetros: EpiNode recuperó con éxito los compartimentos no observados ($S, R$) y los parámetros variables en el tiempo ($\beta, \gamma, \delta$) dentro de los rangos de la verdad fundamental para los datos sintéticos. Para los datos del mundo real, infirió tasas de transmisión suaves y moduladas estacionalmente consistentes con patrones epidemiológicos conocidos.
• Robustez: El modelo se mantuvo estable incluso bajo un desajuste de la física (p. ej., entrenar con datos SIR cuando el proceso real era SEIRS), lo que indica que las señales de control latentes compensan eficazmente las dinámicas no modeladas.

Significado y Reivindicaciones

El artículo sostiene que la hibridación por sí sola es insuficiente; la clave del éxito reside en modelar explícitamente la estructura multiescala de la señal observada para guiar la dinámica latente. Al descomponer la entrada en componentes de tendencia, estacionalidad y residuo, EpiNode separa los efectos de confusión, permitiendo un pronóstico de largo horizonte estable y una inferencia de parámetros interpretable sin depender de covariables auxiliares.

Los autores posicionan a EpiNode como una herramienta de apoyo a la decisión que une el rendimiento predictivo con la visión epidemiológica. Proporciona no solo pronósticos puntuales, sino también capacidades de análisis retrospectivo respecto a los impulsores subyacentes de la dinámica epidémica (p. ej., forzamiento estacional frente a cambios de comportamiento). El artículo reconoce limitaciones, señalando que la formulación actual se centra en la dinámica determinista de una sola región y trata la descomposición como un paso de preprocesamiento en lugar de un componente aprendible, sugiriendo trabajos futuros en modelado probabilístico, acoplamiento espacial y módulos de descomposición aprendibles.