Bu çalışmada önerilen Ebola Virüsü Hastalığı modeli, salgın dinamiklerini Caputo kesirli mertebeli türevlerle temsil edilen hafıza etkileri, inkübasyon gecikmesi, insan davranışına bağlı doygun bulaş ve sosyo-kültürel defin uygulamalarıyla birlikte ele alan gecikmeli bir kompartıman modelidir. Model; duyarlı bireyleri, klinik olarak enfekte bireyleri, karantinaya alınan bireyleri, iyileşenleri ve farklı defin koşullarındaki iki ölüm sınıfını birbirinden ayırmaktadır. Çalışmanın temel amacı gerçek bir Ebola salgınını bire bir tahmin etmek değil; bu mekanizmaların matematiksel kararlılık, salgın eşiği ve salınımlı dinamikler üzerindeki etkilerini kuramsal ve sayısal olarak incelemektir.
Modelde temel üreme sayısı \(R_0\) ana eşik büyüklüğüdür. Kaynakta \(R_0<1\) olduğunda hastalıksız dengenin yerel asimptotik olarak kararlı olduğu; \(R_0>1\) olduğunda ise endemik bir dengenin ortaya çıktığı gösterilmektedir. Endemik denge için inkübasyon gecikmesi \(\tau\) belirli bir kritik değere ulaştığında Hopf çatallanması oluşabilmekte ve enfeksiyon düzeyi sabit bir dengeye yaklaşmak yerine sürekli salınımlar gösterebilmektedir.
Sayısal simülasyonlar ayrıca gecikme süresinin, kesirli mertebe \(q\)'nun ve gözetimden önce ölüm oranını temsil eden \(p_1\)'in salgın eğrilerini önemli ölçüde değiştirebildiğini göstermektedir. Ancak bu sonuçlar model çıktılarıdır; klinik veya epidemiyolojik saha gözlemleri olarak yorumlanmamalıdır. Çalışmada gerçek salgın verisiyle parametre tahmini veya bağımsız öngörü doğrulaması yapılmamıştır.
Kaynakta sayısal sonuçların bazı bölümleri arasında parametre ve büyüklük uyuşmazlıkları bulunmaktadır. Özellikle özet ile Şekil 3–6'nın metin ve başlıkları bazı \(\tau\), \(p_1\) ve tepe enfeksiyon değerlerinde aynı ifadeyi kullanmamaktadır. Bu nedenle Verianla anlatımı, bu farklılıkları birleştirerek yeni bir “düzeltilmiş” sonuç üretmemektedir.
Araştırmanın ele aldığı temel problem
Ebola Virüsü Hastalığı salgınlarında bulaş yalnız aktif enfekte bireylerle temasa indirgenemeyebilir. Enfekte kişinin hastalığı taşıdığı fakat henüz bulaştırıcı kabul edilmediği inkübasyon süresi, hastalıkla ilgili korku ve farkındalık nedeniyle insanların davranış değiştirmesi ve enfekte kişilerin cenazeleriyle yakın temas içeren bazı geleneksel defin uygulamaları salgın dinamiklerini değiştirebilir.
Çalışmanın literatürde gördüğü temel boşluk, bu etkilerin önemli bir bölümünün daha önce ayrı ayrı modellenmiş olmasına rağmen hafıza etkisi + zaman gecikmesi + davranışsal doygunluk + sosyo-kültürel defin yollarının aynı kesirli mertebeli çerçevede birlikte yeterince ele alınmamış olmasıdır.
Buradaki “hafıza”, bir kişinin biyolojik hafızası anlamına gelmez. Matematiksel olarak sistemin şu andaki değişim hızının yalnız o andaki durumdan değil, geçmiş durumların bir ağırlıklı toplamından da etkilenmesi anlamına gelir. Kesirli türevlerin klasik birinci mertebe türevlerden temel farkı budur.
Caputo kesirli türevi bu Ebola modelinde neyi temsil ediyor?
Caputo kesirli türevi, modelin bugünkü salgın dinamiğinin geçmişteki durumlara bağlı olmasını matematiksel olarak temsil eden bellekli bir türev operatörüdür; \(q=1\) klasik birinci mertebe modele yaklaşırken \(0<q<1\) geçmiş durumların modele taşındığı kesirli dinamiği ifade eder.
Caputo kesirli türevinin tanımı
Formül neyi hesaplar? \(f(t)\) fonksiyonunun \(q\) mertebesindeki Caputo kesirli türevini hesaplar.
- \(q\): kesirli türev mertebesidir. Çalışmanın epidemik modelinde \(0<q\le1\) aralığı kullanılır.
- \(\Gamma(\cdot)\): gama fonksiyonudur; faktöriyel kavramının gerçek ve karmaşık sayılara genişletilmiş biçimidir.
- \(\xi\): geçmiş zaman boyunca integral alınırken kullanılan yardımcı zaman değişkenidir.
- \((t-\xi)^{q+1-n}\): geçmişteki durumların bugünkü türeve hangi ağırlıkla katkıda bulunduğunu belirleyen çekirdeğin parçasıdır.
- \(f^{(n)}(\xi)\): fonksiyonun \(n\). klasik türevidir.
Kesirli türevin integral içermesi kritik önemdedir. Klasik bir diferansiyel denklemde değişim çoğunlukla sistemin o andaki durumuna bağlıdır. Burada ise integral \(a\)'dan \(t\)'ye kadar geçmişi taradığı için sistem geçmişini matematiksel olarak taşır.
Çalışmanın yorumuna göre \(q\) değerinin 1'e yaklaşması hafıza etkisinin azalmasına karşılık gelir. Sayısal simülasyonlarda \(q\)'nun 1'e yaklaşmasının enfeksiyon tepe değerlerini yükseltebildiği ve tepe zamanlarını değiştirebildiği görülmüştür. Bu sonuç yalnız kullanılan model ve parametreler için geçerlidir.
Modeldeki altı epidemiyolojik sınıf
| Sembol | Biyolojik anlam |
|---|---|
| \(S_H(t)\) | \(t\) zamanındaki duyarlı bireyler |
| \(I_H(t)\) | Klinik olarak enfekte bireyler |
| \(Q_H(t)\) | Tespit edilmiş ve karantinaya alınmış enfekte bireyler |
| \(R_H(t)\) | İyileşen bireyler |
| \(D_1(t)\) | Geleneksel veya dini uygulamalar kapsamında bedenle temas içerebilen koşullarda defnedilen ölü bireyler |
| \(D_2(t)\) | Sağlık otoritelerinin kontrol ettiği ve modelde yeni bulaş üretmediği varsayılan güvenli defin sınıfı |
Temel parametreler
| Parametre | Anlam |
|---|---|
| \(A\) | Popülasyona katılım / doğum oranı |
| \(\beta_1\) | Enfekte bireylerden duyarlı bireylere bulaş katsayısı |
| \(\beta_2\) | \(D_1\) sınıfındaki ölü bireylerden duyarlılara bulaş katsayısı |
| \(\mu\) | Doğal ölüm oranı |
| \(\sigma\) | Davranışsal/doygunluk etkisini temsil eden parametre |
| \(\tau\) | Maruziyet ile bulaştırıcılığın başlaması arasındaki inkübasyon gecikmesi |
| \(\alpha\) | Enfekte sınıftan çıkış hızı; \(1/\alpha\) ortalama enfeksiyöz süreyi temsil eder |
| \(p_1\) | Tespit veya doğal iyileşmeden önce hastalığa bağlı ölen enfekte bireylerin oranı |
| \(p_2\) | Tespit edilerek karantinaya alınan enfekte bireylerin oranı |
| \(\epsilon_1\) | \(D_1\) sınıfında ölümden defin işlemine geçiş hızı |
| \(\epsilon_2\) | \(D_2\) sınıfında ölümden defin işlemine geçiş hızı |
| \(\delta\) | Karantinadan çıkış hızı; \(1/\delta\) ortalama karantina süresini temsil eder |
| \(f\) | Karantinaya alınan bireyler arasındaki hastalığa bağlı ölüm oranı |
| \(q\) | Kesirli türev mertebesi / hafıza etkisi parametresi |
Altı denklemlik ana Ebola modeli
Kaynakta model (3.1) aşağıdaki biçimde verilmektedir:
İlk denklem duyarlı bireylerin değişimini tanımlar. \(A\) yeni birey ekler; enfekte bireylerle ve \(D_1\) sınıfındaki enfeksiyöz cenazelerle temas duyarlı sınıftan birey çıkarır; doğal ölüm de \(\mu S_H\) kadar azalma oluşturur.
İkinci denklem yeni klinik enfeksiyonların oluşumunu tanımlar. Aynı iki bulaş kanalı bu kez pozitif terimdir; çünkü duyarlı sınıftan çıkan yeni enfeksiyonlar \(I_H\) sınıfına girer. \((\alpha+\mu)I_H\) ise enfekte sınıfından hastalık süreci veya doğal ölüm nedeniyle çıkan bireyleri temsil eder.
\(D_1\), \(Q_H\), \(D_2\) ve \(R_H\) denklemleri enfekte bireylerin ölüm, tespit-karantina ve iyileşme yollarına ayrılmasını izler. Kaynağın önemli varsayımlarından biri, \(D_2\) sınıfındaki kontrollü definlerin yeni bulaşa yol açmamasıdır.
Doygun bulaş terimi neden kullanılıyor?
Paydaki \(\beta S\times I\) veya \(\beta S\times D_1\) yapısı potansiyel temas miktarını temsil eder. Paydadaki \(1+\sigma S_H(t)\) ise popülasyon büyüdükçe temasın sınırsız doğrusal artmasını engeller. Kaynak bunu farkındalık, korku, koruyucu davranış, sınırlı temas fırsatları ve halk sağlığı önlemlerinin oluşturabileceği doygunluk etkisiyle ilişkilendirir.
\(\sigma\to0\) olduğunda payda yaklaşık 1 olur ve davranışsal doygunluk zayıflar. Kaynak bu durumu koruyucu davranışların daha az etkili olduğu bir modelleme sınırı olarak yorumlamaktadır.
Neden model üç denkleme indirgenebiliyor?
Yazarlar, \(S_H\), \(I_H\) ve \(D_1\) denklemlerinin \(Q_H\), \(D_2\) ve \(R_H\) denklemlerine bağlı olmadığını belirtmektedir. Bu nedenle temel dinamik ve kararlılık analizi için ilk üç denklemden oluşan alt sistem kullanılmaktadır:
Bu indirgeme \(Q_H\), \(D_2\) ve \(R_H\) sınıflarının biyolojik olarak önemsiz olduğu anlamına gelmez. Yalnızca bu üç sınıfın geri besleme yaparak ilk üç diferansiyel denklemin sağ tarafına girmediği anlamına gelir.
Pozitiflik ve sınırlılık neden kontrol ediliyor?
Bir epidemiyolojik model negatif insan sayıları üretmemelidir. Yazarlar bu nedenle modelin pozitif başlangıç koşullarından başladığında çözümlerinin negatif bölgeye geçmediğini ve sınırlı kaldığını göstermektedir.
Bu ifade, indirgenmiş sistemin biyolojik olarak izin verilen durum uzayını tanımlar. \(A/\mu\) üst sınırı, popülasyona giriş ile doğal ölüm arasındaki denge ölçeğinden doğar.
Buradaki \(E_q\), Mittag–Leffler fonksiyonudur. Kesirli diferansiyel denklemlerde klasik üstel fonksiyonun oynadığı role benzer bir rol üstlenir. Bu eşitsizlik, başlangıç değeri uygun bölgedeyse toplam değişkenin \(A/\mu\) sınırının dışına kontrolsüz biçimde büyümediğini göstermek için kullanılır.
Temel üreme sayısı R0 bu modelde nasıl yorumlanıyor?
\(R_0\), tamamen duyarlı bir popülasyonda bir enfekte bireyin enfeksiyöz dönemi boyunca doğrudan ve geleneksel definle ilişkili dolaylı yollar üzerinden ortalama kaç yeni enfeksiyon üretebildiğini temsil eden eşik parametresidir; \(R_0<1\) bulaşın sönümlenmesi, \(R_0>1\) ise modelde endemik dengenin var olabilmesi açısından kritik sınırdır.
Bu formül iki ana katkıdan oluşur.
- Doğrudan enfekte birey katkısı: \(\beta_1\) içeren ilk terim.
- Geleneksel defin sınıfından kaynaklanan katkı: \(\beta_2\), \(p_1\) ve \(\epsilon_1\) içeren ikinci terim.
\(\beta_1\) veya \(\beta_2\) arttığında diğer parametreler sabitken \(R_0\) yükselir. \(\sigma\)'nın paydada bulunması, daha güçlü doygunluk/davranış etkisinin bulaş eşiğini azaltıcı yönde matematiksel katkı yaptığını gösterir. \(\epsilon_1\)'in ikinci terimin paydasında bulunması ise \(D_1\) sınıfında geçirilen sürenin cenaze kaynaklı bulaş yolunda önemli olduğunu gösterir.
Hastalıksız ve endemik denge
Hastalıksız denge:
Bu noktada duyarlı popülasyon vardır ancak \(I_H\) ve \(D_1\) sıfırdır.
Kaynakta \(R_0>1\) olduğunda pozitif endemik denge \(\mathcal{E}_1=(S_H^\ast,I_H^\ast,D_1^\ast)\) tanımlanır. Kaynaktaki denklem (3.3) şu yapıdadır:
\((R_0-1)\) çarpanının \(I_H^\ast\) ve \(D_1^\ast\) ifadelerinde görünmesi eşik mantığını açık hale getirir: endemik denge için model \(R_0>1\) koşulunu gerektirir.
Yerel kararlılık ve karakteristik denklem
Denge noktalarının kararlılığını incelemek için doğrusal hale getirilmiş sistemin karakteristik kökleri araştırılır. Hastalıksız denge için kaynak şu karakteristik yapıyı verir:
Gecikme bulunduğunda katsayıların içinde \(e^{-s\tau}\) terimleri yer alır. Bu üstel gecikme terimi karakteristik denklemi klasik bir polinom olmaktan çıkarıp transandantal bir yapıya dönüştürür. Bu nedenle gecikme, köklerin karmaşık düzlemdeki konumunu ve dolayısıyla kararlılığı değiştirebilir.
Kaynakta dikkat edilmesi gereken matematiksel not: Denklem (3.9) altında verilen \(a_0\) ifadesinin art arda yazılan iki eşitliği arasında ölçek/boyut açısından açık bir yeniden düzenleme adımı gösterilmemiştir. Verianla bu ifadeyi kaynak yerine yeniden türeterek “düzeltmemektedir”; kararlılık yorumunda yazarların verdiği \(R_0\) eşiği ve teoremler esas alınmaktadır.
Gecikme neden Hopf çatallanmasına yol açabiliyor?
Gecikme \(\tau\), karakteristik denklemde \(e^{-s\tau}\) çarpanları oluşturarak bazı özdeğerlerin karmaşık düzlemde sanal ekseni geçmesine izin verebilir; kritik \(\tau^\ast\) değerinde bu geçiş gerçekleştiğinde sabit denge kararlılığını kaybedip sürekli salınımlara dönüşebilir ve kaynak bunu Hopf çatallanması olarak analiz etmektedir.
Analizde \(s=i\omega\) alınarak karakteristik denklem gerçek ve sanal kısımlara ayrılmaktadır. Daha sonra gecikme adayları:
şeklinde ifade edilir ve kritik gecikme:
olarak tanımlanır.
Buradaki \(\omega\), salınımın karakteristik açısal frekansıyla ilişkili pozitif değerdir. \(G_1(\omega)\) ve \(G_2(\omega)\), karakteristik denklemin gerçek ve sanal bileşenlerinden türetilen fonksiyonlardır. Amaç, bir çift karmaşık kökün sanal eksene ulaştığı en küçük gecikmeyi bulmaktır.
Kaynakta Teorem 3.3, \(q\in(0,1]\), \(R_0>1\), \(\tau>0\) ve verilen transversallik koşulu altında endemik dengenin \(0\le\tau<\tau^\ast\) aralığında asimptotik kararlı olduğunu ve \(\tau=\tau^\ast\) noktasında Hopf çatallanması meydana geldiğini belirtmektedir.
Routh–Hurwitz kriterinin rolü
Gecikmesiz durumda \(\tau=0\) alınarak \(s^q=\lambda\) dönüşümü yapılır. Böylece karakteristik denklem klasik polinom biçimine indirgenebilir. Endemik denge için kaynak:
polinomunu elde eder ve
Routh–Hurwitz koşullarını kullanır. Bu koşullar karakteristik köklerin gerçek kısımlarının negatif kalmasını ve dolayısıyla yerel asimptotik kararlılığı sağlamaya yöneliktir.
Lyapunov yaklaşımı ve küresel endemik kararlılık
Kaynak, \(R_0>1\) için endemik dengenin belirli ek koşullar altında küresel asimptotik kararlılığını incelemek üzere Lyapunov fonksiyoneli kurmaktadır:
İlk bileşen:
Benzer logaritmik yapılar \(I_H\) ve \(D_1\) için de kurulmakta; gecikmiş durumları hesaba katmak amacıyla Riemann–Liouville kesirli integralleri eklenmektedir.
İspatın temel matematiksel aracı:
eşitsizliğidir. Eşitlik yalnız \(x=1\) olduğunda sağlanır. Yazarlar uygun \(H_1-H_4\) monotonluk koşulları altında \(D^qV\le0\) sonucuna ulaşarak endemik denge için küresel asimptotik kararlılık sonucunu elde etmektedir.
Çalışmanın Yöntemi ve Bulguları
Sayısal çözüm için başlangıç koşulları
Sayısal simülasyonlarda küçük bir topluluk varsayılmış ve başlangıç değerleri:
olarak alınmıştır.
Adams–Bashforth–Moulton predictor–corrector yöntemi
Kesirli mertebeli gecikmeli diferansiyel sistem doğrudan kapalı biçimde çözülemediği için yazarlar Adams–Bashforth–Moulton (ABM) predictor–corrector yaklaşımını kullanmaktadır.
Genel kesirli başlangıç değer problemi:
Burada \(y(t)\) durum vektörü, \(f\) sistemin sağ tarafı ve \(\psi(t)\) gecikme aralığındaki geçmiş başlangıç fonksiyonudur.
Kaynak, benzersiz çözüm için bir Lipschitz koşulu kullanmaktadır:
Kesirli diferansiyel denklem daha sonra eşdeğer Volterra integral denklemine dönüştürülür:
Bu dönüşüm önemlidir; çünkü ABM algoritması kesirli hafıza etkisini integral ağırlıkları üzerinden hesaplar.
Zaman ağı için kaynak \(h=\tau/m\) adım büyüklüğünü kullanmakta ve çözümü \(y_h(t_j)\approx y(t_j)\) biçiminde ayrıklaştırmaktadır.
Predictor adımı
Predictor, bir sonraki zaman noktasındaki çözüm için ilk tahmini üretir.
Corrector adımı
Daha sonra trapezoidal ürün kuadratürü kullanılarak düzeltilmiş değer hesaplanır. Kaynakta temel corrector yapısı:
şeklindedir. Predictor ile elde edilen tahmin, sağ taraftaki bilinmeyen \(y_h(t_{n+1})\) yerine kullanılarak corrector adımı tamamlanır.
Simülasyonlarda kullanılan temel parametre kümesi
| Parametre | Değer |
|---|---|
| \(A\) | 189 |
| \(\mu\) | 0.000044 |
| \(\sigma\) | 0.09 |
| \(f\) | 0.1 |
| \(p_2\) | 0.3 |
| \(\epsilon_1\) | 0.5 |
| \(\epsilon_2\) | 0.5 |
| \(\alpha\) | 0.21 |
| \(\delta\) | 0.135 |
| \(q\) | \((0,1]\) aralığında değiştirilmiştir |
Kaynak, \(\beta_1\), \(\beta_2\) ve \(p_1\) parametrelerini ilgili simülasyona göre \((0,1)\) aralığından seçmektedir. Parametrelerin önemli bir bölümü önceki bir çalışmadan alınmıştır; bu çalışma yeni saha verisiyle bunları yeniden tahmin etmemektedir.
R0 < 1: hastalıksız dengeye yakınsama
Şekil 2 senaryosunda \(\tau=0\), \(\beta_1=0.00985\), \(\beta_2=0.0075\) seçilerek \(R_0=0.5717\) elde edilmiştir. \(q\), 0.6 ile 1 arasında 0.1'lik adımlarla değiştirilmiştir. Simülasyonlar çözüm yörüngelerinin hastalıksız dengeye yakınsadığını göstermektedir.
Bu bulgunun anlamı model içindedir: \(R_0<1\) seçilen parametre kümesinde enfeksiyon sürdürülemez. Bu sonuç gerçek bir toplum için otomatik olarak “Ebola ortadan kalkar” tahmini değildir; gerçek \(R_0\) ve diğer parametrelerin ayrıca ölçülmesi gerekir.
R0 > 1: endemik denge
Kaynak metni bu deney için \(q=0.8\), \(\tau=0\) dediği halde Şekil 3 başlığı \(\tau=1\) yazmaktadır. Şekil başlığı ayrıca \(\beta_1=0.00985\), \(\beta_2=0.00755\), \(\sigma=0.09\) ve \(R_0=1.33\) değerlerini vermektedir. Bu kaynak içi uyuşmazlık nedeniyle \(\tau\) değeri Verianla tarafından seçilerek düzeltilmemiştir.
Ortak bilimsel mesaj, \(R_0>1\) durumunda ve ilgili düşük-gecikmeli senaryoda model yörüngelerinin endemik bir dengeye yaklaşabildiği ve uzun dönemli sürekli büyük salınımlar göstermediğidir.
Kritik gecikme ve sürdürülen salınımlar
Sayısal sonuç metni, \(q=0.8\) ve \(R_0>1\) altında \(\tau=2.5\) için yaklaşık 1000 günlük simülasyon yaptığını belirtmektedir. Aynı sayfadaki Şekil 4 başlığı ise \(\tau=2\) yazmaktadır. Metne göre enfekte sayısı başlangıçtaki 300 vakadan yaklaşık 47 gün içinde yaklaşık 45.873'e yükselmiş, daha sonra yaklaşık 650 düzeyine gerilemiş ve yaklaşık 600–700 arasında devam eden salınımlar oluşmuştur.
Yazarlar bu davranışı kritik gecikme eşiğinin aşılması ve Hopf çatallanması ile ilişkilendirmektedir. Ancak \(\tau=2\) ile \(\tau=2.5\) arasındaki kaynak içi başlık/metin uyuşmazlığı nedeniyle bu sayısal sonuç “kesin olarak yalnız \(\tau=2.5\)'in sonucudur” şeklinde yeniden etiketlenmemelidir.
τ = 2.5 ve τ = 3 karşılaştırması
Şekil 5, \(q=0.8\), \(\beta_1=0.00985\), \(\beta_2=0.00755\), \(\sigma=0.09\) ve \(R_0=1.33\) altında \(\tau=2.5\) ile \(\tau=3.0\) senaryolarını karşılaştırmaktadır.
Kaynak metnine göre \(\tau=3.0\) durumunda 300 enfekteyle başlayan senaryo yaklaşık 61. günde yaklaşık 101.173 enfekteye ulaşmaktadır. Daha sonra yaklaşık 960 düzeyine düşmekte ve devam eden salınımlarda yaklaşık 65.845'lik tepe değerleri oluşmaktadır.
Yazarlar bu karşılaştırmada gecikme artışının yalnız tepe büyüklüğünü artırmakla açıklanamayacağını; özellikle salgın tepesinin zamanlamasını geciktirdiğini vurgulamaktadır.
Sosyo-kültürel defin uygulamalarını temsil eden p1 etkisi
\(p_1\), enfekte bireylerin tespit edilmeden veya iyileşmeden önce hastalığa bağlı ölümle \(D_1\) yoluna geçme oranını temsil eder. Model açısından \(p_1\)'in artması, geleneksel defin sınıfına daha fazla birey aktarabilir ve bu sınıf \(\beta_2\) üzerinden yeni enfeksiyon üretme mekanizmasına bağlı olduğu için bulaş dinamiğini güçlendirebilir.
Şekil 6'nın grafik lejantında \(p_1=0.1\) ve \(p_1=0.25\) görülürken şekil başlığında ayrıca \(p_1=0.35\) için \(R_0=1.3614\) ifadesi yer almaktadır. Özet ise \(p_1>0.4\) için salgın büyüklüğünde %35 artış bildirir. Kaynaktaki bu üç farklı sunum tek bir değere indirgenmemiştir.
Güvenilir ortak sonuç şudur: modelde daha yüksek gözetimsiz/erken ölüm oranı ve buna bağlı temaslı defin yolu daha büyük veya daha gecikmeli epidemik dalgalarla ilişkilidir. Bu, belirli bir gerçek toplumda geleneksel defin uygulamalarının tam olarak aynı nicel artışı oluşturacağını kanıtlamaz.
Kesirli mertebe q'nun etkisi
Şekil 7'de \(\tau=3\) sabit tutularak \(q\) değiştirilmiştir. Grafiklerde \(q=0.8\), \(q=0.9\) ve \(q=1.0\) senaryoları karşılaştırılmaktadır. \(q\)'nun 1'e yaklaşmasıyla enfeksiyon tepelerinin büyüdüğü ve zamanlamalarının değiştiği görülmektedir.
Kaynak bunu hafıza etkisinin zayıflamasıyla ilişkilendirmektedir. Özet, \(q\)'nun 1'e yaklaşmasının tepe enfeksiyon düzeylerinde yaklaşık %20 artış oluşturduğunu bildirir; grafiklerin ham sayısal noktaları paylaşılmadığından Verianla bu yüzdeyi yeniden hesaplamamaktadır.
Kaynakta bildirilen sayısal senaryoların birlikte okunması
| Senaryo | Kaynakta verilen koşul | Ana mesaj | Yorum sınırı |
|---|---|---|---|
| Şekil 2 | \(\tau=0\), \(R_0=0.5717\), \(q=0.6\)–1 | Hastalıksız dengeye yakınsama | Simülasyon sonucu |
| Şekil 3 | Metin: \(\tau=0\); başlık: \(\tau=1\), \(R_0=1.33\) | Endemik dengeye yakınsama | Kaynakta \(\tau\) uyuşmazlığı var |
| Şekil 4 | Metin: \(\tau=2.5\); başlık: \(\tau=2\) | Sürekli salınımlar / Hopf yorumu | Kaynakta \(\tau\) uyuşmazlığı var |
| Şekil 5 | \(\tau=2.5\) ve 3, \(q=0.8\), \(R_0=1.33\) | Daha uzun gecikmede tepe zamanı ve salınımlar değişiyor | Ham zaman serisi verilmemiştir |
| Şekil 6 | \(p_1\) değiştirilmiştir | Gözetimsiz ölüm/temaslı defin yolunun etkisi artıyor | Lejant, şekil başlığı ve özet arasında \(p_1\) değer uyumsuzluğu var |
| Şekil 7 | \(\tau=3\), \(q=0.8,0.9,1.0\) | \(q\to1\) iken daha yüksek ve zamanlaması değişen dalgalar | Model çıktısıdır; saha ölçümü değildir |
Çalışmanın desteklediği sonuçlar
- Kesirli mertebeli ve gecikmeli Ebola modelinin matematiksel olarak kurulabildiğini.
- Model çözümlerinin uygun başlangıç koşullarında pozitif ve sınırlı kalabildiğini.
- \(R_0\)'ın temel eşik parametresi olduğunu.
- Kaynak Teorem 3.2 kapsamında \(R_0<1\) için hastalıksız dengenin yerel asimptotik kararlılığını.
- \(R_0>1\) için pozitif endemik dengenin varlığını.
- Uygun koşullarda gecikmenin kritik bir değeri aşmasının Hopf çatallanması ve salınımlı dinamik oluşturabileceğini.
- Model içinde \(p_1\), \(q\) ve \(\tau\) değişikliklerinin epidemik yörüngeleri değiştirdiğini.
- Belirli \(H_1-H_4\) koşulları altında endemik dengenin Lyapunov yaklaşımıyla küresel asimptotik kararlılığını.
Çalışmanın desteklemediği sonuçlar
- Bu model gerçek bir ülkedeki gelecekteki Ebola vaka sayısını doğrulanmış biçimde tahmin etmemektedir.
- 101.173, 45.873 veya diğer simülasyon değerleri gerçek bir salgında gözlenmiş vaka sayıları değildir.
- Modeldeki \(\tau^\ast\) eşiği her Ebola salgını için evrensel biyolojik sabit değildir.
- Model, kültürel defin uygulamalarının tüm toplumlarda aynı nicel etkiyi oluşturduğunu göstermez.
- Çalışma herhangi bir ilaç, aşı veya klinik tedavinin etkinliğini test etmemektedir.
- Simülasyon sonuçları gerçek salgın verisiyle kalibre edilmiş klinik veya halk sağlığı öngörüsü değildir.
Model sınırlılıkları ve gelecek çalışmalar
Yazarlar ilk önemli sınırlılık olarak parametrelerin sınırlı gerçek salgın verisi nedeniyle mevcut literatürden alınmasını belirtmektedir. Gerçek salgın verileriyle ampirik kalibrasyon yapılması, modelin belirli salgınlara uygulanabilirliğini artırabilir.
İkinci olarak model mekânsal heterojenliği ve insan hareketliliğini açık biçimde içermemektedir. Gelecekte coğrafi farklılıkların, seyahat hareketlerinin ve bölgeler arası bulaşın eklenmesi önerilmektedir.
Üçüncü olarak model deterministiktir. Yazarlar davranış, çevre ve küçük popülasyonlarda ortaya çıkan rastlantısallığı temsil edebilmek amacıyla gelecekte stokastik bileşenlerin eklenmesini önermektedir.
Bu sınırlılıklar özellikle önemlidir: matematiksel olarak daha karmaşık bir model otomatik olarak gerçek salgınları daha doğru tahmin eden bir model anlamına gelmez. Gerçek dünya doğruluğu için parametre kalibrasyonu, bağımsız veriyle doğrulama ve bağlama özgü değerlendirme gerekir.
Kaynak ve Yöntem Notu
Özgün çalışma: A delayed fractional-order model of Ebola virus disease with human behavioral dynamics
Yazarlar: Eva Lusekelo; Mlyashimbi Helikumi; Salamida Daudi; Steady Mushayabasa.
Sorumlu yazar: Steady Mushayabasa.
Eş katkı: Kaynakta eş birinci yazarlık veya eş katkı bildirimi tespit edilmemiştir.
Kurumlar: Department of Mathematics and Statistics, College of Natural and Mathematical Sciences, University of Dodoma, Dodoma, Tanzania; Mbeya University of Science and Technology, Department of Mathematics and Statistics, College of Science and Technical Education, Mbeya, Tanzania; Department of Education and Mathematics, National Institute of Transport, Dar-es-Salaam, Tanzania; Department of Mathematics and Computational Sciences, University of Zimbabwe, Mount Pleasant, Harare, Zimbabwe.
Dergi: Results in Control and Optimization.
Yayınevi: Elsevier B.V.
Platform: ScienceDirect.
Cilt / makale numarası: Volume 23 (2026), Article 100738.
DOI: 10.1016/j.rico.2026.100738.
Alınma tarihi: 14 Mart 2026.
Revizyon tarihi: 7 Mayıs 2026.
Kabul tarihi: 20 Mayıs 2026.
Çevrimiçi yayın tarihi: 28 Mayıs 2026.
Kaynak türü: Hakemli bilimsel dergi makalesi; kuramsal matematiksel epidemiyoloji ve sayısal simülasyon çalışması.
Lisans: Creative Commons Attribution-NonCommercial 4.0 International (CC BY-NC 4.0).
Bilimsel yöntem: Caputo kesirli mertebeli gecikmeli diferansiyel denklemler; doygun insidans fonksiyonu; pozitiflik ve sınırlılık analizi; hastalıksız ve endemik denge; temel üreme sayısı; karakteristik denklem ve özdeğer analizi; Routh–Hurwitz kriteri; Hopf çatallanması; Lyapunov fonksiyoneli; Adams–Bashforth–Moulton predictor–corrector sayısal çözümü.
Veri erişilebilirliği: Kaynak açıkça araştırmada veri kullanılmadığını bildirmektedir. Sayısal sonuçlar matematiksel model ve literatürden alınan parametrelerle üretilmiştir.
Finansman: Yazarlar çalışmanın kamu, ticari veya kâr amacı gütmeyen herhangi bir finansman kuruluşundan özel bir hibe almadığını belirtmektedir.
Çıkar çatışması: Yazarlar çalışmayı etkileyebilecek bilinen mali çıkar veya kişisel ilişki bulunmadığını beyan etmektedir.
Yapay zekâ beyanı: Yazarlar çalışma hazırlanırken dil ve okunabilirliği geliştirmek amacıyla yapay zekâ kullandıklarını, ardından içeriği gözden geçirip düzenlediklerini ve yayın içeriğinin tüm sorumluluğunu üstlendiklerini bildirmektedir.
CRediT / yazar katkıları: Kaynakta ayrı bir CRediT authorship contribution statement tespit edilmemiştir; bu nedenle yazarların görevleri Verianla tarafından tahmin edilmemiştir.
Kaynak içi önemli sayısal tutarsızlık: Özet, Şekil 3–6 başlıkları ve ilgili sonuç paragraflarında bazı \(\tau\), \(p_1\) ve tepe enfeksiyon değerleri aynı değildir. Özellikle Şekil 3 için metin \(\tau=0\), şekil başlığı \(\tau=1\); Şekil 4 için metin \(\tau=2.5\), şekil başlığı \(\tau=2\) vermektedir. Özetin “1200'den 10.000'in üzerine” ifadesi de ana metin/şekillerdeki bazı daha büyük tepe değerleriyle doğrudan uyuşmamaktadır. Bu farklar sessizce düzeltilmemiştir.
Kararlılık ifadesiyle ilgili kaynak içi sınır: Teorem 3.2, \(R_0<1\) için hastalıksız dengeyi “yerel asimptotik kararlı” olarak ifade etmektedir. Sonuç bölümü ise aynı durumu “küresel asimptotik kararlı” olarak nitelendirmektedir.
Bir yorum bırakın
E-posta adresiniz yayınlanmayacaktır. Gerekli alanlar * ile işaretlenmiştir