Generalized SEIR model and a new reproduction number reflecting the real epidemic dynamics

Resumen Técnico: Modelo SEIR Generalizado y un Nuevo Número de Reproducción que Refleja la Dinámica Epidémica Real

Planteamiento del Problema
Los modelos existentes para la dinámica de epidemias, como el clásico modelo SIR, a menudo no logran contabilizar factores críticos que incluyen el periodo de incubación (el compartimento expuesto), las infecciones ocultas (asintomáticas), las reinfecciones y los efectos de las vacunaciones y los recién nacidos. Modelos previos propuestos por el autor abordaron las dinámicas ocultas y las reinfecciones, pero omitieron el compartimento expuesto ($E$). Además, las definiciones estándar del número de reproducción efectivo ($R_t$) dependen únicamente de los casos visibles (sintomáticos), lo que puede no reflejar con precisión la verdadera tasa de propagación de la infección cuando una parte significativa de la población es asintomática o no está registrada. El artículo aborda la necesidad de un modelo más exhaustivo que integre el compartimento expuesto con las dinámicas ocultas y propone una nueva métrica para reflejar mejor las tendencias epidémicas reales.

Metodología
El autor propone un modelo SEIR (Susceptible-Expuesto-Infectado-Removido) generalizado que consta de seis ecuaciones diferenciales acopladas. Este modelo amplía el trabajo anterior al introducir un compartimento para personas expuestas ($E$) y dividir tanto a las poblaciones infectadas ($I$) como a las removidas ($R$) en subcompartimentos visibles (registrados) y ocultos (no registrados/asintomáticos).

Las características clave del marco matemático incluyen:

• Seis Ecuaciones Diferenciales: Que gobiernan la dinámica de Susceptibles ($S$), Expuestos ($E$), Infectados Visibles ($I^v$), Infectados Ocultos ($I^h$), Removidos Visibles ($R^v$) y Removidos Ocultos ($R^h$).
• Parámetros: El modelo incorpora 14 parámetros desconocidos por cada ola epidémica, incluyendo tasas de infección ($\alpha$), tasas de remoción ($\rho$), tasas de disminución de la inmunidad ($\delta$), el coeficiente de visibilidad ($\beta$) y un coeficiente ($\mu$) que representa la tasa neta de cambio en la población susceptible debido a nacimientos, vacunaciones y reinfecciones.
• Identificación de Parámetros: El autor propone un método para identificar estos 14 parámetros utilizando el método de mínimos cuadrados, ajustando el modelo a los números observados de casos registrados diarios, semanales o mensuales ($D_j$). El modelo relaciona la derivada de los casos removidos visibles con los datos observados.
• Nuevo Número de Reproducción ($R_\tau^E$): Se define un nuevo número de reproducción basado en la relación de personas expuestas en el tiempo $t$ frente a $t-\tau$. Crucialmente, el artículo demuestra que esta tasa puede estimarse utilizando únicamente la relación de casos registrados diarios (o semanales), vinculando efectivamente los datos visibles con la dinámica de la población expuesta oculta.

Contribuciones Clave

1. Estructura del Modelo Generalizado: La introducción de un modelo SEIR de seis ecuaciones que contabiliza simultáneamente el periodo de incubación, las infecciones ocultas, las reinfecciones y los cambios demográficos (nacimientos/vacunaciones).
2. Método de Estimación de Parámetros: Un procedimiento específico para estimar los 14 parámetros del modelo utilizando datos epidemiológicos estándar (conteos acumulados o diarios de casos) sin requerir la observación directa de los casos ocultos.
3. Número de Reproducción Revisado: La propuesta de un número de reproducción ($R_\tau^E$) que refleja la tasa de aumento o disminución de las personas expuestas. El artículo establece que la relación de los conteos de casos registrados consecutivos, ya sean diarios o semanales, sirve como un estimador válido para esta tasa, proporcionando una herramienta práctica para las decisiones de control de epidemias.
4. Análisis de Equilibrio: El artículo proporciona un análisis de los puntos de equilibrio, señalando que un equilibrio no nulo (estado endémico) solo es posible cuando la tasa de crecimiento neto de susceptibles ($\mu$) es distinta de cero.

Resultados
El modelo fue aplicado para simular la epidemia de tos ferina (tos ferina) en Inglaterra de 2023 a 2025.

• Escenarios de Simulación:
  • $\mu = 0$: Simulaciones que asumen un crecimiento neto nulo en la población susceptible (por ejemplo, una vacunación perfecta que equilibra los nacimientos) resultaron en una disminución monotónica de los casos tras un pico, sugiriendo una duración limitada de la epidemia.
  • $\mu > 0$: Las simulaciones que incorporan una tasa de crecimiento neto positiva (que refleja que las tasas de nacimiento superan la eficacia de la vacunación) produjeron ondas epidémicas oscilatorias con un periodo de aproximadamente 2500 días (6.85 años).
• Validación: El modelo con $\mu = 7.48 \text{ día}^{-1}$ mostró una fuerte concordancia con los datos históricos y las observaciones recientes (2025) de casos de tos ferina en Inglaterra.
• Predicción: Basándose en el modelo calibrado, el artículo predice que el número de nuevos casos de tos ferina en Inglaterra comenzará a aumentar nuevamente en julio–septiembre de 2027. El modelo indica que el número de personas expuestas comenzará a aumentar inmediatamente después del mínimo en los casos registrados diarios.

Significado y Reivindicaciones
El artículo sostiene que el modelo SEIR generalizado propuesto ofrece una representación más realista de la dinámica de las epidemias al integrar el periodo de incubación y la transmisión oculta. La principal significancia radica en la capacidad de:

• Predecir futuras olas epidémicas (específicamente el resurgimiento de la tos ferina en 2027 en Inglaterra) con alta precisión utilizando únicamente los datos de casos registrados.
• Proporcionar una definición práctica y basada en datos del número de reproducción que tiene en cuenta las dinámicas ocultas, permitiendo a los epidemiólogos monitorear la verdadera tasa de propagación de la infección mediante los datos de vigilancia estándar.
• Demostrar que, si bien la vacunación intensiva puede teóricamente reducir la duración de la epidemia, puede ser insuficiente para prevenir las oscilaciones a largo plazo si las tasas de nacimiento y la disminución de la inmunidad no se compensan adecuadamente.

El autor señala que la gran cantidad de parámetros (14) complica la optimización, sugiriendo que las investigaciones futuras deberían utilizar Computación de Alto Rendimiento (HPC) y métodos de IA para la identificación de parámetros a gran escala. El estudio concluye que el modelo logra cerrar la brecha entre la dinámica de compartimentos teórica y los datos observables del mundo real.