Modellazione SVIR normalizzata di Caputo–Fabrizio e analisi di biforcazione

Perché è importante per comprendere le epidemie

Quando pensiamo alle epidemie, immaginiamo spesso curve semplici che salgono e scendono mentre una malattia si diffonde e poi si attenua. Ma i veri focolai conservano memoria del passato: la rapidità con cui le persone si sono ammalate prima, quando sono state introdotte le vaccinazioni e quanto dura l’immunità influenzano tutti gli sviluppi successivi. Questo articolo introduce un nuovo modo di incorporare direttamente la “memoria” nei modelli epidemiologici che includono la vaccinazione, con l’obiettivo di catturare ondate d’infezione più realistiche senza rendere la matematica instabile o fuorviante.

Un nuovo modo per far ricordare le epidemie

Gli autori lavorano all’interno di un quadro classico che suddivide la popolazione in quattro gruppi: suscettibili (che possono ancora contrarre la malattia), vaccinati, attualmente infettivi e guariti. I modelli tradizionali descrivono come le persone si spostano tra questi gruppi usando il calcolo standard, che considera la variazione istantanea come dipendente solo dallo stato attuale. Qui gli autori sostituiscono la derivata temporale usuale con un operatore “normalizzato di Caputo–Fabrizio”, uno strumento matematico particolare che permette al modello di ponderare l’intera storia del focolaio evitando picchi infiniti o scalature arbitrarie. La normalizzazione garantisce che gli eventi passati influenzino il presente come una media, invece di sommarsi in modo irrealistico.

Come si comporta il modello in teoria

Con questa impostazione sensibile alla memoria, il gruppo verifica innanzitutto che il modello si comporti in modo ragionevole. Dimostrano che, per ogni condizione iniziale plausibile, esiste una soluzione unica e ben definita che mantiene tutti e quattro i gruppi di popolazione non negativi e conserva la popolazione totale nel tempo. Identificano una famiglia di stati finali privi di malattia in cui tutti sono o vaccinati o guariti e mostrano che, dal punto di vista matematico, questi stati sono stabili: piccole introduzioni di infezione si estinguono anziché esplodere, purché il numero riproduttivo efficace sia inferiore a uno. Anche quando questa soglia è superata, il modello permette soltanto una crescita temporanea dei contagi, non l’insorgere di andamenti strani o non fisici a lungo termine.

Cosa rivelano le simulazioni sulla memoria e la vaccinazione

Per capire il significato pratico delle equazioni, gli autori eseguono esperimenti numerici su diversi livelli di “forza della memoria”, controllati da un parametro di ordine frazionario. Quando la memoria è forte, le curve d’infezione aumentano più lentamente, raggiungono il picco più tardi e toccano massimi inferiori, mentre il gruppo dei suscettibili diminuisce in modo più graduale. I gruppi dei vaccinati e dei guariti si accumulano più progressivamente ma possono comunque raggiungere proporzioni finali simili. Variando i tassi di infezione e di vaccinazione si vede come la memoria ammorbidisca picchi altrimenti acuti e elevati tipici dei modelli classici. Lo schema numerico che progettano riproduce il comportamento dipendente dalla storia del modello sommando i contributi di tutti i passati istanti temporali, e verificano che il loro metodo converge in modo affidabile e riproduce il modello classico familiare quando la memoria è disattivata.

Quando non possono verificarsi schemi complessi

Molti studi moderni cercano biforcazioni—cambiamenti qualitativi improvvisi nel comportamento epidemico, come l’emergere di più esiti stabili o oscillazioni sostenute che somigliano a ondate ricorrenti. Gli autori conducono un’analisi di biforcazione dettagliata e giungono a una conclusione chiara per l’ambientazione che studiano: in una popolazione chiusa con vaccinazione costante e senza nascite, decessi o fallimento del vaccino, il modello non può supportare né la biforcazione all’indietro (in cui la malattia può persistere anche quando il numero riproduttivo è sotto uno) né la biforcazione di Hopf (che genererebbe cicli indefiniti). Anche quando sostituiscono i termini di infezione semplici con una forma saturata che solitamente favorisce comportamenti più ricchi, gli unici esiti a lungo termine restano gli stati privi di infezione. Qualsiasi oscillazione osservata nelle simulazioni è un’eco transitoria delle condizioni iniziali amplificata dalla memoria, non vere ondate ripetute.

Cosa significa per la modellazione epidemica futura

In termini concreti, questo lavoro mostra come costruire modelli epidemiologici che ricordano il loro passato in modo controllato e fisicamente significativo, pur restando matematicamente ben comportati. Il nuovo approccio liscia e stabilizza le curve dei focolai in presenza di vaccinazione, ma nell’ambientazione semplificata studiata non è in grado da solo di generare scenari plurimi a lungo termine o cicli permanenti. Per catturare fenomeni come ondate stagionali ricorrenti o la coesistenza di stati ad alta e bassa infezione, gli autori sostengono che i modellatori debbano aggiungere complicazioni del mondo reale, come nascite, decessi o vaccini imperfetti, sopra questa struttura di memoria. Il loro quadro fornisce un solido punto di partenza per quei modelli più ricchi, promettendo strumenti più realistici per pianificare e valutare le politiche vaccinali.

Citazione: 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

Parole chiave: modellazione delle epidemie, calcolo frazionario, dinamiche della vaccinazione, effetti di memoria della malattia, analisi di biforcazione