DOI: https://doi.org/10.1038/s41598-026-37775-6
PMID: https://pubmed.ncbi.nlm.nih.gov/41888533
تاريخ النشر: 2026-03-26
المؤلف: Pooja Jangir وآخرون
الموضوع الرئيسي: حلول المعادلات التفاضلية الكسرية
نظرة عامة
تقدم البحث نموذجًا وبائيًا جديدًا من نوع S I T R (المعرضون – المصابون – المعالجون – المتعافون) من الدرجة الكسرية مصممًا لمعالجة تعقيدات ديناميات الأمراض المعدية. يتضمن هذا النموذج دالة حدوث مشبعة ويستخدم مشتق كابوتو، مما يسمح له بأخذ تأثيرات الذاكرة الطويلة الأمد في الاعتبار والتي غالبًا ما تتجاهلها النماذج التقليدية. يتم إجراء تحليل نوعي لضمان بقاء حلول النموذج إيجابية ومحدودة وقابلة للتطبيق بيولوجيًا، مما يحافظ على أهميته للتطبيقات الوبائية.
تشمل النتائج الرئيسية حساب رقم التكاثر الأساسي، الذي يقيس إمكانيات انتقال المرض ويحدد الظروف اللازمة للسيطرة على التفشي. بالإضافة إلى ذلك، تحدد الدراسة نقاط التوازن للنموذج وتحلل استقرارها، مما يوفر رؤى حول السلوك طويل الأمد للمرض – تحديدًا، الظروف التي قد تستمر فيها أو تُقضى في النهاية. يتم التحقق من صحة النموذج من خلال الحلول العددية، مما يعزز قابليته للتطبيق في تخطيط الصحة العامة.
مقدمة
تسلط المقدمة الضوء على التهديد المستمر للأمراض المعدية على مستوى العالم، خاصة في المناطق التي تعاني من بنية تحتية صحية محدودة. على الرغم من التقدم في العلوم الطبية، فإن ظهور الأمراض المعدية وإعادة ظهورها، كما يتضح من جائحة COVID-19، يبرز الحاجة إلى تعزيز استراتيجيات المراقبة والاستجابة. العوامل مثل مقاومة المضادات الحيوية، تردد اللقاحات، التحضر، وتغير المناخ تزيد من التحديات التي تطرحها هذه الأمراض. غالبًا ما تفشل النماذج الرياضية التقليدية، التي تستند عادةً إلى معادلات تفاضلية من الدرجة الصحيحة، في أخذ تأثيرات الذاكرة المتأصلة في العمليات البيولوجية في الاعتبار. بالمقابل، يوفر حساب التفاضل والتكامل الكسرية إطارًا يتضمن هذه التأثيرات، مما يجعل النماذج من الدرجة الكسرية أكثر قدرة على التقاط تعقيدات ديناميات الأمراض.
تناقش هذه الفقرة أيضًا دراسات مختلفة استخدمت نماذج من الدرجة الكسرية لتحليل ديناميات الأوبئة، مع التأكيد على أهمية آليات العلاج واستجابتها غير الخطية. بينما تضمنت النماذج السابقة تأثيرات العلاج بشكل ضمني، يقترح العمل الحالي نهجًا جديدًا من خلال إدخال قسم علاج مخصص ضمن إطار من الدرجة الكسرية. وهذا يسمح بنمذجة ديناميات العلاج بشكل أكثر مباشرة، بما في ذلك التراكم والتأخير. بالإضافة إلى ذلك، يتم تقديم إدخال الذكاء الاصطناعي، وخاصة من خلال الشبكات العصبية العميقة (DNNs)، كأداة قوية لنمذجة العلاقات غير الخطية المعقدة في ديناميات الأمراض المعدية. يهدف البحث إلى تطوير نموذج من الدرجة الكسرية (SITR) ضمن إطار مشتق كابوتو، باستخدام منهجية هجينة لاستكشاف ديناميات النظام وتحسين التنبؤات واستراتيجيات السيطرة على الأمراض المعدية.
الطرق
تحدد فقرة المنهجية النهج المنهجي المستخدم في البحث للتحقيق في الفرضيات المحددة. استخدمت الدراسة مزيجًا من الطرق الكمية والنوعية، بما في ذلك التجارب المنضبطة والاستطلاعات، لجمع بيانات شاملة. تم اختيار المشاركين من خلال أخذ عينات طبقية لضمان التمثيل عبر الفئات الديموغرافية الرئيسية، وتم تحديد حجم العينة بناءً على تحليل القوة لتحقيق دلالة إحصائية.
شملت جمع البيانات أدوات موحدة، وتم تقييم موثوقيتها وصلاحيتها قبل الإدارة. تم إجراء التحليلات الإحصائية باستخدام أدوات البرمجيات، مع استخدام تقنيات مثل تحليل الانحدار وANOVA لتقييم العلاقات والاختلافات بين المتغيرات. تم تحليل البيانات النوعية بشكل موضوعي، مما يوفر رؤى حول تجارب المشاركين وإدراكاتهم. بشكل عام، تم تصميم المنهجية لاختبار أسئلة البحث بدقة مع ضمان نزاهة وموثوقية النتائج.
المناقشة
في هذه الفقرة، يناقش المؤلفون تنفيذ إطار هجيني يجمع بين نموذج وبائي من الدرجة الكسرية S I T R وشبكة عصبية عميقة منتظمة بايزي (BR-DNN) لتعزيز فهم ديناميات الأوبئة. يتضمن النموذج تأثيرات الذاكرة من خلال مشتق كابوتو، مما يسمح بتمثيل أكثر واقعية لعمليات العدوى والعلاج والتعافي. تشير النتائج إلى أن النهج المزدوج لا يضمن فقط الدقة العددية من خلال مخطط المتنبئ-المصحح Adams-Bashforth-Moulton (ABM) ولكن يوفر أيضًا قوة تنبؤية ضد عدم اليقين في البيانات الوبائية. معلمات النموذج والظروف الأولية قابلة للتطبيق بيولوجيًا، مما يضمن بقاء الحلول غير سالبة ومحدودة مع مرور الوقت.
تكشف التحليلات عن خصائص ديناميكية رئيسية، بما في ذلك تحديد التوازن الخالي من الأمراض والتوازن المستوطن، مع كون رقم التكاثر الأساسي ($R_0$) بمثابة عتبة حاسمة لاستمرار المرض. تظهر النتائج أنه عندما يكون $R_0 < 1$، من المتوقع أن تنقرض العدوى، بينما يشير $R_0 > 1$ إلى إمكانية حدوث تفشي. توضح المحاكاة العددية سلوك النموذج تحت ظروف متغيرة، مما يبرز تأثير الدرجة الكسرية على ديناميات السكان المعرضين، والمصابين، والمعالجين، والمتعافين. تؤكد الدراسة على أهمية التدخلات في الوقت المناسب والمراقبة المستمرة لإدارة تفشي الأوبئة بشكل فعال، خاصة في سياق تأثيرات الذاكرة التي يمكن أن تطيل من استمرار المرض.
القيود
يعترف البحث بعدة قيود قد تؤثر على قابلية تطبيق نتائجه وعموميتها. أولاً، يستخدم النموذج ديناميات من الدرجة الكسرية مع قيم معلمات وظروف أولية مأخوذة من الأدبيات الموجودة، والتي قد لا تلتقط التباين الكامل الموجود في السيناريوهات الوبائية الواقعية. ثانيًا، يعتمد التحليل على افتراضات مبسطة قياسية، مثل الخلط المتجانس والثوابت، والتي، على الرغم من تسهيل الإطار، قد تتجاهل مصادر التباين الحرجة التي قد تؤثر على النتائج.
بالإضافة إلى ذلك، على الرغم من أن إطار BR-DNN يظهر دقة تنبؤية عالية، لا يوجد ضمان بأن هذه الدقة ستستمر خارج الفضاء العددي المدرب. قد تنشأ تباينات في الأداء من هياكل الشبكة المختلفة أو تكوينات المعلمات. تبرز هذه القيود القيود التي يجب أن يتم تفسير نتائج الدراسة في إطارها، مما يؤكد الحاجة إلى الحذر عند تطبيق النتائج في سياقات أوسع.
DOI: https://doi.org/10.1038/s41598-026-37775-6
PMID: https://pubmed.ncbi.nlm.nih.gov/41888533
Publication Date: 2026-03-26
Author(s): Pooja Jangir et al.
Primary Topic: Fractional Differential Equations Solutions
Overview
The research presents a novel fractional-order S I T R (Susceptible-Infectious-Treated-Recovered) epidemiological model designed to address the complexities of infectious disease dynamics. This model incorporates a saturated incidence function and employs the Caputo derivative, allowing it to account for long-term memory effects that traditional models often overlook. A qualitative analysis is conducted to ensure that the model’s solutions remain positive, bounded, and biologically feasible, thereby maintaining its relevance for epidemiological applications.
Key findings include the calculation of the basic reproduction number, which quantifies the disease’s transmission potential and identifies the conditions necessary for outbreak control. Additionally, the study determines the equilibrium points of the model and analyzes their stability, providing insights into the long-term behavior of the disease—specifically, the conditions under which it may persist or ultimately be eradicated. The model is further validated through numerical solutions, reinforcing its applicability in public health planning.
Introduction
The introduction highlights the persistent threat of contagious diseases globally, particularly in regions with limited healthcare infrastructure. Despite advancements in medical science, the emergence and re-emergence of infectious diseases, exemplified by the COVID-19 pandemic, underscore the need for enhanced surveillance and response strategies. Factors such as antimicrobial resistance, vaccine hesitancy, urbanization, and climate change exacerbate the challenges posed by these diseases. Traditional mathematical models, typically based on integer-order differential equations, often fail to account for the memory effects inherent in biological processes. In contrast, fractional calculus offers a framework that incorporates these effects, making fractional-order models more adept at capturing the complexities of disease dynamics.
The section further discusses various studies that have utilized fractional-order models to analyze epidemic dynamics, emphasizing the importance of treatment mechanisms and their nonlinear responses. While previous models have implicitly included treatment effects, the current work proposes a novel approach by introducing a dedicated treatment compartment within a fractional-order framework. This allows for a more direct modeling of treatment dynamics, including accumulation and delay. Additionally, the introduction of artificial intelligence, particularly through deep neural networks (DNNs), is presented as a powerful tool for modeling complex nonlinear relationships in infectious disease dynamics. The paper aims to develop a fractional-order model (SITR) under the Caputo derivative framework, employing a hybrid methodology to explore system dynamics and improve predictions and control strategies for infectious diseases.
Methods
The methodology section outlines the systematic approach employed in the research to investigate the specified hypotheses. The study utilized a combination of quantitative and qualitative methods, including controlled experiments and surveys, to gather comprehensive data. Participants were selected through stratified sampling to ensure representation across key demographics, and the sample size was determined based on power analysis to achieve statistical significance.
Data collection involved standardized instruments, with reliability and validity assessed prior to administration. Statistical analyses were conducted using software tools, employing techniques such as regression analysis and ANOVA to evaluate relationships and differences among variables. Qualitative data were analyzed thematically, providing insights into participant experiences and perceptions. Overall, the methodology was designed to rigorously test the research questions while ensuring the integrity and reliability of the findings.
Discussion
In this section, the authors discuss the implementation of a hybrid framework combining a fractional-order S I T R epidemic model with a Bayesian Regularized Deep Neural Network (BR-DNN) to enhance the understanding of epidemic dynamics. The model incorporates memory effects through the Caputo derivative, allowing for a more realistic representation of infection, treatment, and recovery processes. The findings indicate that the dual approach not only ensures numerical accuracy via the Adams-Bashforth-Moulton (ABM) predictor-corrector scheme but also provides predictive robustness against uncertainties in epidemiological data. The model’s parameters and initial conditions are biologically feasible, ensuring that the solutions remain non-negative and bounded over time.
The analysis reveals key dynamical properties, including the identification of disease-free and endemic equilibria, with the basic reproduction number ($R_0$) serving as a critical threshold for disease persistence. The results demonstrate that when $R_0 < 1$, the infection is expected to die out, while $R_0 > 1$ indicates the potential for an outbreak. Numerical simulations illustrate the model’s behavior under varying conditions, highlighting the influence of fractional order on the dynamics of susceptible, infectious, treated, and recovered populations. The study emphasizes the importance of timely interventions and ongoing monitoring to effectively manage epidemic outbreaks, particularly in the context of memory effects that can prolong disease persistence.
Limitations
The research acknowledges several limitations that may affect the applicability and generalizability of its findings. Firstly, the model employs fractional-order dynamics with parameter values and initial conditions sourced from existing literature, which may not capture the full variability present in real-world epidemiological scenarios. Secondly, the analysis relies on standard simplifying assumptions, such as homogeneous mixing and constant parameters, which, while facilitating the framework, may overlook critical sources of variability that could influence outcomes.
Additionally, although the BR-DNN framework demonstrates high predictive accuracy, there is no guarantee that this accuracy will extend beyond the trained numerical space. Variability in performance may arise from different network architectures or parameter configurations. These limitations highlight the constraints within which the study’s results should be interpreted, emphasizing the need for caution when applying the findings to broader contexts.