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

महामारियाँ स्थिर घटनाएँ नहीं हैं; वे लोगों और वायरसों की गति में लिखी जाने वाली जीवित कहानियाँ हैं। इन कहानियों को समझने के लिए, वैज्ञानिक अक्सर एक सरल मानसिक मानचित्र का उपयोग करते हैं जिसे 'कंपार्टमेंटल मॉडल' कहा जाता है। कल्पना कीजिए कि एक जनसंख्या को चार समूहों में विभाजित किया गया है: वे जो बीमारी पकड़ सकते हैं, वे जिन्होंने इसे पकड़ा है लेकिन अभी तक बीमार नहीं हुए हैं, वे जो बीमार हैं और इसे फैला सकते हैं, और वे जो ठीक हो गए हैं या इस चक्र से बाहर हो गए हैं। SEIR के रूप में ज्ञात यह ढांचा शोधकर्ताओं को यह पता लगाने में मदद करता है कि संक्रमण समय के साथ एक समुदाय में कैसे प्रवाहित होता है। इस प्रवाह को चलाने वाला इंजन 'ट्रांसमिशन रेट' (संचरण दर) है, एक ऐसी संख्या जो यह दर्शाती है कि वायरस एक व्यक्ति से दूसरे व्यक्ति तक कितनी आसानी से कूदता है। दशकों तक, इन मॉडलों में एक सामान्य धारणा यह थी कि यह दर स्थिर रहती है, जैसे किसी खेत से होकर बहने वाली एक निरंतर हवा। हालाँकि, वास्तविक दुनिया के प्रकोप शायद ही कभी इतनी एकरूपता के साथ व्यवहार करते हैं। टीके, लोगों के बीच आपसी व्यवहार में बदलाव, वायरस के नए वेरिएंट और मौसमी बदलाव, ये सभी उस हवा को बदल सकते हैं, और कभी-कभी अचानक भी। वैज्ञानिकों के लिए चुनौती यह निर्धारित करना है कि ये बदलाव कब और कैसे होते हैं, बिना केवल ग्राफ पर दिखने वाले डेटा के आधार पर अनुमान लगाने के।

अगस्त 2026 में प्रकाशित एक अध्ययन में, शोधकर्ता लिलिन ज़ू ने चीन में 2021 की कोविड-19 लहर का परीक्षण करके इस प्रश्न को हल किया। डेटा ने एक स्पष्ट पैटर्न दिखाया: वसंत ऋतु में मामले तेजी से बढ़े, मई के अंत में अपने उच्चतम स्तर पर पहुँचे, और फिर गर्मियों के दौरान एक लंबी, स्थिर गिरावट शुरू हुई। केंद्रीय प्रश्न यह था कि क्या इस पूरी यात्रा को एक एकल, अपरिवर्तित संचरण दर द्वारा समझाया जा सकता है, या क्या वायरस के व्यवहार में किसी बिंदु पर मौलिक बदलाव आया था। इसका उत्तर खोजने के लिए, ज़ू ने केवल मामलों के चरम पर पहुँचने के दिन को चुनकर यह घोषित नहीं किया कि संचरण दर बदल गई थी। इसके बजाय, अध्ययन ने परिवर्तन के समय को डेटा द्वारा हल किए जाने वाले एक रहस्य के रूप में माना। शोधकर्ता ने हजारों संभावित तिथियों का परीक्षण किया, प्रत्येक संभावित टर्निंग पॉइंट के लिए मॉडल को दैनिक मामलों की संख्या के साथ फिट किया। लक्ष्य वह विशिष्ट तिथि खोजना था जहाँ महामारी का गणितीय विवरण वास्तविक दुनिया के आंकड़ों के साथ सबसे अच्छी तरह मेल खाता हो, जिसमें एक कठोर सांख्यिकीय पद्धति का उपयोग किया गया जो सटीकता को पुरस्कृत करती है और अनावश्यक जटिलता को दंडित करती है।

विश्लेषण से पता चला कि एक स्थिर संचरण दर मानने वाला मॉडल महामारी के वास्तविक स्वरूप को पकड़ने में विफल रहा। यह मई में तेजी से वृद्धि और उसके बाद होने वाली निरंतर गिरावट को एक साथ समझाने में सक्षम नहीं था। हालाँकि, जब मॉडल को दो अलग-अलग संचरण दरों—एक एक विशिष्ट तिथि से पहले और दूसरी उसके बाद—के साथ अनुमति दी गई, तो फिट काफी बेहतर हो गया। डेटा ने 24 मई, 2025 को परिवर्तन के सबसे संभावित क्षण के रूप में दर्शाया। यह तिथि दैनिक मामलों के देखे गए शिखर से दो दिन पहले की थी, जो एक जैविक तर्क बनाता है क्योंकि परिवर्तन से पहले हुए संक्रमण कुछ दिनों बाद भी विकसित होते रहेंगे और रिपोर्ट किए जाएंगे। इस टर्निंग पॉइंट से पहले, मॉडल ने संकेत दिया कि वायरस एक विस्तार चरण (expanding regime) में फैल रहा था, जहाँ एक संक्रमित व्यक्ति के एक से अधिक अन्य लोगों को संक्रमित करने की संभावना थी। परिवर्तन के बाद, संचरण दर काफी गिर गई, जिससे महामारी एक संकुचन चरण (contracting phase) में बदल गई जहाँ वायरस अब अपनी वृद्धि को बनाए रखने में सक्षम नहीं था।

अध्ययन ने यह सुनिश्चित करने के लिए व्यापक प्रयास किए कि यह निष्कर्ष चुने गए विशिष्ट नंबरों का कोई संयोग न हो। शोधकर्ता ने मॉडल का परीक्षण इस बारे में धारणाओं की एक विस्तृत श्रृंखला के विरुद्ध किया कि लोग कितने समय तक संक्रामक रहते हैं और लक्षण दिखने से पहले वे कितने समय तक ऊष्मायन अवधि (incubation period) में रहते हैं। हर परिदृश्य में, मूल निष्कर्ष सत्य ही रहा: महामारी विस्तार की स्थिति से संकुचन की स्थिति में चली गई। निष्कर्ष तब भी स्थिर रहा जब शोधकर्ता ने डेटा के पैमाने को समायोजित किया, यह स्वीकार करते हुए कि रिपोर्ट किए गए मामले सभी वास्तविक संक्रमणों का केवल एक अंश हैं। यह मजबूती बताती है कि संचरण में बदलाव एक वास्तविक संरचनात्मक विशेषता थी, न कि डेटा को मापने या व्याख्या करने के तरीके का कोई परिणाम। अध्ययन ने स्पष्ट रूप से यह दावा करने से परहेज किया कि किसी विशिष्ट सरकारी नीति या हस्तक्षेप ने इस गिरावट का कारण बनाया। इसके बजाय, इसने संचरण की तीव्रता में परिवर्तन को एक तथ्य के रूप में पहचाना, और इसके विशिष्ट कारणों को—चाहे वे व्यवहार संबंधी परिवर्तन हों, नए वेरिएंट हों, या अन्य कारक हों—अलग से जांच के लिए छोड़ दिया।

इस बेहतर मॉडल के बावजूद, शोधकर्ताओं ने पाया कि कहानी पूरी तरह से सुचारू नहीं थी। जब उन्होंने मॉडल के अनुमानों और वास्तविक रिपोर्ट किए गए नंबरों के बीच के अंतर को देखा, तो एक स्पष्ट साप्ताहिक पैटर्न उभर कर आया। मॉडल सप्ताहांत (weekends) पर मामलों को बढ़ाकर दिखाता है और कार्यदिवसों (weekdays) पर कम दिखाता है। यह निगरानी में एक सामान्य घटना है, जो संभवतः इस कारण से है कि परीक्षण, प्रयोगशाला प्रसंस्करण और रिपोर्टिंग अक्सर सप्ताहांत पर धीमी हो जाती है और सप्ताह के दौरान पकड़ में आती है। यह खोज एक महत्वपूर्ण अंतर को उजागर करती है: मॉडल ने महामारी के बड़े चित्र को सफलतापूर्वक पकड़ा, लेकिन यह रिपोर्टिंग प्रणाली की दैनिक प्रशासनिक लय का हिसाब नहीं रख सका। अध्ययन निष्कर्ष निकालता है कि जबकि सरल मॉडल प्रकोप को समझने के लिए शक्तिशाली उपकरण हैं, उन्हें यह समझने के लिए सावधानीपूर्वक जाँच के साथ जोड़ा जाना चाहिए कि वे क्या चूक जाते हैं। एक एकल निरंतर दर को थोपने के बजाय डेटा को स्वयं बोलने देने से, अध्ययन ने एक स्पष्ट और अधिक ईमानदार तस्वीर प्रदान की कि चीन में 2025 की लहर कैसे आगे बढ़ी, जो तीव्र वृद्धि के दौर से एक लंबी, स्थिर गिरावट की ओर बढ़ी।