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

Resumo Técnico: Um Pré-processador Universal Baseado em Convolução para Corrigir a Lacuna Prevalência-Incidência em Modelagens SIR, SEIR e SIRS

Definição do Problema
Apesar da ampla adoção de modelos compartimentais (SIR, SEIR, SIRS) para a previsão de epidemias desde 2019, esses frameworks falham consistentemente no alinhamento com a validação de dados do mundo real, resultando frequentemente em subestimativas de pico de até 50%. Os autores identificam um "erro metodológico fundamental" persistente no cerne dessa falha: a calibração direta de modelos baseados em prevalência (estoque/stock) utilizando dados brutos de incidência diária (fluxo/flow).

Na modelagem epidemiológica padrão, o compartimento infeccioso $I(t)$ representa uma variável de prevalência (o estoque de casos ativos atuais). No entanto, os sistemas de notificação clínica (ex: OMS) tipicamente fornecem dados de incidência (Novos Casos Diários, ou NDC), que representam o fluxo de novas infecções. O artigo argumenta que equiparar essas duas entidades matemáticas distintas — tratar a derivada temporal de casos cumulativos como a contagem de casos ativos — cria um desalinhamento estrutural. Este erro não é resolvido pelo aumento da complexidade do modelo; adicionar compartimentos para latência (SEIR) ou perda de imunidade (SIRS) apenas propaga a lacuna incidência-prevalência para as taxas de transição dos novos compartimentos, levando a vieses sistemáticos na estimativa de períodos de latência e na "cauda longa" da endemicidade.

Metodologia
Os autores propõem um protocolo de pré-processamento universal baseado em uma convolução ponderada exponencialmente para reconstruir casos ativos ($I(t)$) a partir da incidência reportada ($NDC(t)$). A metodologia procede em dois estágios:

1. Correção da Posição do Pico: Inicialmente, os autores abordam o desalinhamento temporal. Como a prevalência é uma acumulação de incidência recente menos as recuperações, eles propõem integrar a incidência sobre uma janela deslizante definida pelo período infeccioso médio ($1/\gamma$). Isso desloca o tempo do pico para alinhar-se com a curva de prevalência real.
2. Correção de Amplitude de Pico e Estrutural: Reconhecendo que uma simples janela deslizante trata a recuperação como uma "função degrau" (recuperação instantânea após exatamente $1/\gamma$ dias), os autores introduzem uma correção matemática mais rigorosa. Eles modelam a recuperação como um processo de decaimento exponencial e contabilizam a subnotificação de dados (casos assintomáticos e atrasos de testagem) por meio de uma taxa de asserção ($p$).

A transformação universal proposta é definida como:
$$I(t) \simeq \frac{1}{p} \int_{0}^{t} NDC(\tau)e^{-\gamma(t-\tau)} d\tau$$

Onde:

• $NDC(\tau)$ é a incidência diária observada.
• $\gamma$ é a taxa de recuperação (definindo o período infeccioso).
• $e^{-\gamma(t-\tau)}$ atua como um peso de probabilidade de sobrevivência, garantindo que a incidência passada seja descontada com base na probabilidade de esses indivíduos permanecerem infecciosos no tempo $t$.
• $p$ é a taxa de asserção ($0 < p \leq 1$), corrigindo para a fração de infecções reais capturadas pelo sistema de saúde.

Principais Contribuições

• Identificação de um Erro Sistemático: O artigo categoriza formalmente o uso direto de dados brutos de incidência em modelos de estoque como um erro metodológico fundamental que persiste através das estruturas SIR, SEIR e SIRS.
• Protocolo de Pré-processador Universal: Os autores introduzem uma fórmula de convolução específica que serve como um pré-requisito obrigatório para calibrar qualquer modelo compartimental. Este protocolo une a lacuna entre o relato clínico (incidência) e a modelagem mecanística (prevalência).
• Correção de Modelos Complexos: O estudo demonstra que adições estruturais como latência (SEIR) ou perda de imunidade (SIRS) não corrigem inerentemente o desalinhamento de dados. Sem o pré-processador proposto, esses modelos avançados herdam os mesmos vieses sistemáticos, levando a estimativas incorretas de taxas de transição e perda de imunidade.

Resultados
Os resultados de simulação apresentados no artigo indicam que, sem esta transformação:

• Os modelos sofrem subestimativas significativas de pico (até 50%) e desalinhamento temporal (a incidência atinge o pico antes da prevalência).
• A "cauda longa" da endemicidade é sistematicamente subestimada.
• Em modelos SEIR, o período de latência é incorretamente estimado porque o compartimento infeccioso está desalinhado com os dados de entrada.
• Em modelos SIRS, a taxa de perda de imunidade é mal interpretada devido à distorção da cauda da curva.

Ao aplicar a convolução proposta, os autores mostram que a curva de prevalência reconstruída ($I(t)$) alinha-se com sucesso aos requisitos teóricos das equações diferenciais, corrigindo tanto o tempo quanto a amplitude do pico epidêmico.

Significância e Alegações
O artigo alega que a transformação de convolução proposta não é meramente um refinamento opcional, mas um pré-requisito universal para qualquer estrutura compartimental. Os autores argumentam que aumentar a complexidade estrutural (passando de SIR para SEIR/SIRS) não pode compensar o erro fundamental de desalinhamento de dados. Em vez disso, a "lacuna incidência-prevalência" deve ser fechada na etapa de entrada de dados.

A significância deste trabalho reside na sua afirmação de que a "transformação de convolução" tem sido frequentemente tratada na literatura como uma prova isolada, em vez de um requisito de calibração universal. Ao implementar este pré-processador, o artigo postula que a previsão epidemiológica pode alcançar um nível de precisão que alinha o relato clínico com a modelagem mecanística, resolvendo assim as falhas preditivas observadas nas recentes respostas pandêmicas.