Dynamic-Parameter SIRD Forecasting: ReproducibleTime-Varying Rate Estimation for COVID-19

Resumen Técnico: Pronóstico SIRD de Parámetros Dinámicos

Planteamiento del Problema
Los modelos compartimentales epidémicos clásicos, como el SIRD (Susceptibles-Infectados-Recuperados-Fallecidos), suelen basarse en la suposición de tasas constantes de transmisión, recuperación y mortalidad. Este enfoque estático limita su capacidad para rastrear con precisión las dinámicas del mundo real, incluyendo cambios en las políticas, adaptaciones conductuales, la evolución de patógenos y brotes de múltiples olas. Por el contrario, los modelos puramente estadísticos de series temporales pueden rastrear señales de corto horizonte, pero a menudo no logran imponer las leyes de conservación explícitas y las restricciones mecánicas inherentes a la transmisión de enfermedades. El artículo aborda la necesidad de un enfoque híbrido que recupere parámetros variables en el tiempo directamente de los datos de vigilancia, manteniendo la interpretabilidad y la integridad estructural de los modelos mecánicos.

Metodología
El estudio propone un marco híbrido de dos etapas de forma cerrada implementado en la biblioteca de código abierto de Python dynasir. La metodología evita la optimización iterativa de alta dimensión, utilizando en su lugar la inversión algebraica y el modelado de series temporales multivariantes.

1. Formulación del Problema Inverso:
   El marco formaliza las transiciones de la población utilizando una estructura SIRD de tiempo discreto. En lugar de optimizar los parámetros para ajustar la curva, el método recupera las tasas de transición variables en el tiempo —transmisión $\alpha(t)$, recuperación $\beta(t)$ y mortalidad $\gamma(t)$— directamente de los incrementos de los compartimentos observados (nuevos casos, nuevas muertes e infecciones activas) mediante ecuaciones algebraicas de forma cerrada.

   • $\alpha(t)$ se deriva del cambio en los casos acumulados escalado por el denominador de mezcla $S(t) + I(t)$.
   • $\beta(t)$ y $\gamma(t)$ se derivan de las proporciones de nuevas recuperaciones y nuevas muertes respecto a la población infectada actual $I(t)$.
   • Para mitigar la amplificación del ruido inherente a la diferenciación numérica, las trayectorias empíricas se filtran mediante suavizado Savitzky-Golay (ventana $w=7$ días) y se mapean al espacio logit para asegurar la estabilidad numérica y los límites de $(0, 1)$.

2. Arquitectura Híbrida de Dos Etapas:

   • Etapa 1 (Asimilación): El sistema recupera las series de tasas latentes $\{\alpha(t), \beta(t), \gamma(t)\}$ mediante inversión algebraica, aplica suavizado y realiza la transformación logit.
   • Etapa 2 (Pronóstico): Se ajusta un modelo de Vectores Autorregresivos (VAR) a la serie de tasas transformada por logit. La selección de rezagos es impulsada por los datos mediante el Criterio de Información de Akaike (AIC). El modelo pronostica las tasas latentes para un horizonte de 12 pasos, aplica la transformación inversa del logit e integra las ecuaciones SIRD hacia adelante para generar pronósticos de los compartimentos.
   • Complejidad: El estimador mantiene una complejidad computacional de $O(N)$, evitando los bucles iterativos requeridos por los métodos de asimilación variacionales o bayesianos.

3. Estrategia de Validación:
   El marco fue evaluado utilizando un conjunto de datos agregados globales de COVID-19 (2020–2026) mediante una división temporal de 80/20. El rendimiento se midió en recuentos diarios incidentes (nuevos casos y nuevas muertes) en lugar de totales acumulados para proporcionar una señal de precisión más rigurosa. La incertidumbre se caracterizó mediante muestreo de Monte Carlo ($N=1000$) propagando la covarianza de los residuos del VAR a través de las ecuaciones no lineales de SIRD.

Resultados Clave
En un benchmark de 12 pasos con datos no utilizados para el entrenamiento, el modelo SIRD dinámico (dynasir) demostró una precisión de pronóstico puntual superior en comparación con varios de los modelos de referencia:

• Nuevos Casos: Logró un Error Porcentual Absoluto Medio (MAPE) del 39.3%, superando a la Persistencia Naive (100.0%), al SIRD Estático (360.6%) y al ARIMA de Incidencia (631.7%). Esto representa una reducción del error del 60.7% respecto a la referencia no dinámica más fuerte.
• Nuevas Muertes: Logró un MAPE del 29.7%, superando a la Persistencia Naive (100.0%), al SIRD Estático (101.6%) y al ARIMA de Incidencia (79.6%). Esto representa una reducción del error del 62.7% respecto a la referencia no dinámica más fuerte.
• Análisis de Sensibilidad: Se encontró que la configuración óptima consistía en una ventana de suavizado de 3 días y un rezago de VAR de 12, obteniendo MAPEs incidentales de 16.7% (casos) y 18.5% (muertes) bajo configuraciones de cuadrícula específicas.

Sin embargo, el artículo señala una limitación significativa en la calibración probabilística: los intervalos de predicción nominales del 95% lograron solo un 33.3% de cobertura para casos y un 41.7% para muertes. En consecuencia, los intervalos se reportan como salidas diagnósticas en lugar de pronósticos probabilísticos fiables.

Significado y Reivindicaciones
El artículo posiciona al marco dynasir no como una herramienta operativa definitiva para la evaluación de riesgos probabilísticos o la planificación de la capacidad hospitalaria, sino como un prototipo educativo y un punto de referencia reproducible para el pronóstico puntual.

• Interpretabilidad: El método logra preservar con éxito las leyes de conservación matemática y genera trayectorias interpretables para el número básico de reproducción $R_0(t)$ variable en el tiempo, capturando las variaciones de múltiples olas que los modelos de base estáticos omiten.
• Eficiencia: Al utilizar la inversión de forma cerrada, el enfoque logra una complejidad computacional lineal, lo que lo hace escalable para grandes conjuntos de datos sin la carga computacional de la optimización iterativa.
• Alcance de las Reivindicaciones: Los autores limitan explícitamente las reivindicaciones de generalización al diseño probado (serie agregada global). Afirman que la aplicabilidad más amplia requiere una validación adicional en series de vigilancia regionales, subnacionales y no relacionadas con COVID. La evidencia actual respalda la utilidad del método para auditorías de vigilancia retrospectiva y pronósticos puntuales de corto horizonte, a la espera de mejoras en la calibración de intervalos y la validación de otros patógenos.