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

Résumé Technique : Un préprocesseur universel basé sur la convolution pour corriger l'écart prévalence-incidence dans la modélisation SIR, SEIR et SIRS

Énoncé du problème
Malgré l'adoption généralisée des modèles compartimentaux (SIR, SEIR, SIRS) pour la prévision épidémique depuis 2019, ces cadres échouent systématiquement à s'aligner sur la validation des données réelles, entraînant souvent des sous-estimations des pics allant jusqu'à 50 %. Les auteurs identifient une « erreur méthodologique fondamentale » persistante au cœur de cet échec : le calibrage direct de modèles basés sur la prévalence (stocks) à partir de données brutes d'incidence (flux).

Dans la modélisation épidémiologique standard, le compartiment infectieux $I(t)$ représente une variable de prévalence (le stock de cas actifs actuels). Cependant, les systèmes de signalement clinique (par exemple, l'OMS) fournissent généralement des données d'incidence (nouveaux cas quotidiens, ou New Daily Cases, NDC), qui représentent le flux de nouvelles infections. Le document soutient que l'équivalence de ces deux entités mathématiques distinctes — traiter la dérivée temporelle des cas cumulés comme le nombre de cas actifs — crée un désalignement structurel. Cette erreur n'est pas résolue en augmentant la complexité du modèle ; l'ajout de compartiments de latence (SEIR) ou d'une immunité déclinante (SIRS) ne fait que propager l'écart incidence-prévalence dans les taux de transition des nouveaux compartiments, conduisant à des biais systématiques dans l'estimation des périodes de latence et de la « queue lourde » de l'endémicité.

Méthodologie
Les auteurs proposent un protocole de préprocesseur universel basé sur une convolution à pondération exponentielle pour reconstruire les cas actifs ($I(t)$) à partir de l'incidence rapportée ($NDC(t)$). La méthodologie procède en deux étapes :

1. Correction de la position du pic : Initialement, les auteurs traitent le désalignement temporel. Puisque la prévalence est une accumulation d'incidences récentes moins les guérisons, ils proposent d'intégrer l'incidence sur une fenêtre glissante définie par la période infectieuse moyenne ($1/\gamma$). Cela décale le moment du pic pour l'aligner sur la courbe de prévalence réelle.
2. Correction de l'amplitude du pic et correction structurelle : Reconnaissant qu'une simple fenêtre glissante traite la guérison comme une « fonction en escalier » (guérison instantanée après exactement $1/\gamma$ jours), les auteurs introduisent une correction mathématique plus rigoureuse. Ils modélisent la guérison comme un processus de décroissance exponentielle et tiennent compte de la sous-déclaration des données (cas asymptomatiques et délais de test) via un taux d'ascertainment ($p$).

La transformation universelle proposée est définie par :
$$I(t) \simeq \frac{1}{p} \int_{0}^{t} NDC(\tau)e^{-\gamma(t-\tau)} d\tau$$

Où :

• $NDC(\tau)$ est l'incidence quotidienne observée.
• $\gamma$ est le taux de guérison (définissant la période infectieuse).
• $e^{-\gamma(t-\tau)}$ agit comme un poids de probabilité de survie, garantissant que l'incidence passée est décomptée en fonction de la probabilité que ces individus restent infectieux au temps $t$.
• $p$ est le taux d'ascertainment ($0 < p \leq 1$), corrigeant la fraction des infections réelles capturées par le système de santé.

Contributions clés

• Identification d'une erreur systématique : Le document catégorise formellement l'utilisation directe de données d'incidence brutes dans des modèles basés sur les stocks comme une erreur méthodologique fondamentale qui persiste à travers les cadres SIR, SEIR et SIRS.
• Protocole de préprocesseur universel : Les auteurs introduisent une formule de convolution spécifique qui sert de prérequis obligatoire pour calibrer tout modèle compartimental. Ce protocole comble le fossé entre le signalement clinique (incidence) et la modélisation mécaniste (prévalence).
• Correction de modèles complexes : L'étude démontre que les ajouts structurels comme la latence (SEIR) ou l'immunité déclinante (SIRS) ne corrigent pas intrinsèquement le désalignement des données. Sans le préprocesseur proposé, ces modèles avancés héritent des mêmes biais systématiques, conduisant à des estimations erronées des taux de transition et de la perte d'immunité.

Résultats
Les résultats de simulation présentés dans l'article indiquent que sans cette transformation :

• Les modèles souffrent de sous-estimations significatives des pics (jusqu'à 50 %) et d'un désalignement temporel (l'incidence culmine plus tôt que la prévalence).
• La « queue lourde » de l'endémicité est systématiquement sous-estimée.
• Dans les modèles SEIR, la période de latence est incorrectement estimée car le compartiment infectieux est désaligné avec les données d'entrée.
• Dans les modèles SIRS, le taux de perte d'immunité est mal interprété en raison de la distorsion de la queue de la courbe.

En appliant la convolution proposée, les auteurs montrent que la courbe de prévalence reconstruite ($I(t)$) parvient à s'aligner sur les exigences théoriques des équations différentielles, corrigeant à la fois le timing et l'amplitude du pic épidémique.

Signification et revendications
Le document affirme que la transformation par convolution proposée n'est pas simplement un raffinement optionnel mais un prérequis universel pour tout cadre compartimental. Les auteurs soutiennent que l'augmentation de la complexité structurelle (passer de SIR à SEIR/SIRS) ne peut compenser l'erreur fondamentale de désalignement des données. Au contraire, l'« écart incidence-prévalence » doit être comblé à l'étape de l'entrée des données.

La portée de ce travail réside dans son affirmation que l'« erreur méthodologique fondamentale » a été négligée dans la littérature existante, où la convolution est souvent traitée comme une preuve autonome plutôt que comme une exigence de calibrage universel. En mettant en œuvre ce préprocesseur, le papier postule que la prévision épidémiologique peut atteindre un niveau de précision qui aligne le signalement clinique avec la modélisation mécaniste, résolvant ainsi les échecs prédictifs observés lors des récentes réponses pandémiques.