Normalleştirilmiş Caputo–Fabrizio SVIR modellemesi ve bifurkasyon analizi

Salgınları anlamak için neden önemli

Salgınları düşündüğümüzde genellikle bir hastalık yayıldıkça yükselen ve sonra azalan basit eğriler hayal ederiz. Ancak gerçek salgınlar geçmişlerini hatırlar: daha önce ne kadar hızlı insanların hastalandığı, aşıların ne zaman uygulandığı ve bağışıklığın ne kadar sürdüğü gibi etkenler sonraki seyrin şeklini belirler. Bu makale, aşılamayı içeren epidemik modellere doğrudan “bellek” eklemenin yeni bir yolunu tanıtıyor; amaç, matematiği kararsız veya yanıltıcı hale getirmeden enfeksiyonun daha gerçekçi dalgalarını yakalamak.

Salgınların hatırlamasına izin veren yeni bir yöntem

Yazarlar, nüfusu dört gruba ayıran klasik bir çerçeve içinde çalışıyor: hâlâ hastalığa duyarlı olanlar (susceptible), aşılananlar, şu anda bulaşıcı olanlar ve iyileşenler. Geleneksel modeller, bu gruplar arasındaki geçişleri standart kalkülüsle tanımlar; bu, anlık değişim hızının yalnızca mevcut duruma bağlı olduğunu varsayar. Burada yazarlar sıradan zaman türevini, salgının tüm geçmişine ağırlık vermeyi mümkün kılan ve sonsuz zirvelerden veya keyfi ölçeklemelerden kaçınan özel bir matematiksel araç olan “normalleştirilmiş Caputo–Fabrizio” operatörüyle değiştiriyorlar. Normalleştirme, geçmiş olayların birikerek gerçekçi olmayan şekillerde yığılmak yerine günümüze ortalama gibi etki etmesini sağlar.

Modelin teoride nasıl davrandığı

Bu belleğe duyarlı kurulumla ekip önce modelin mantıklı davrandığını doğruluyor. Makul başlangıç koşulları için dört nüfus grubunun tamamını negatif olmayan tutan, toplam nüfusu zaman içinde koruyan tek ve iyi tanımlanmış bir çözüm olduğunu ispatlıyorlar. Herkesin ya aşılı ya da iyileşmiş olduğu hastalıksız bir son durum ailesi belirliyorlar ve matematiksel olarak bu durumların kararlı olduğunu gösteriyorlar: etkin üreme sayısı bire altındaysa, küçük enfeksiyon girişimleri patlamak yerine sönüyor. Bu eşik aşıldığında bile model, salgınların yalnızca geçici olarak büyümesine izin veriyor; garip veya fiziksel olmayan uzun dönem davranışlara yer vermiyor.

Bellek ve aşılama hakkında simülasyonların ortaya koydukları

Denklemlerin pratikte ne anlama geldiğini görmek için yazarlar, fraksiyonel mertebe parametresiyle kontrol edilen farklı “bellek gücü” düzeyleri boyunca bilgisayar deneyleri yapıyorlar. Bellek güçlü olduğunda, enfeksiyon eğrileri daha yavaş yükseliyor, zirve daha geç ortaya çıkıyor ve maksimum seviyeler daha düşük oluyor; aynı zamanda duyarlı grup daha nazikçe azalıyor. Aşılanan ve iyileşen gruplar daha yavaş birikiyor ancak yine de benzer nihai oranlara ulaşabiliyor. Enfeksiyon ve aşılama hızlarını değiştirerek, bellek klasik modellerde tipik olan keskin, yüksek zirveleri nasıl yumuşattığını gösteriyor. Tasarladıkları sayısal şema, modelin geçmişe bağlı davranışını önceki tüm zaman adımlarından gelen katkıları toplayarak taklit ediyor; yöntemlerinin güvenilir şekilde yakınsadığını ve bellek kapatıldığında tanıdık klasik modeli yeniden ürettiğini doğruluyorlar.

Ne zaman karmaşık desenler oluşamaz

Birçok modern çalışma bifurkasyonları—epidemik davranışta aniden niteliksel değişimler, örneğin birden çok kararlı sonucun ortaya çıkması veya tekrarlayan dalgalara benzeyen kalıcı salınımlar—aramaya odaklanıyor. Yazarlar ayrıntılı bir bifurkasyon analizi yapıyor ve inceledikleri durumda net bir sonuca ulaşıyorlar: doğum, ölüm veya aşı başarısızlığı olmayan, kapalı bir nüfusta sabit aşılamayla model ne geri bifurkasyona (üreme sayısı bire altında olsa bile hastalığın devam etmesi durumu) ne de Hopf bifurkasyonuna (sürekli döngüler üretmesi) izin veriyor. Basit enfeksiyon terimlerini genellikle daha zengin davranışı teşvik eden doygun bir biçimle değiştirdiklerinde bile uzun dönem sonuçlar hâlâ hastalıksız durumlarla sınırlı kalıyor. Simülasyonlarda görülen herhangi bir dalgalanma, belleğin başlangıç koşullarını güçlendirerek yarattığı geçici yankılardır; gerçek tekrarlayan dalgalar değiller.

Gelecekteki epidemik modelleme için ne anlama geliyor

Günlük ifadeyle bu çalışma, geçmişi kontrollü ve fiziksel olarak anlamlı bir şekilde hatırlayan epidemik modeller kurmanın yollarını gösteriyor; aynı zamanda bu modeller matematiksel olarak iyi davranmaya devam ediyor. Yeni yaklaşım, aşılama altında salgın eğrilerini düzgünleştiriyor ve stabilize ediyor; ancak çalışılan sadeleştirilmiş durumda kendi başına birden çok uzun dönem senaryonun veya kalıcı döngülerin oluşmasını sağlayamıyor. Mevsimsel tekrarlayan dalgalar veya yüksek ve düşük enfeksiyonlu durumların bir arada varlığı gibi olguları yakalamak için, yazarlar modelleyicilerin doğumlar, ölümler veya kusurlu aşılar gibi gerçek dünya karmaşıklıklarını bu bellek yapısının üzerine eklemeleri gerektiğini savunuyor. Onların çerçevesi, bu daha zengin modeller için sağlam bir başlangıç noktası sunuyor ve aşılama politikalarını planlama ve değerlendirme için daha gerçekçi araçlar vaat ediyor.

Atıf: 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

Anahtar kelimeler: epidemik modelleme, fraksiyonel kalkülüs, aşılama dinamikleri, hastalık bellek etkileri, bifurkasyon analizi