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

Sintesi Tecnica: Un pre-processore universale basato sulla convoluzione per correggere il divario tra prevalenza e incidenza nella modellazione SIR, SEIR e SIRS

Problematica
Nonostante la diffusione dei modelli compartimentali (SIR, SEIR, SIRS) per la previsione epidemica sin dal 2019, questi framework falliscono costantemente nel conformarsi alla validazione dei dati reali, risultando spesso in sottostime del picco fino al 50%. Gli autori identificano un "errore metodologico fondamentale" persistente al cuore di questo fallimento: la calibrazione diretta di modelli basati sulla prevalenza (stock) utilizzando dati di incidenza grezzi (flusso).

Nella modellazione epidemiologica standard, il compartimento infettivo $I(t)$ rappresenta una variabile di prevalenza (lo stock di casi attivi correnti). Tuttavia, i sistemi di segnalazione clinica (ad es. l'OMS) forniscono tipicamente dati di incidenza (Nuovi Casi Giornalieri, o NDC), che rappresentano il flusso di nuove infezioni. Il documento sostiene che equiparare queste due entità matematiche distinte — trattando la derivata temporale dei casi cumulativi come il conteggio dei casi attivi — crea un disallineamento strutturale. Questo errore non viene risolto aumentando la complessità del modello; l'aggiunta di compartimenti per la latenza (SEIR) o l'indebolimento dell'immunità (SIRS) non fa altro che propagare il divario incidenza-prevalenza nei tassi di transizione dei nuovi compartimenti, portando a bias sistematici nella stima dei periodi di latenza e della "coda pesante" dell'endemicità.

Metodologia
Gli autori propongono un protocollo di pre-processore universale basato su una convoluzione pesata esponenzialmente per ricostruire i casi attivi ($I(t)$) a partire dall'incidenza riportata ($NDC(t)$). La metodologia procede in due fasi:

1. Correzione della Posizione del Picco: Inizialmente, gli autori affrontano il disallineamento temporale. Poiché la prevalenza è un accumulo di incidenza recente meno le guarigioni, propongono di integrare l'incidenza su una finestra scorrevole definita dal periodo infettivo medio ($1/\gamma$). Ciò sposta il tempo del picco per allinearlo alla curva di prevalenza reale.
2. Correzione dell'Ampiezza del Picco e Strutturale: Riconoscendo che una semplice finestra scorrevole tratta la guarigione come una "funzione a gradino" (guarigione istantanea dopo esattamente $1/\gamma$ giorni), gli autori introducono una correzione matematica più rigorosa. Modellano la guarigione come un processo di decadimento esponenziale e tengono conto della sottosegnalazione dei dati (casi asintomatici e ritardi nei test) tramite un tasso di accertamento ($p$).

La trasformazione universale proposta è definita come:
$$I(t) \simeq \frac{1}{p} \int_{0}^{t} NDC(\tau)e^{-\gamma(t-\tau)} d\tau$$

Dove:

• $NDC(\tau)$ è l'incidenza giornaliera osservata.
• $\gamma$ è il tasso di guarigione (che definisce il periodo infettivo).
• $e^{-\gamma(t-\tau)}$ funge da peso della probabilità di sopravvivenza, garantendo che l'incidenza passata sia scontata in base alla probabilità che tali individui rimangano infettivi al tempo $t$.
• $p$ è il tasso di accertamento ($0 < p \leq 1$), che corregge la frazione di infezioni reali catturate dal sistema sanitario.

Contributi Chiave

• Identificazione di un Errore Sistematico: Il documento categorizza formalmente l'uso diretto di dati di incidenza grezzi in modelli basati sullo stock come un errore metodologico fondamentale che persiste attraverso i framework SIR, SEIR e SIRS.
• Protocollo di Pre-processore Universale: Gli autori introducono una specifica formula di convoluzione che funge da prerequisito obbligatorio per la calibrazione di qualsiasi modello compartimentale. Questo protocollo colma il divario tra la segnalazione clinica (incidenza) e la modellazione meccanicistica (prevalenza).
• Correzione di Modelli Complessi: Lo studio dimosta che l'aggiunta strutturale di latenza (SEIR) o l'indebolimento dell'immunità (SIRS) non risolve intrinsecamente il disallineamento dei dati. Senza il pre-processore proposto, questi modelli avanzati ereditano gli stessi bias sistematici, portando a stime errate dei tassi di transizione e della perdita di immunità.

Risultati
I risultati delle simulazioni presentati nel documento indicano che, senza questa trasformazione:

• I modelli soffrono di significative sottostime del picco (fino al 50%) e disallineamento temporale (il picco di incidenza avviene prima di quello di prevalenza).
• La "coda pesante" dell'endemicità viene sistematicamente sottostimata.
• Nei modelli SEIR, il periodo di latenza è stimato erroneamente perché il compartimento infettivo è disallineato con i dati di input.
• Nei modelli SIRS, il tasso di perdita di immunità è interpretato erroneamente a causa della distorsione della coda della curva.

Applicando la convoluzione proposta, gli autori mostrano che la curva di prevalenza ricostruita ($I(t)$) si allinea con successo ai requisiti teorici delle equazioni differenziali, correggendo sia il tempo che l'ampiezza del picco epidemico.

Significatività e Rivendicazioni
Il documento afferma che la trasformazione di convoluzione proposta non è meramente un raffinamento opzionale, ma un prerequisito universale per qualsiasi framework compartimentale. Gli autori sostengono che aumentare la complessità strutturale (passando da SIR a SEIR/SIRS) non può compensare l'errore fondamentale di disallineamento dei dati. Al contrario, il "divario incidenza-prevalenza" deve essere colmato nella fase di input dei dati.

La significatività di questo lavoro risiede nella sua asserzione che l'errore metodologico fondamentale è stato trascurato nella letteratura esistente, dove la convoluzione è spesso trattata come una prova autonoma piuttosto che come un requisito di calibrazione universale. Implementando questo pre-processore, il documento pone che la previsione epidemiologica può raggiungere un livello di accuratezza che allinea la segnalazione clinica con la modellazione meccanicistica, risolvendo così i fallimenti predittivi osservati nelle recenti risposte alle pandemie.