SEIR-XAI: Inferencia explicable de la transmisión epidémica para análisis de escenarios y apoyo a decisiones

• Marco Hernández Pérez ^[1] ; Pablo-Enrique Guillem Fernández ^[1] ; Javier Prieto ^[1]
  1. [1] Universidad de Salamanca

     Universidad de Salamanca

     Salamanca, España

     
• Localización: Inteligencia artificial aplicada al reto demográfico / coord. por Ana Belén Gil González , Laura Grande Pérez, Javier Parra Domínguez , 2026, ISBN 978-84-1091-189-5, págs. 115-118
• Idioma: español
• Títulos paralelos:
  • SEIR-XAI: Explainable inference of epidemic transmission for scenario analysis and decision support
• Enlaces
  • Texto completo
• Resumen
  • español

    Los modelos epidemiológicos clásicos SEIR ofrecen interpretabilidad, pero presentan una flexibilidad limitada para capturar factores contextuales dinámicos, mientras que los enfoques de aprendizaje automático suelen carecer de transparencia. Presentamos SEIR-XAI, un marco híbrido que integra un modelo SEIR en tiempo discreto con aprendizaje automático explicable para inferir la tasa de transmisión efectiva β como una variable dependiente del contexto. Mediante modelos interpretables y explicaciones basadas en SHAP, SEIR-XAI permite un análisis tanto global como local de cómo las intervenciones políticas y los factores ambientales influyen en la dinámica de transmisión. La evaluación con datos de COVID-19 muestra una mejora en el ajuste del modelo en comparación con un modelo SEIR base, manteniendo al mismo tiempo la interpretabilidad. Los resultados ponen de relieve que una modelización epidémica eficaz no debe centrarse únicamente en la precisión predictiva, sino también en proporcionar información transparente y accionable para el apoyo a la toma de decisiones.

  • English

    Classical SEIR epidemiological models offer interpretability but limited flexibility to capture dynamic contextual factors, while machine learning approaches often lack transparency. We present SEIR-XAI, a hybrid framework that integrates a discrete-time SEIR model with explainable machine learning to infer the effective transmission rate β as a context-dependent variable. Using interpretable models and SHAP-based explanations, SEIRXAI enables both global and local analysis of how policy interventions and environmental factors influence transmission dynamics. Evaluation on COVID-19 data shows improved model fit compared to a baseline SEIR model while preserving interpretability. The results highlight that effective epidemic modeling should not only aim at predictive accuracy, but also at providing transparent and actionable insights for decision support.