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

Las epidemias no son eventos estáticos; son historias vivas escritas en el movimiento de las personas y los virus. Para comprender estas historias, los científicos suelen utilizar un mapa mental sencillo llamado modelo compartimental. Imagine una población dividida en cuatro grupos: aquellos que pueden contraer una enfermedad, aquellos que la han contraído pero aún no presentan síntomas, aquellos que están enfermos y pueden propagarla, y aquellos que se han recuperado o han sido eliminados del ciclo. Este marco, conocido como SEIR, permite a los investigadores rastrear cómo una infección fluye a través de una comunidad a lo largo del tiempo. El motor que impulsa este flujo es la tasa de transmisión, un número que representa qué tan fácilmente salta el virus de una persona a otra. Durante décadas, un supuesto común en estos modelos era que esta tasa permanecía constante, como un viento constante soplando a través de un campo. Sin embargo, los brotes en el mundo real rara vez se comportan con tal uniformidad. Las vacunas, los cambios en la forma en que las personas interactúan, las nuevas variantes del virus y los cambios estacionales pueden alterar el viento, a veces de forma abrupta. El desafío para los científicos es determinar cuándo y cómo ocurren estos cambios sin simplemente adivinar basándose en cómo se ven los datos en un gráfico.

En un estudio publicado en agosto de 2026, la investigadora Lilin Xu abordó esta cuestión examinando la ola de COVID-19 de 2025 en China. Los datos mostraron un patrón claro: los casos aumentaron bruscamente en la primavera, alcanzaron un punto máximo a finales de mayo y luego comenzaron un descenso largo y constante durante el verano. La pregunta central era si todo este viaje podía explicarse mediante una tasa de transmisión única e invariable, o si el comportamiento del virus había cambiado fundamentalmente en algún momento. Para encontrar la respuesta, Xu no se limitó a elegir el día en que los casos alcanzaron su pico y declarar que la tasa de transmisión cambió entonces. En su lugar, el estudio trató el momento del cambio como un misterio por resolver mediante los propios datos. La investigadora probó miles de fechas posibles, ajustando el modelo a las cifras diarias de casos para cada posible punto de inflexión. El objetivo era encontrar la fecha específica donde la descripción matemática del brote se ajustara mejor a los números del mundo real, utilizando un método estadístico riguroso que premia la precisión mientras penaliza la complejidad innecesaria.

El análisis reveló que un modelo que asumía una tasa de transmisión constante no lograba capturar la verdadera forma de la epidemia. No podía explicar simultáneamente el rápido aumento en mayo y la caída sostenida que le siguió. Sin embargo, cuando se permitió que el modelo tuviera dos tasas de transmisión diferentes —una antes de una fecha específica y otra después— el ajuste mejoró drástamente. Los datos señalaron el 24 de mayo de 2025 como el momento más probable del cambio. Esta fecha fue dos días antes del pico observado de casos diarios, un cronometraje que tiene sentido biológico porque las infecciones que ocurrieron antes del cambio continuarían desarrollándose y reportándose durante unos días después. Antes de este punto de inflexión, el modelo indicó que el virus se estaba propagando en un régimen de expansión, donde cada persona infectada probablemente infectaría a más de una persona. Después del cambio, la tasa de transmisión cayó significamente, desplazando la epidemia hacia una fase de contracción donde el virus ya no era capaz de sostener su crecimiento.

El estudio hizo grandes esfuerzos para asegurar que esta conclusión no fuera un error fortuito de los números específicos elegidos. La investigadora probó el modelo contra una amplia gama de supuestos sobre cuánto tiempo permanecían las personas infecciosas y cuánto tiempo pasaban en el periodo de incubación antes de mostrar síntomas. En cada escenario, el hallazgo central se mantuvo firme: la epidemia pasó de un estado de expansión a un estado de contracción. La conclusión también se mantuvo estable incluso cuando la investigadora ajustó la escala de los datos, reconociendo que los casos reportados son solo una fracción de todas las infecciones reales. Esta robustez sugiere que el cambio en la transmisión fue una característica estructural real de la ola de 2025, no un artefacto de cómo se midieron o interpretaron los datos. El estudio evitó explícitamente afirmar que una política gubernamental específica o una intervención causó esta caída. En su lugar, identificó el cambio en la intensidad de la transmisión como un hecho, dejando las causas específicas —ya fueran cambios de comportamiento, nuevas variantes u otros factores— para ser investigadas por separado.

Incluso con este modelo mejorado, los investigadores encontraron que la historia no era perfectamente fluida. Cuando observaron las diferencias entre las predicciones del modelo y los números reales reportados, surgió un patrón semanal claro. El modelo tendía a sobreestimar los casos los fines de semana y a subestimarlos durante los días de semana. Este es un fenómeno común en la vigilancia de enfermedades, causado probablemente por el hecho de que las pruebas, el procesamiento de laboratorio y el reporte suelen ralentizarse los fines de semana y se ponen al día durante la semana. Este hallazgo resalta una distinción importante: el modelo capturó con éxito la trayectoria general de varios meses de la epidemia, pero no pudo dar cuenta de los ritmos administrativos diarios del sistema de reporte. El estudio concluye que, si bien los modelos simples son herramientas poderosas para comprender el panorama general de un brote, deben acompañarse de controles cuidadosos para entender qué es lo que omiten. Al dejar que los datos hablen por sí mismos en lugar de forzar una tasa constante única, el estudio proporcionó una imagen más clara y honesta de cómo se desarrolló la ola de 2025 en China, pasando de un periodo de rápido crecimiento a un descenso largo y constante.