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

तकनीकी सारांश: SIR, SEIR और SIRS मॉडलिंग में प्रवलता-घटना अंतराल (Prevalence-Incidence Gap) को ठीक करने के लिए एक सार्वभौमिक कनवल्शन-आधारित प्री-प्रोसेसर

समस्या विवरण
2019 से महामारी पूर्वानुमान के लिए कम्पार्टमेंटल मॉडलों (SIR, SEIR, SIRS) के व्यापक उपयोग के बावजूद, ये ढांचे वास्तविक दुनिया के डेटा सत्यापन के साथ संरेखित होने में लगातार विफल रहते हैं, जिसके परिणामस्वरूप अक्सर शिखर (peak) का अनुमान 50% तक कम हो जाता है। लेखक इस विफलता के मूल में एक निरंतर "मौलिक पद्धतिगत त्रुटि" की पहचान करते हैं: प्रवलता-आधारित (स्टॉक) मॉडलों का कच्चे दैनिक घटना (फ्लो) डेटा का उपयोग करके सीधा अंशांकन (calibration) करना।

मानक महामारी विज्ञान मॉडलिंग में, संक्रामक कम्पार्टमेंट $I(t)$ एक प्रवलता चर (वर्तमान में सक्रिय मामलों का स्टॉक) का प्रतिनिधित्व करता है। हालाँकि, नैदानिक रिपोर्टिंग सिस्टम (जैसे WHO) आमतौर पर घटना डेटा (दैनिक नए मामले, या NDC) प्रदान करते हैं, जो नए संक्रमणों के प्रवाह (flow) का प्रतिनिधित्व करता है। यह शोध पत्र इन दो अलग-अलग गणितीय संस्थाओं को समान मानने में निहित त्रुटि को रेखांकित करता है—संचयी मामलों के समय व्युत्पन्न (time derivative) को सक्रिय केस काउंट के रूप में मानना—जो एक संरचनात्मक मिसअलाइनमेंट पैदा करता है। यह त्रुटि मॉडल की जटिलता बढ़ाकर हल नहीं होती है; विलंबता (latency) के लिए कम्पार्टमेंट जोड़ना (SEIR) या प्रतिरक्षा क्षय (waning immunity) (SIRS) जोड़ना केवल नए कम्पार्टमेंटों के संक्रमण दरों में प्रवलता-घटना अंतराल को प्रसारित कर देता है, जिससे विलंब अवधि और एंडेमिकिटी (endemicity) के "हैवी टेल" (heavy tail) के अनुमान में व्यवस्थित पूर्वाग्रह उत्पन्न होते हैं।

कार्यप्रणाली
लेखक एक एक्सपोनेंशियलली वेटेड कनवल्शन (exponentially weighted convolution) पर आधारित एक सार्वभौमिक प्री-प्रोसेसर प्रोटोकॉल प्रस्तावित करते हैं, जो रिपोर्ट की गई घटना ($NDC(t)$) से सक्रिय मामलों ($I(t)$) का पुनर्निर्माण करता है। कार्यप्रणाली दो चरणों में आगे बढ़ती है:

1. शिखर स्थिति सुधार (Peak Position Correction): प्रारंभ में, लेखक सामयिक मिसअलाइनमेंट को संबोधित करते हैं। चूंकि प्रवलता, हालिया घटना और रिकवरी के अंतर का संचय है, इसलिए वे औसत संक्रामक अवधि ($1/\gamma$) द्वारा परिभाषित स्लाइडिंग विंडो पर घटना को एकीकृत करने का प्रस्ताव देते हैं। यह वास्तविक प्रवलता वक्र के साथ शिखर के समय को संरेखित करने के लिए इसे स्थानांतरित करता है।
2. शिखर आयाम और संरचनात्मक सुधार (Peak Amplitude and Structural Correction): यह पहचानते हुए कि एक साधारण स्लाइडिंग विंडो रिकवरी को एक "स्टेप फंक्शन" (ठीक $1/\gamma$ दिनों के बाद तात्कालिक रिकवरी) के रूप में मानती है, लेखक एक अधिक कठोर गणितीय सुधार पेश करते हैं। वे रिकवरी को एक एक्सपोनेंशियल डिके (exponential decay) प्रक्रिया के रूप में मॉडल करते हैं और एक निश्चयता दर (ascertainment rate $p$) के माध्यम से डेटा अंडर-रिपोर्टिंग (एसिम्प्टोमैटिक मामले और परीक्षण देरी) को संबोधित करते हैं।

प्रस्तावित सार्वभौमिक रूपांतरण को इस प्रकार परिभाषित किया गया है:
$$I(t) \simeq \frac{1}{p} \int_{0}^{t} NDC(\tau)e^{-\gamma(t-\tau)} d\tau$$

जहाँ:

• $NDC(\tau)$ देखी गई दैनिक घटना है।
• $\gamma$ रिकवरी दर है (जो संक्रामक अवधि को परिभाषित करती है)।
• $e^{-\gamma(t-\tau)}$ एक उत्तरजीविता प्रायिकता भार (survival probability weight) के रूप में कार्य करता है, जो यह सुनिश्चित करता है कि पिछले मामलों को इस आधार पर कम (discount) किया जाए कि वे समय $t$ पर कितने संक्रामक बने रहने की संभावना रखते हैं।
• $p$ निश्चयता दर (ascertainment rate) है ($0 < p \leq 1$), जो स्वास्थ्य सेवा प्रणाली द्वारा पकड़े गए वास्तविक संक्रमणों के अंश को ठीक करती है।

प्रमुख योगदान

• एक व्यवस्थित त्रुटि की पहचान: शोध पत्र सीधे कच्चे घटना डेटा का स्टॉक-आधारित मॉडलों में उपयोग को एक मौलिक पद्धतिगत त्रुटि के रूप में औपचारिक रूप से वर्गीकृत करता है जो SIR, SEIR और SIRS ढांचों में बनी रहती है।
• सार्वभौमिक प्री-प्रोसेसर प्रोटोकॉल: लेखक एक विशिष्ट कनवल्शन फॉर्मूला पेश करते हैं जो किसी भी कम्पार्टमेंटल मॉडल के अंशांकन के लिए एक अनिवार्य पूर्व शर्त के रूप में कार्य करता है। यह प्रोटोकॉल नैदानिक रिपोर्टिंग (incidence) और यांत्रिक मॉडलिंग (prevalence) के बीच के अंतर को पाटता है।
• जटिल मॉडलों का सुधार: अध्ययन प्रदर्शित करता है कि विलंबता (SEIR) या प्रतिरक्षा क्षय (SIRS) जैसे संरचनात्मक जुड़ाव स्वाभाविक रूप से डेटा मिसअलाइनमेंट को ठीक नहीं करते हैं। प्रस्तावित प्री-प्रोसेसर के बिना, उन्नत मॉडल उन्हीं व्यवस्थित पूर्वाग्रहों को विरासत में प्राप्त करते हैं, जिससे संक्रमण दरों और प्रतिरक्षा हानि के गलत अनुमान लगते हैं।

परिणाम
पेपर में प्रस्तुत सिमुलेशन परिणाम संकेत देते हैं कि इस रूपांतरण के बिना:

• मॉडल महत्वपूर्ण शिखर अल्प-अनुमान (50% तक) और सामयिक मिसअलाइनमेंट (घटना का शिखर प्रवलता से पहले आता है) से ग्रस्त होते हैं।
• एंडेमिकिटी का "हैवी टेल" व्यवस्थित रूप से कम आंका जाता है।
• SEIR मॉडलों में, विलंब अवधि (latent period) का गलत अनुमान लगाया जाता है क्योंकि संक्रामक कम्पार्टमेंट इनपुट डेटा के साथ मिसअलाइन होता है।
• SIRS मॉडलों में, वक्र की पूंछ (tail) के विरूपण के कारण प्रतिरक्षा हानि की दर को गलत समझा जाता है।

प्रस्तावित कनवल्शन को लागू करके, लेखक दिखाते हैं कि पुनर्निर्मित प्रवलता वक्र ($I(t)$) विभेदक समीकरणों (differential equations) की सैद्धांतिक आवश्यकताओं के साथ सफलतापूर्वक संरेखित होता है, जो शिखर के समय और आयाम दोनों को ठीक करता है।

महत्व और दावे
शोध पत्र का दावा है कि प्रस्तावित कनवल्शन रूपांतरण केवल एक वैकल्पिक सुधार नहीं है, बल्कि किसी भी कम्पार्टमेंटल ढांचे के लिए एक सार्वभौमिक पूर्व शर्त है। लेखक तर्क देते हैं कि संरचनात्मक जटिलता बढ़ाना (SIR से SEIR/SIRS की ओर जाना) डेटा मिसअलाइनमेंट की मौलिक त्रुटि की भरपाई नहीं कर सकता है। इसके बजाय, डेटा इनपुट चरण पर "घटना-प्रवलता अंतराल" को बंद किया जाना चाहिए।

इस कार्य का महत्व इस दावे में निहित है कि मौजूदा साहित्य में इस "मौलिक पद्धतिगत त्रुटि" को अनदेखा किया गया है, जहाँ कनवल्शन को अक्सर एक स्टैंडअलोन प्रमाण के रूप में देखा जाता है न कि एक सार्वभौमिक अंशांकन आवश्यकता के रूप में। इस प्री-प्रोसेसर को लागू करके, पेपर का तर्क है कि महामारी विज्ञान संबंधी पूर्वानुमान उस स्तर की सटीकता प्राप्त कर सकते हैं जो नैदानिक रिपोर्टिंग को यांत्रिक मॉडलिंग के साथ संरेखित करती है, जिससे हालिया महामारी प्रतिक्रियाओं में देखे गए भविष्यवाणात्मक विफलताओं को हल किया जा सके।