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

Technische Samenvatting: Een Universele Convolutie-gebaseerde Pre-processor om de Prevalentie-Incidentie Kloof in SIR-, SEIR- en SIRS-modellering te Corrigeren

Probleemstelling
Ondanks de brede adoptie van compartimentele modellen (SIR, SEIR, SIRS) voor epidemische voorspellingen sinds 2019, slagen deze kaders er consequent niet in om aan de realiteit van gevalideerde data te voldoen, wat vaak resulteert in onderschattingen van de piek met wel 50%. De auteurs identificeren een hardnekkige "fundamentele methodologische fout" die ten grondslag ligt aan dit falen: de directe kalibratie van prevalentie-gebaseerde (voorraad/stock) modellen met behulp van ruwe dagelijkse incidentie (stroom/flow) data.

In standaard epidemiologische modellering vertegenwoordigt het infectieuze compartiment $I(t)$ een prevalentievariabele (de voorraad van momenteel actieve gevallen). Echter, klinische rapportagesystemen (bijv. WHO) leveren doorgaans incidentiegegevens (Nieuwe Dagelijkse Gevallen, of NDC), wat de stroom van nieuwe infecties vertegenwoordigt. Het artikel betoogt dat het gelijkstellen van deze twee verschillende wiskundige entiteiten — waarbij de tijd afgeleide van cumulatieve gevallen wordt behandeld als het aantal actieve gevallen — een structurele mismatch creëert. Deze fout wordt niet opgelost door de modelcomplexiteit te vergroten; het toevoegen van compartimenten voor latentie (SEIR) of afnemende immuniteit (SIRS) zorgt er enkel voor dat de incidentie-prevalentie kloof wordt voortgeplant naar de transitie-snelheden van de nieuwe compartimenten, wat leidt tot systematische biases in de schatting van latente perioden en de "heavy tail" van endemiciteit.

Methodologie
De auteurs stellen een universeel pre-processor protocol voor, gebaseerd op een exponentieel gewogen convolutie om actieve gevallen ($I(t)$) te reconstrueren uit gerapporteerde incidentie ($NDC(t)$). De methodologie verloopt in twee fasen:

1. Correctie van de Piekpositie: In eerste instantie pakken de auteurs de temporele mismatch aan. Omdat prevalentie een accumulatie is van recente incidentie minus herstel, stellen zij voor de incidentie te integreren over een glijdend venster dat wordt gedefinieerd door de gemiddelde infectieuze periode ($1/\gamma$). Dit verschuift de timing van de piek om in lijn te komen met de ware prevalentiecurve.
2. Correctie van de Piekamplitude en Structuur: Erkennend dat een eenvoudig glijdend venster herstel behandelt als een "stapfunctie" (instantane herstel na exact $1/\gamma$ dagen), introduceren de auteurs een striktere wiskundige correctie. Zij modelleren herstel als een exponentieel vervalproces en houden rekening met onderrapportage van data (asymptomatische gevallen en testvertragingen) via een vaststellingspercentage (ascertainment rate) ($p$).

De voorgestelde universele transformatie wordt gedefinieerd als:
$$I(t) \simeq \frac{1}{p} \int_{0}^{t} NDC(\tau)e^{-\gamma(t-\tau)} d\tau$$

Waar:

• $NDC(\tau)$ de geobserveerde dagelijkse incidentie is.
• $\gamma$ de herstelsnelheid is (die de infectieuze periode definieert).
• $e^{-\gamma(t-\tau)}$ fungeert als een overlevingskansgewicht, wat ervoor zorgt dat de incidentie uit het verleden wordt gedisconteerd op basis van de waarschijnlijkheid dat die individuen op tijdstip $t$ nog steeds infectieus zijn.
• $p$ de vaststellingsgraad is ($0 < p \leq 1$), die corrigeert voor het deel van de werkelijke infecties dat door het gezondheidszorgsysteem wordt gevangen.

Kernbijdragen

• Identificatie van een Systematische Fout: Het artikel categoriseert het directe gebruik van ruwe incidentiedata in stock-gebaseerde modellen formeel als een fundamentele methodologische fout die persisteert binnen SIR-, SEIR- en SIRS-kaders.
• Universeel Pre-processor Protocol: De auteurs introduceren een specifieke convolutieformule die dient als een verplichte voorwaarde voor de kalibratie van elk compartimenteel model. Dit protocol overbrugt de kloof tussen klinische rapportage (incidentie) en mechanistische modellering (prevalentie).
• Correctie van Complexe Modellen: De studie toont aan dat structurele toevoegingen zoals latentie (SEIR) of afnemende immuniteit (SIRS) de data-misalignment niet inherent oplossen. Zonder de voorgestelde pre-processor erven deze geavanceerde modellen dezelfde systematische biases, wat leidt tot onjuiste schattingen van transitie-snelheden en het verlies van immuniteit.

Resultaten
Simulatie-resultaten gepresenteerd in het artikel geven aan dat modellen zonder deze transformatie:

• Lijden onder significante onderschattingen van de piek (tot 50%) en temporele misalignement (incidentie piekt eerder dan prevalentie).
• De "heavy tail" van endemiciteit systematisch onderschatten.
• In SEIR-modellen de latente periode onjuist inschatten omdat het infectieuze compartiment niet is uitgelijnd met de inputdata.
• In SIRS-modellen de snelheid van immuunverlies verkeerd interpreteren door de verstoring van de staart van de curve.

Door de voorgestelde convolutie toe te passen, laten de auteurs zien dat de gereconstrueerde prevalentiecurve ($I(t)$) succesvol aansluit bij de theoretische vereisten van de differentiaalvergelijkingen, waarbij zowel de timing als de amplitude van de epidemische piek worden gecorrigeerd.

Betekenis en Claims
Het artikel claimt dat de voorgestelde convolutie-transformatie niet louter een optionele verfijning is, maar een universele vereiste voor elk compartimenteel kader. De auteurs betogen dat het vergroten van de structurele complexiteit (de overstap van SIR naar SEIR/SIRS) de fundamentele fout van data-misalignment niet kan compenseren. In plaats daarvan moet de "incidentie-prevalentie kloof" worden gesloten bij de data-inputfase.

De betekenis van dit werk ligt in de stelling dat de "fundamentele methodologische fout" over het hoofd is gezien in de bestaande literatuur, waar convolutie vaak wordt behanden als een op zichzelf staand bewijs in plaats van een universele kalibratievereiste. Door deze pre-processor te implementeren, stelt het artikel dat epidemische voorspelling een niveau van nauwkeurigheid kan bereiken dat klinische rapportage in lijn brengt met mechanistische modellering, waardoor de voorspellende tekortkomingen die tijdens recente pandemieën zijn waargenomen, kunnen worden opgelost.