Pandemiye yanıtı aşı stratejileriyle sinir ağları kullanarak optimize etmek

Neden daha akıllı aşı planları önemli

Pandemiler, hükümetleri halk sağlığını korurken toplumları ve ekonomileri işler tutmaya zorlar. Bu makale, modern veri araçlarının yalnızca hayat kurtarmakla kalmayıp aynı zamanda toplam maliyetleri de düşüren daha akıllı aşı planları tasarlamaya nasıl yardımcı olabileceğini gösteriyor. Avustralya’nın Victoria bölgesindeki COVID-19’u bir örnek vaka olarak kullanarak, yazarlar hastalık modellemesini, ekonomiyi ve sinir ağlarını birleştirip basit kurallardan veya rastgele kararlardan daha iyi çalışan aşılama takvimleri arıyorlar.

Bir salgını net yapı taşlarına ayırmak

Çalışma, bir virüsün bir nüfus içinde nasıl yayıldığını tanımlamakla başlar. Kimlerin sağlıklı, hasta, iyileşmiş veya ölü olduğunu saymanın ötesinde, yazarlar aşılı kişiler, enfekte olmuş ancak henüz semptom göstermeyenler ile hafif, hastane düzeyinde veya yoğun bakım gerektiren hastalıkta olanlar da dahil olmak üzere sekiz grubu içeren daha zengin bir tablo kullanır. Bu katmanlı bakış, ağır vakaların sayısını yatak sayısı, yoğun bakım kullanımı ve ölümlerle ilişkilendirmelerine olanak tanır. Ayrıca gerçek salgınlardaki belirsizliği ve zamanla değişen koşulları yansıtmak için kişilerin bu gruplar arasında geçiş hızlarında rastgele dalgalanmalara da izin verirler.

Sağlık ve parayı tek bir ölçüye dönüştürmek

Sonra yazarlar bu sağlık modelinin üzerine ekonomik bir mercek inşa eder. Bir hükümetin bir pandemi sırasında karşılaştığı dört tür maliyeti toplarlar: aşıların satın alınması ve dağıtımı, karantinaya destek ödemeleri, sağlık hizmetlerinin işletilmesi ve insanların çalışamamasından kaynaklanan ekonomik üretim kaybı. Çerçevelerinde temel politika aracı zaman içindeki aşılama oranıdır. Doz verme hızını değiştirerek hükümet hastane kullanımını ve ölümleri azaltabilir, ancak uygulama için önceden daha fazla ödeme yapar. Model bu güçleri tek bir toplam harcama ölçüsünde birleştirir, böylece farklı aşı planları eşit zeminde karşılaştırılabilir.

Daha iyi stratejiler bulması için sinir ağlarını eğitmek

Model birçok durumu ve rastgele şokları içerdiğinden, standart matematiksel araçlar çok yavaş veya yanlış olabilir. Bunu ele almak için yazarlar makine öğrenmesinin bir biçimi olan sinir ağlarına başvururlar. Önce, fizik-kurallı bir sinir ağı kullanarak hastalık modelini Victoria’dan gerçek COVID-19 verileriyle uyumlu olacak şekilde ayarlarlar. Bu adım, insanların sağlık durumları arasında ne kadar hızlı geçiş yaptığını ve sistemin ne kadar rastgele gürültü gösterdiğini belirler. Ardından ikinci bir derin ağ, bir karar verici olarak davranacak şekilde eğitilir: her zaman noktasında bir aşılama oranı önerir, model bunun sonuçlarını simüle eder ve ağ sağlık ve ekonomik maliyetler toplamını azaltmak için seçimlerini ayarlar.

Zamanlama ve etkinlik hakkında vaka çalışmasının ortaya koydukları

Çerçeveyi Victoria’nın COVID-19 verilerine uygulayan yazarlar dört senaryoyu karşılaştırır: aşılama yok, sabit aşılama hızı, hükümetin uyguladığı gerçek dağıtım ve veri odaklı optimal plan. En iyi performans gösteren strateji, başta çok yüksek aşılama hızlarıyla başlayıp enfeksiyonlar azaldıkça kademeli olarak yavaşlıyor. Aşılama olmamasıyla karşılaştırıldığında, bu yaklaşım hastane yatak günlerini %85’ten fazla, ölümleri %80’den fazla azaltıyor ve toplam maliyetleri yaklaşık %22 oranında düşürüyor. Ayrıca gerçek dünyadaki dağıtımı da birkaç yüzdelik puanla geride bırakarak hastane kullanımı, ölümler ve toplam harcamalarda ek tasarruf sağlıyor. Sonuçlar, enfeksiyonun önüne geçmek için erken dönemde bir aşılama atağına geçmenin, ilk maliyet yüksek olsa bile ileride daha az ağır vaka ve daha küçük ekonomik kayıplar şeklinde karşılığını verebileceğini öne sürüyor.

Bu araç seti gelecekteki kararları nasıl destekleyebilir

COVID-19’un ötesinde, yazarlar çerçevelerinin yeni verilerle güncellenebileceğini ve grip benzeri salgınlar gibi diğer felaket olmayan epidemiler için yeniden kullanılabileceğini savunuyor. Politika yapıcılar maliyet varsayımlarını ayarlayabilir, yerel verileri ekleyebilir ve farklı aşılama yollarının hem sağlık hem de bütçeler üzerindeki etkilerini keşfedebilir. Etik sorular ve adalet endişeleri ayrı bir dikkat gerektirse de, temel mesaj basit: ayrıntılı hastalık modellerini ekonomik akıl yürütmeyle ve sinir ağlarıyla birleştirerek hükümetler hem daha etkili hem de daha verimli aşılama planları tasarlayabilir.

Atıf: Zhai, C., Chen, P., Jin, Z. et al. Optimising pandemic response through vaccination strategies using neural networks. Sci Rep 16, 14815 (2026). https://doi.org/10.1038/s41598-026-45396-2

Anahtar kelimeler: pandemi modelleme, aşılama stratejisi, sinir ağları, ekonomik epidemiyoloji, COVID-19 politikası