Modelado SVIR con Caputo–Fabrizio normalizado y análisis de bifurcaciones

Por qué importa para entender los brotes

Cuando pensamos en epidemias, a menudo imaginamos curvas simples que suben y bajan a medida que una enfermedad se propaga y luego remite. Pero los brotes reales recuerdan su pasado: la velocidad con que la gente enfermó antes, cuándo se introdujeron las vacunas y cuánto dura la inmunidad moldean lo que viene después. Este artículo presenta una nueva forma de incorporar “memoria” directamente en modelos epidémicos que incluyen vacunación, con el objetivo de captar olas de infección más realistas sin que las matemáticas se vuelvan inestables o engañosas.

Una nueva manera de que las epidemias recuerden

Los autores trabajan dentro de un marco clásico que divide la población en cuatro grupos: las personas susceptibles (aún susceptibles de contraer la enfermedad), las vacunadas, las actualmente infecciosas y las recuperadas. Los modelos tradicionales describen cómo se mueve la gente entre estos grupos usando cálculo estándar, que trata la tasa de cambio presente como dependiente solo del estado actual. Aquí, los autores sustituyen la derivada temporal habitual por un operador “Caputo–Fabrizio normalizado”, una herramienta matemática especial que permite al modelo ponderar toda la historia del brote evitando picos infinitos o escalados arbitrarios. La normalización garantiza que los eventos pasados influyan en el presente como una media, en lugar de acumularse de forma irreal.

Cómo se comporta el modelo en teoría

Con esta formulación con memoria, el equipo verifica primero que el modelo se comporte de forma sensata. Demuestran que, para condiciones iniciales razonables, existe una única solución bien definida que mantiene los cuatro grupos poblacionales no negativos y preserva la población total a lo largo del tiempo. Identifican una familia de estados finales libres de enfermedad en los que todo el mundo está vacunado o recuperado y muestran que, matemáticamente, estos estados son estables: pequeñas introducciones de infección se extinguen en lugar de explotar, siempre que el número de reproducción efectivo sea inferior a uno. Incluso cuando se supera este umbral, el modelo solo permite que los brotes crezcan de forma temporal, no que se asienten en patrones extraños o no físicos a largo plazo.

Qué revelan las simulaciones sobre memoria y vacunación

Para ver qué significan las ecuaciones en la práctica, los autores realizan experimentos numéricos con distintos niveles de “fuerza de la memoria”, controlados por un parámetro de orden fraccionario. Cuando la memoria es fuerte, las curvas de infección suben más despacio, alcanzan el pico más tarde y llegan a niveles máximos menores, mientras que el grupo susceptible decrece más suavemente. Los grupos vacunados y recuperados se acumulan más gradualmente pero aún pueden alcanzar proporciones finales similares. Variar las tasas de infección y vacunación muestra cómo la memoria suaviza picos agudos y altos típicos de los modelos clásicos. El esquema numérico que diseñan reproduce el comportamiento dependiente de la historia del modelo sumando contribuciones de todos los pasos de tiempo anteriores, y verifican que su método converge de forma fiable y reproduce el modelo clásico familiar cuando se desactiva la memoria.

Cuándo no pueden ocurrir patrones complejos

Muchos estudios modernos buscan bifurcaciones—cambios cualitativos súbitos en el comportamiento epidémico, como la aparición de múltiples resultados estables u oscilaciones sostenidas que recuerdan olas recurrentes. Los autores realizan un análisis de bifurcación detallado y llegan a una conclusión clara para el escenario que estudian: en una población cerrada con vacunación constante y sin nacimientos, muertes ni fallos de la vacuna, el modelo no admite ni bifurcación inversa (donde la enfermedad puede persistir incluso cuando el número de reproducción está por debajo de uno) ni bifurcación de Hopf (que generaría ciclos interminables). Incluso cuando reemplazan los términos simples de infección por una forma saturada que normalmente favorece comportamientos más ricos, los únicos resultados a largo plazo siguen siendo estados libres de infección. Cualquier fluctuación observada en las simulaciones son ecos transitorios de las condiciones iniciales amplificados por la memoria, no olas repetitivas verdaderas.

Qué significa esto para el modelado epidémico futuro

En términos cotidianos, este trabajo muestra cómo construir modelos epidémicos que recuerdan su pasado de una manera controlada y físicamente significativa, sin perder un comportamiento matemático estable. El nuevo enfoque suaviza y estabiliza las curvas de los brotes bajo vacunación, pero en el escenario simplificado estudiado no puede por sí solo generar múltiples escenarios a largo plazo o ciclos permanentes. Para capturar fenómenos como olas estacionales recurrentes o la coexistencia de estados de alta y baja infección, los autores sostienen que los modeladores deben añadir complicaciones del mundo real—como nacimientos, muertes o vacunas imperfectas—sobre esta estructura de memoria. Su marco proporciona un punto de partida sólido para esos modelos más ricos, prometiendo herramientas más realistas para planificar y evaluar políticas de vacunación.

Cita: Shafqat, R., Al-Quran, A., Alsaadi, A. et al. Normalized Caputo–Fabrizio SVIR modeling and bifurcation analysis. Sci Rep 16, 8193 (2026). https://doi.org/10.1038/s41598-026-38301-4

Palabras clave: modelado de epidemias, cálculo fraccionario, dinámica de la vacunación, efectos de memoria de la enfermedad, análisis de bifurcación