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

流行病は静的な出来事ではありません。それは、人々の動きとウイルスの動きの中に刻まれる、生きた物語なのです。これらの物語を理解するために、科学者たちはしばしば「コンパートメント・モデル」と呼ばれる単純なメンタルマップを使用します。人口が4つのグループに分かれていることを想像してみてください。感染する可能性のある人々、感染したがまだ発症していない人々、発症して周囲に広める可能性がある人々、そして回復したか、あるいは循環から除外された人々です。SEIRとして知られるこの枠組みにより、研究者は感染が時間の経過とともにコミュニティ内をどのように流れていくかを追跡することができます。この流れを駆動するエンジンは「伝播率」であり、これはウイルスがいかに容易に一人から別の人へと飛び移るかを表す数値です。数十年にわたり、これらのモデルにおける一般的な仮定は、この率が野原を吹き抜ける一定の風のように、一定に保たれているというものでした。しかし、現実世界の発生事例は、これほど一様な振る舞いをすることは滅多にありません。ワクチンの普及、人々の相互作用の変化、新しい変異株の出現、季節的な変化などはすべて、この風を変え、時には急激に変えることがあります。科学者にとっての課題は、グラフ上のデータに基づいた単なる推測ではなく、いつ、どのようにしてこれらの変化が起こったのかを判断することです。

2026年8月に発表された研究の中で、研究者のリリン・シュ（Lilin Xu）は、中国における2025年の新型コロナウイルス感染症の波を調査することで、この問いに取り組みました。データは明確なパターンを示していました。症例数は春に急増し、5月下旬にピークに達した後、夏にかけて長く安定した減少へと転じました。中心となる問いは、このプロセス全体が単一の不変の伝播率によって説明できるのか、それともウイルスの挙動がどこかの時点で根本的に変化したのか、ということでした。この答えを見つけるために、シュは単に症例数がピークに達した日を選んで、そこで伝播率が変わったと断定したのではありません。代わりに、この研究では、変化のタイミングを「データ自身によって解明されるべき謎」として扱いました。研究者は、数千もの起こりうる日付をテストし、それぞれの転換点に対してモデルを日々の症例数に適合させました。その目的は、精度を評価しつつ不要な複雑さにペナルティを課す厳格な統計的手法を用いて、数学的なアウトブレイクの記述が現実世界の数値に最もよく適合する特定の期日を見つけ出すことでした。

分析の結果、一定の伝播率を想定したモデルは、流行の真の形状を捉えることに失敗することが明らかになりました。そのモデルは、5月の急速な上昇と、その後に続いた持続的な減少を同時に説明することができなかったのです。しかし、モデルに2つの異なる伝播率（特定の期日の前と後）を許容させたところ、適合度は劇的に向上しました。データは、2025年5月24日を、変化の最も可能性の高い瞬間として指し示しました。この日付は、観察された日次症例数のピークの2日前であり、これは生物学的な観点からも理にかなっています。なぜなら、変化の前に発生した感染は、数日間はその後も継続して発症や報告が続くためです。この転換点の前において、モデルはウイルスが「拡大局面」にあることを示しており、そこでは感染した一人が他の一人以上に感染させる可能性が高い状態でした。変化の後、伝播率は大幅に低下し、流行を、ウイルスがもはや成長を維持できない「収縮局面」へと移行させました。

この研究は、この結論が特定の数値の選択による偶然の産物ではないことを確実にするために、細心の注意を払いました。研究者は、人々がどの程度の期間感染力を持ち続けるか、また症状が出る前の潜伏期間がどの程度であるかという、幅広い仮定に対してモデルをテストしました。あらゆるシナリオにおいて、核心となる発見は変わりませんでした。すなわち、流行は「拡大」の状態から「収縮」の状態へと移動したということです。また、報告される症例数は実際の感染のほんの一部であることを認め、データのスケールを調整した場合でも、この結論は安定していました。この堅牢性は、伝播の変化が、データの測定方法や解釈による人工的なものではなく、2025年の波における実在的な構造的特徴であったことを示唆しています。本研究は、特定の政府方針や介入がこの低下を引き起こしたと主張することを明確に避けました。代わりに、伝播強度の変化を一つの事実として特定し、その具体的な原因（行動の変化なのか、新しい変異株なのか、あるいは他の要因なのか）については、別途調査されるべき事項として残しました。

この改良されたモデルを用いてもなお、研究者たちは、物語が完全に滑らかではないことを見出しました。モデルの予測値と実際の報告数の差に注目すると、明確な週単位のパターンが現れました。モデルは週末に症例数を過大評価し、平日に過小評価する傾向がありました。これは疾病サーベイランスにおいてよく見られる現象であり、検査、ラボでの処理、および報告が週末に遅れ、週明けに追いつくという事実によって引き起こされていると考えられます。この発見は、重要な区別を浮き彫りにしています。すなわち、モデルは流行の大きな軌跡を捉えることには成功しましたが、報告システムの日常的な事務的リズムを説明することはできなかったということです。本研究は、単純なモデルはアウトブレイクの全体像を理解するための強力なツールであるが、それらが何を逃しているのかを理解するためには、注意深い検証と併用されなければならないと結論付けています。データを無理に単一の一定の率に当てはめるのではなく、データ自身に語らせることで、本研究は、中国における2025年の波が、急速な成長期から長く安定した減少期へとどのように展開したのかについて、より明確で誠実な姿を提供したのです。