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

Epidemieën zijn geen statische gebeurtenissen; het zijn levende verhalen die geschreven worden door de beweging van mensen en virussen. Om deze verhalen te begrijpen, gebruiken wetenschappers vaak een eenvoudige mentale kaart die een compartimentmodel wordt genoemd. Stel je een populatie voor die verdeeld is in vier groepen: zij die de ziekte kunnen oplopen, zij die de ziekte hebben opgelopen maar nog niet ziek zijn, zij die ziek zijn en het kunnen verspreiden, en zij die hersteld zijn of uit de cyclus zijn verwijderd. Dit kader, bekend als SEIR, stelt onderzoekers in staat om te traceren hoe een infectie zich in de loop van de tijd door een gemeenschap beweegt. De motor die deze doorstroom aandrijft, is de transmissierate, een getal dat vertegenwoordigt hoe gemakkelijk het virus van de ene persoon naar de andere springt. Decennialang was een veelvoorkomende aanname in deze modellen dat deze snelheid constant bleef, als een constante wind die door een veld blaast. Echter, echte uitbraken gedragen zich zelden met zulke uniformiteit. Vaccins, veranderingen in hoe mensen met elkaar omgaan, nieuwe virusvarianten en seizoensgebonden verschuivingen kunnen al die wind veranderen, soms abrupt. De uitdaging voor wetenschappers is om te bepalen wanneer en hoe deze verschuivingen plaatsvinden zonder simpelweg te gokken op basis van hoe de data er op een grafiek uitziet.

In een studie gepubliceerd in augustus 2026 onderzocht onderzoeker Lilin Xu de COVID-19-golf van 2025 in China. De gegevens toonden een duidelijk patroon: de gevallen namen in de lente scherp toe, bereikten een hoogtepunt eind mei, en begonnen daarna een lange, gestage daling gedurende de zomer. De centrale vraag was of deze hele reis verklaard kon worden door een enkele, onveranderlijke transmissierate, of dat het gedrag van het virus op een bepaald punt fundamenteel was veranderd. Om het antwoord te vinden, koos Xu niet simpelweg de dag waarop de gevallen piekten en verklaarde dat de transmissierate toen veranderde. In plaats daarvan behandelde de studie de timing van de verandering als een mysterie dat door de data zelf opgelost moest worden. De onderzoeker testte duizenden mogelijke data door het model aan te passen aan de dagelijkse aantallen gevallen voor elk potentieel keerpunt. Het doel was om de specifieke datum te vinden waarop de wiskundige beschrijving van de uitbraak het beste bij de werkelijke cijfers paste, gebruikmakend van een rigoureuze statistische methode die nauwkeurigheid beloont terwijl het onnodige complexiteit bestraft.

De analyse onthulde dat een model dat uitgaat van een constante transmissierate er niet in slaagde de ware vorm van de epidemie te vatten. Het kon niet tegelijkertijd de snelle stijging in mei en de aanhoudende daling die volgde, verklaren. Wanneer het model echter werd toegestaan om twee verschillende transmissierates te hebben—één vóór een specifieke datum en één daarna—verbeterde de fit spectaculair. De data wezen op 24 mei 2025 als het meest waarschijnlijke moment van verandering. Deze datum lag twee dagen vóór het geobserveerde piek van de dagelijkse gevallen, een timing die biologisch zinvol is omdat infecties die vóór de verandering plaatsvonden, nog enkele dagen later kunnen doorontwikkelen en gerapporteerd zullen worden. Vóór dit keerpunt gaf het model aan dat het virus zich verspreidde in een expanderend regime, waarbij elke geïnfecteerde persoon waarschijnlijk meer dan één andere persoon infecteert. Na de verandering daalde de transmissierate aanzienlijk, waardoor de epidemie verschoof naar een contracterende fase waarin het virus niet langer in staat was om zijn groei in stand te houden.

De studie deed er alles aan om te waarborgen dat deze conclusie geen toevalstreffer was van de specifiek gekozen cijfers. De onderzoeker testte het model tegen een breed scala aan aannames over hoe lang mensen besmettelijk bleven en hoe lang zij de incubatieperiode doorbrachten voordat zij symptomen vertoonden. In elk scenario bleef de kernbevinding overeind: de epidemie bewoog van een staat van expansie naar een staat van contractie. De conclusie bleef ook stabiel wanneer de onderzoeker de schaal van de data aanpaste, in erkenning dat gerapporteerde gevallen slechts een fractie zijn van alle werkelijke infecties. De studie vermeed expliciet de claim dat een specifiek overheidsbeleid of een interventie deze daling veroorzaakte. In plaats daarvan identificeerde zij de verandering in transmissie-intensiteit als een feit, en liet zij de specifieke oorzaken—of het nu ging om gedragsveranderingen, nieuwe varianten of andere factoren—apart onderzoeken.

Zelfs met dit verbeterde model ontdekten de onderzoekers dat het verhaal niet perfect vloeiend was. Wanneer zij naar de verschillen tussen de voorspellingen van het model en de werkelijk gerapporteerde aantallen keken, kwam er een duidelijk wekelijks patroon naar voren. Het model had de neiging om gevallen in het weekend te overschatten en op weekdagen te onderschatten. Dit is een veelvoorkomend fenomeen in ziekte-surveillance, waarschijnlijk veroorzaakt door het feit dat testen, laboratoriumverwerking en rapportage in het weekend vaak vertragen en tijdens de week inhalen. Deze bevinding benadrukt een belangrijk onderscheid: het model legde de brede, meermaandelijkse trajectorie van de epidemie succesvol vast, maar kon de dagelijkse administratieve ritmes van het rapportagesysteem niet verklaren. De studie concludeert dat hoewel eenvoudige modellen krachtige instrumenten zijn om het grote plaatje van een uitbraak te begrijpen, ze gepaard moeten gaan met zorgvuldige controles om te begrijpen wat zij missen. Door de data voor zichzelf te laten spreken in plaats van een enkele constante snelheid op te leggen, bood de studie een helderder, eerlijker beeld van hoe de golf van 2025 in China zich ontvouwde, van een periode van snelle groei naar een lange, gestage daling.