Generalized SEIR model and a new reproduction number reflecting the real epidemic dynamics

Sintesi Tecnica: Modello SEIR Generalizzato e un Nuovo Numero di Riproduzione che Riflette la Dinamica Reale delle Epidemie

Enunciato del Problema
I modelli esistenti per la dinamica epidemica, come il classico modello SIR, spesso non riescono a tenere conto di fattori critici tra cui il periodo di incubazione (il compartimento esposto), le infezioni nascoste (asintomatiche), le riinfezioni e gli effetti delle vaccinazioni e dei nati. Modelli precedenti proposti dall'autore hanno affrontato le dinamiche nascoste e le riinfezioni, ma hanno trascurato il compartimento esposto ($E$). Inoltre, le definizioni standard del numero di riproduzione efficace ($R_t$) si basano esclusivamente sui casi visibili (sintomatici), il che può non riflettere accuratamente il reale tasso di diffusione dell'infezione quando una parte significativa della popolazione è asintomatica o non registrata. Il presente articolo affronta la necessità di un modello più completo che integri il compartimento esposto con le dinamiche nascoste e propone una nuova metrica per riflettere meglio l'andamento reale delle epidemie.

Metodologia
L'autore propone un modello SEIR (Suscettibile-Esposto-Infetto-Rimosso) generalizzato composto da sei equazioni differenziali accoppiate. Questo modello amplia il lavoro precedente introducendo un compartimento per le persone esposte ($E$) e dividendo entrambe le popolazioni infette ($I$) e rimosse ($R$) in sottocompartimenti visibili (registrati) e nascosti (non registrati/asintomatici).

Le caratteristiche chiave del quadro matematico includono:

• Sei Equazioni Differenziali: Che governano la dinamica di Suscettibili ($S$), Esposti ($E$), Infetti Visibili ($I^v$), Infetti Nascosti ($I^h$), Rimossi Visibili ($R^v$) e Rimossi Nascosti ($R^h$).
• Parametri: Il modello incorpora 14 parametri ignoti per ogni ondata epidemica, tra cui i tassi di infezione ($\alpha$), i tassi di rimozione ($\rho$), i tassi di decadimento dell'immunità ($\delta$), il coefficiente di visibilità ($\beta$) e un coefficiente ($\mu$) che rappresenta il tasso netto di variazione della popolazione suscettibile dovuto a nascite, vaccinazioni e riinfezioni.
• Identificazione dei Parametri: L'autore propone un metodo per identificare questi 14 parametri utilizzando il metodo dei minimi quadrati, adattando il modello ai numeri osservati di casi registrati ($D_j$) giornalieri, settimanali o mensili. Il modello mette in relazione la derivata dei casi rimossi visibili con i dati osservati.
• Nuovo Numero di Riproduzione ($R_\tau^E$): Viene definito un nuovo numero di riproduzione basato sul rapporto tra le persone esposte al tempo $t$ rispetto a $t-\tau$. Fondamentalmente, l'articolo dimostra che questo tasso può essere stimato utilizzando solo il rapporto tra i casi registrati giornalieri (o settimanali), collegando efficacemente i dati visibili alla dinamica della popolazione esposta nascosta.

Contributi Chiave

1. Struttura del Modello Generalizzato: L'introduzione di un modello SEIR a sei equazioni che tiene conto simultaneamente del periodo di incubazione, delle infezioni nascoste, delle riinfezioni e dei cambiamenti demografici (nascite/vaccinazioni).
2. Metodo di Stima dei Parametri: Una procedura specifica per stimare i 14 parametri del modello utilizzando dati epidemiologici standard (conteggi cumulativi o giornalieri dei casi) senza richiedere l'osservazione diretta dei casi nascosti.
3. Numero di Riproduzione Revisionato: La proposta di un numero di riproduzione ($R_\tau^E$) che riflette il tasso crescente o decrescente delle persone esposte. L'articolo stabilisce che il rapporto tra i conteggi consecutivi dei casi registrati giornalieri (o settimanali) funge da stimatore valido per questo tasso, fornendo uno strumento pratico per le decisioni di controllo epidemico.
4. Analisi dell'Equilibrio: L'articolo fornisce un'analisi dei punti di equilibrio, notando che un equilibrio non nullo (stato endemico) è possibile solo quando il tasso netto di crescita dei suscettibili ($\mu$) è diverso da zero.

Risultati
Il modello è stato applicato per simulare l'epidemia di pertosse (tosse convulsa) in Inghilterra dal 2023 al 2025.

• Scenari di Simulazione:
  • $\mu = 0$: Simulazioni che assumono nessuna crescita netta nella popolazione suscettibile (ad esempio, una vaccinazione perfetta che bilancia le nascite) hanno prodotto una diminuzione monotona dei casi dopo un picco, suggerendo una durata limitata dell'epidemia.
  • $\mu > 0$: Le simulazioni che incorporano un tasso di crescita netto positivo (riflettendo tassi di natalità superiori all'efficacia della vaccinazione) hanno prodotto onde epidemiche oscillanti con un periodo di circa 2500 giorni (6,85 anni).
• Validazione: Il modello con $\mu = 7,48 \text{ al giorno}$ ha mostrato un forte accordo con i dati storici e le osservazioni recenti (2025) dei casi di pertosse in Inghilterra.
• Previsione: Sulla base del modello calibrato, l'articolo prevede che il numero di nuovi casi di pertosse in Inghilterra inizierà ad aumentare nuovamente nel periodo luglio–settembre 2027. Il modello indica che il numero di persone esposte inizierà a salire immediatamente dopo il minimo nei casi registrati giornalieri.

Significatività e Rivendicazioni
L'articolo sostiene che il proposto modello SEIR generalizzato offre una rappresentazione più realistica delle dinamiche epidemiche integrando il periodo di incubazione e la trasmissione nascosta. La significatività primaria risiede nella capacità di:

• Prevedere future ondate epidemiche (specificamente la risorgenza della pertosse del 2027 in Inghilterra) con alta precisione utilizzando solo i dati dei casi registrati.
• Fornire una definizione pratica e basata sui dati del numero di riproduzione che tenga conto delle dinamiche nascoste, consentendo agli epidemiologi di monitorare il reale tasso di diffusione dell'infezione utilizzando la sorveglianza standard.
• Dimostrare che, sebbene una vaccinazione intensiva possa teoricamente ridurre la durata dell'epidemia, potrebbe non essere sufficiente a prevenire oscillazioni a lungo termine se i tassi di natalità e il decadimento dell'immunità non sono adeguatamente compensati.

L'autore osserva che l'elevato numero di parametri (14) complica l'ottimizzazione, suggerendo che la ricerca futura dovrebbe utilizzare l'High Performance Computing (HPC) e i metodi di Intelligenza Artificiale per l'identificazione dei parametri su larga scala. Lo studio conclude che il modello riesce a colmare il divario tra la dinamica dei compartimenti teorici e i dati osservabili del mondo reale.