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

Les épidémies ne sont pas des événements statiques ; ce sont des récits vivants écrits dans le mouvement des populations et des virus. Pour comprendre ces récits, les scientifiques utilisent souvent une carte mentale simple appelée modèle compartimental. Imaginez une population divisée en quatre groupes : ceux qui peuvent contracter une maladie, ceux qui l'ont contractée mais ne sont pas encore malades, ceux qui sont malades et peuvent la transmettre, et ceux qui ont guéri ou ont été retirés du cycle. Ce cadre, connu sous le nom de SEIR, permet aux chercheurs de tracer la manière dont une infection circule à travers une communauté au fil du temps. Le moteur qui alimente ce flux est le taux de transmission, un nombre qui représente la facilité avec laquelle le virus passe d'une personne à une autre. Pendant des décennies, une hypothèse courante dans ces modèles était que ce taux restait stable, comme un vent constant soufflant à travers un champ. Cependant, les éclosions du monde réel se comportent rarement avec une telle uniformité. Les vaccins, les changements dans les interactions humaines, les nouveaux variants du virus et les changements saisonniers peuvent tous altérer le vent, parfois brusquement. Le défi pour les scientifiques est de déterminer quand et comment ces changements se produisent sans simplement deviner sur la base de ce à quoi les données ressemblent sur un graphique.

Dans une étude publiée en août 2026, la chercheuse Lilin Xu a abordé cette question en examinant la vague de COVID-19 de 2025 en Chine. Les données ont montré un schéma clair : les cas ont augmenté brusquement au printemps, ont atteint un point culminant fin mai, puis ont entamé un déclin long et régulier tout au long de l'été. La question centrale était de savoir si l'ensemble de ce voyage pouvait être expliqué par un taux de transmission unique et inchangé, ou si le comportement du virus avait fondamentalement changé à un moment donné. Pour trouver la réponse, Xu n'a pas simplement choisi le jour où les cas ont culminé pour déclarer que le taux de transmission avait changé. Au lieu de cela, l'étude a traité le moment du changement comme un mystère à résoudre par les données elles-mêmes. La chercheuse a testé des milliers de dates possibles, ajustant le modèle aux chiffres quotidiens des cas pour chaque point de bascule potentiel. L'objectif était de trouver la date spécifique où la description mathématique de l'épidémie correspondait le mieux aux chiffres du monde réel, en utilisant une méthode statistique rigoureuse qui récompense la précision tout en pénalisant la complexité inutile.

L'analyse a révélé qu'un modèle supposant un taux de transmission constant ne parvenait pas à capturer la véritable forme de l'épidémie. Il ne pouvait pas expliquer simultanément la montée rapide de mai et la chute soutenue qui a suivi. Cependant, lorsque le modèle a été autorisé à avoir deux taux de transmission différents — un avant une date spécifique et un autre après — l'ajustement s'est considérablement amélioré. Les données ont désigné le 24 mai 2025 comme le moment de changement le plus probable. Cette date était deux jours avant le pic observé des cas quotidiens, un calendrier qui fait sens biologiquement car les infections survenues avant le changement continueraient de se développer et d'être signalées pendant quelques jours après. Avant ce point de bascule, le modèle indiquait que le virus se propageait dans un régime d'expansion, où chaque personne infectée était susceptible d'en infecter plus d'une autre. Après le changement, le taux de transmission a chuté de manière significative, faisant passer l'épidémie dans une phase de contraction où le virus n'était plus capable de soutenir sa croissance.

L'étude a pris de grandes précautions pour s'assurer que cette conclusion n'était pas un coup de chance lié aux chiffres spécifiques choisis. La chercheuse a testé le modèle contre un large éventail d'hypothèses concernant la durée pendant laquelle les personnes restent infectieuses et la durée de leur période d'incubation avant de présenter des symptômes. Dans chaque scénario, la conclusion fondamentale restait vraie : l'épidémie est passée d'un état d'expansion à un état de contraction. La conclusion est également restée stable même lorsque la chercheuse a ajusté l'échelle des données, reconnaissant que les cas signalés ne sont qu'une fraction de toutes les infections réelles. Cette robustesse suggère que le changement de transmission était une caractéristique structurelle réelle de la vague de 2025, et non un artefact de la manière dont les données étaient mesurées ou interprétées. L'étude a explicitement évité de prétendre qu'une politique gouvernementale spécifique ou une intervention avait causé cette baisse. Au lieu de cela, elle a identifié le changement d'intensité de la transmission comme un fait, laissant les causes spécifiques — qu'il s'agisse de changements de comportement, de nouveaux variants ou d'autres facteurs — être étudiées séparément.

Même avec ce modèle amélioré, les chercheurs ont constaté que l'histoire n'était pas parfaitement fluide. Lorsqu'ils ont examiné les différences entre les prédictions du modèle et les chiffres réellement signalés, un motif hebdomadaire clair est apparu. Le modèle avait tendance à surestimer les cas les week-ends et à les sous-estimer les jours de semaine. C'est un phénomène courant dans la surveillance des maladies, probablement causé par le fait que les tests, le traitement des laboratoires et le signalement ralentissent souvent les week-ends et rattrapent leur retard durant la semaine. Cette découverte souligne une distinction importante : le modèle a réussi à capturer la trajectoire globale de plusieurs mois de l'épidémie, mais il ne pouvait pas rendre compte des rythmes administratifs quotidiens du système de signalement. L'étude conclut que, bien que les modèles simples soient des outils puissants pour comprendre la vue d'ensemble d'une éclosion, ils doivent être couplés à des vérifications minutieuses pour comprendre ce qu'ils omettent. En laissant les données parler d'elles-mêmes plutôt qu'en imposant un taux constant unique, l'étude a fourni une image plus claire et plus honnête de la façon dont la vague de 2025 en Chine s'est déroulée, passant d'une période de croissance rapide à un déclin long et régulier.