Dünya tarihinde yaşanan en ölümcül salgınların yanı sıra, COVID-19 gibi modern pandemiler, insanlığı diferansiyel denklemlerle pandemi salgın tahmini yapmaya zorladı. Peki, bu denklemler nasıl çalışıyor? Hangi modeller gerçek hayatta kullanılıyor? Bu yazıda, diferansiyel denklemlerle pandemi salgın tahmini yapan 5 modeli derinlemesine inceleyeceğiz ve matematiksel epidemiyolojinin nasıl bir kurtarıcı olduğunu göreceğiz.

2020 yılında COVID-19’un patlak vermesiyle birlikte, sağlık kuruluşları ve hükümetler, salgının seyrini tahmin etmek için diferansiyel denklemlerle pandemi salgın modellerine başvurdu. Bu modeller, sadece virüsün yayılma hızını değil, aynı zamanda aşılamanın, karantinaların ve diğer müdahalelerin etkisini de hesapladı. Peki, bu denklemler nereden çıktı? Aslında, onların kökenleri 18. yüzyıla kadar uzanıyor. Ünlü matematikçi Daniel Bernoulli, 1760 yılında çiçek hastalığına karşı aşının etkisini modellemek için diferansiyel denklemler kullanmıştı. Bu, diferansiyel denklemlerin salgın tahminindeki ilk uygulamalarından biriydi.

Bugün, modern epidemiyoloji, bu denklemleri kullanarak salgınları öngörmek ve müdahalelerin etkisini değerlendirmek için çeşitli modeller geliştirmiştir. Bu yazıda, en çok kullanılan 5 modeli ele alacağız. Hazırsanız, başlayalım! Bu bölümde Diferansiyel Denklemlerle Pandemi Salgın hakkında pratik bilgiler yer alır.

Diferansiyel Denklemlerle Pandemi Salgın Nedir? Neden Bu Kadar Önemli?

Diferansiyel denklemlerle pandemi salgın tahmini, bir hastalığın bir nüfus içinde nasıl yayıldığını matematiksel olarak modellemek için kullanılan yöntemlerdir. Bu denklemler, genellikle zaman içinde değişen popülasyonları tanımlayan diferansiyel denklem sistemleri olarak ifade edilir. Örneğin, bir salgının başlangıcında hasta olan kişilerin sayısı, zamanla nasıl artar ya da azalır? Bu soruların yanıtını bulmak için diferansiyel denklemlerle pandemi salgın modelleri kullanılır.

Peki, neden bu kadar önemliler? İşte 3 temel neden: Detaylı incelemede Diferansiyel Denklemlerle Pandemi Salgın öne çıkan konulardan biridir.

1. Kaynakların Optimize Edilmesi: Hastanelerin kapasitesi, aşı üretimi ve karantina bölgelerinin belirlenmesi gibi kritik kararlar, diferansiyel denklemlerle pandemi salgın tahminlerine dayanır. Örneğin, COVID-19 salgını sırasında birçok ülke, yoğun bakım yataklarının sayısını tahmin etmek için bu modelleri kullandı.
2. Müdahalelerin Etkisinin Ölçülmesi: Bir hükümetin uyguladığı karantina kurallarının salgının seyrini nasıl değiştirdiğini görmek için bu modeller kullanılır. Örneğin, İtalya’da uygulanan sıkı karantina kuralları, model tahminlerine göre salgının yayılma hızını önemli ölçüde yavaşlattı.
3. Halk Sağlığı Politikalarının Tasarlanması: Aşılamanın ne zaman yapılacağı, hangi yaş gruplarına öncelik verileceği gibi kararlar, diferansiyel denklemlerle pandemi salgın modelleri tarafından desteklenir. Örneğin, İngiltere’deki aşılamanın zamanlaması, model tahminlerine göre optimize edildi.

Bu modellerin gücü, sadece geçmiş verileri analiz etmekle kalmayıp, aynı zamanda gelecekteki senaryoları öngörmeleridir. Örneğin, yapay öğrenme algoritmaları ile birlikte kullanıldıklarında, tahminlerin doğruluğu artar. Bu da, diferansiyel denklemlerle pandemi salgın tahminlerinin ne kadar güçlü olduğunu gösterir.

Şimdi, en çok kullanılan 5 modeli detaylı olarak inceleyelim.

1. SIR Modeli: En Basit ve En Güçlü Salgın Tahmin Aracı

SIR modeli, diferansiyel denklemlerle pandemi salgın tahmini alanında en temel ve en yaygın kullanılan modeldir. “SIR”, İngilizce’deki Susceptible (Hassas), Infectious (Bulaşıcı), Recovered (İyileşmiş) kelimelerinin baş harflerinden oluşur. Bu model, bir nüfusu üç gruba ayırır ve her grubun zaman içinde nasıl değiştiğini diferansiyel denklemlerle tanımlar.

SIR modelinin denklemleri şu şekildedir:

SIR Modelinin Temel Denklemleri

dS/dt = -β * S * I / N

dI/dt = β * S * I / N – γ * I

dR/dt = γ * I

Burada:

• S: Hassas nüfus (henüz hastalığa yakalanmamış kişiler)
• I: Bulaşıcı nüfus (hastalığı taşıyan ve yayan kişiler)
• R: İyileşmiş nüfus (hastalığı geçirip iyileşen ve artık bağışıklık kazanan kişiler)
• N: Toplam nüfus (S + I + R)
• β: Bulaşma oranı (bir kişi tarafından başka bir kişiye bulaştırılma olasılığı)
• γ: İyileşme oranı (bir kişi tarafından iyileşme süresinin tersi)

SIR Modeli Nasıl Çalışır? Matematiksel Formül ve Örnek

SIR modeli, bir nüfusu üç gruba ayırarak çalışır. Örneğin, 1000 kişilik bir nüfusta başlangıçta 990 kişi hassas (S), 10 kişi bulaşıcı (I) ve 0 kişi iyileşmiş (R) olsun. Eğer β = 0.2 ve γ = 0.1 ise, denklemler şu şekilde gelişecektir:

Başlangıç durumu: S = 990, I = 10, R = 0

Birinci gün sonunda:

• dS/dt = -0.2 * 990 * 10 / 1000 = -1.98 → S = 988.02
• dI/dt = 0.2 * 990 * 10 / 1000 – 0.1 * 10 = 1.98 – 1 = 0.98 → I = 10.98
• dR/dt = 0.1 * 10 = 1 → R = 1

Görüldüğü gibi, her gün hassas nüfus azalırken, bulaşıcı ve iyileşmiş nüfus artmaktadır. Bu süreç, salgın tamamen sona erene kadar devam eder.

SIR Modelinin Gerçek Hayatta Kullanıldığı 3 Örnek

SIR modeli, sadece teorikte değil, gerçek hayatta da geniş bir şekilde kullanılmıştır. İşte üç örnek:

1. İspanya Gribi (1918-1919): Bu salgın sırasında, araştırmacılar, SIR modelini kullanarak hastalığın yayılma hızını tahmin ettiler. Model, salgının ikinci dalgasının neden daha ölümcül olduğunu açıklamada yardımcı oldu.
2. COVID-19 (2020-2021): Birçok ülkede, sağlık kuruluşları, SIR modelini kullanarak hastanelerin yoğun bakım kapasitesini tahmin etti. Örneğin, İtalya’daki yoğun bakım yataklarının sayısı, model tahminlerine göre optimize edildi.
3. Ebola Salgını (2014-2016): Batı Afrika’daki Ebola salgınında, SIR modeli, hastalığın yayılma hızını tahmin etmek için kullanıldı. Bu sayede, uluslararası müdahalelerin zamanı ve kapsamı belirlendi.

SIR modeli, basitliği ve güçlü tahmin yeteneği nedeniyle, diferansiyel denklemlerle pandemi salgın tahmini alanında vazgeçilmez bir araçtır. Ancak, her model gibi, SIR modelinin de bazı sınırlamaları vardır. Örneğin, SIR modeli, kuluçka dönemini hesaba katmaz ve nüfusu homojen olarak kabul eder. Bu nedenle, daha karmaşık modellerin kullanılması gerekebilir.

2. SEIR Modeli: Kuluçka Dönemini de Dahil Eden Gelişmiş Tahmin

SEIR modeli, SIR modelinin bir adım ötesine geçer. “SEIR”, İngilizce’deki Susceptible (Hassas), Exposed (Maruz Kalmış), Infectious (Bulaşıcı), Recovered (İyileşmiş) kelimelerinin baş harflerinden oluşur. Bu model, kuluçka dönemini de dahil ederek, salgınların seyrini daha gerçekçi bir şekilde tahmin eder.

SEIR modelinin denklemleri şu şekildedir:

SEIR Modelinin Temel Denklemleri

dS/dt = -β * S * I / N

dE/dt = β * S * I / N – σ * E

dI/dt = σ * E – γ * I

dR/dt = γ * I

Burada:

• E: Maruz kalmış nüfus (hastalığa maruz kalmış ancak henüz bulaşıcı olmayan kişiler)
• σ: Maruz kalma oranı (bir kişinin bulaşıcı hale gelmeden önce maruz kaldığı süre)

Diferansiyel denklemlerle pandemi salgın tahmini yapan SEIR modeli, özellikle kuluçka döneminin önemli olduğu hastalıklar için ideal bir seçimdir. Örneğin, COVID-19’un kuluçka dönemi yaklaşık 5-6 gün sürmektedir. Bu nedenle, SEIR modeli, COVID-19’un yayılma hızını tahmin etmek için SIR modelinden daha doğru sonuçlar verir.

SEIR modelinin kullanıldığı bir başka örnek, kızamık salgınlarıdır. Kızamık, kuluçka döneminin uzun olması nedeniyle, SEIR modeli kullanılarak daha doğru bir şekilde tahmin edilir. Bu model sayesinde, aşılama programlarının zamanlaması ve kapsamı optimize edilebilir.

Ancak, SEIR modelinin de bazı sınırlamaları vardır. Örneğin, nüfusun yaş gruplarına göre ayrılması gerektiğinde, modelin karmaşıklığı artar. Bu nedenle, daha gelişmiş modellerin kullanılması gerekebilir.

3. Yaş Gruplarına Göre Yapılandırılmış Modeller: Her Yaş Grubunu Ayrı Tahmin Et

Bazı hastalıklar, yaş gruplarına göre farklı yayılma hızlarına sahiptir. Örneğin, grip, yaşlı nüfusta daha ölümcül olabilirken, çocuklarda daha yaygın olarak görülür. Bu nedenle, diferansiyel denklemlerle pandemi salgın tahmini yapan modellerin, nüfusu yaş gruplarına göre ayırması gerekir.

Yaş gruplarına göre yapılandırılmış modeller, nüfusu farklı yaş gruplarına ayırır ve her grup için ayrı diferansiyel denklemler kullanır. Bu modeller, genellikle SEIR modelinin bir uzantısı olarak kullanılır. Örneğin, bir model, nüfusu 0-18, 19-64 ve 65+ yaş gruplarına ayırabilir ve her grup için ayrı denklemler oluşturabilir.

Bir şehirde yaşayan 100.000 kişilik nüfus, üç yaş grubuna ayrılsın: 0-18 (30.000 kişi), 19-64 (60.000 kişi), 65+ (10.000 kişi). Her grup için ayrı SEIR denklemleri oluşturulur ve bu denklemler birbirleriyle etkileşim halinde çözülür. Bu sayede, her yaş grubunun grip salgınından nasıl etkilendiği tahmin edilebilir.

Yaş gruplarına göre yapılandırılmış modeller, özellikle grip, COVID-19 ve kızamık gibi hastalıkların tahmininde kullanılır. Bu modeller sayesinde, aşılama programlarının hangi yaş gruplarına öncelik verilmesi gerektiği belirlenebilir. Örneğin, COVID-19 salgını sırasında, birçok ülke, yaşlı nüfusa aşılama konusunda öncelik verdi. Bu karar, yaş gruplarına göre yapılandırılmış modellerin tahminlerine dayanıyordu.

Ancak, bu modellerin karmaşıklığı da artar. Her yaş grubu için ayrı denklemler oluşturulması ve bu denklemlerin birbirleriyle etkileşim halinde çözülmesi gerekir. Bu nedenle, bu modelleri kullanmak için güçlü bilgisayarlar ve karmaşık yazılımlar gerekebilir.

4. Ağ Tabanlı Modeller: Toplumdaki İlişkileri Gerçekçi Tahmin Edin

Gerçek dünyada, insanlar birbirleriyle sürekli olarak etkileşim halindedir. Bu etkileşimler, bir hastalığın yayılmasında kritik bir rol oynar. Ağ tabanlı modeller, bu etkileşimleri gerçekçi bir şekilde modelleyerek, diferansiyel denklemlerle pandemi salgın tahminlerinin doğruluğunu artırır.

Ağ Modeli Nasıl Çalışır? Örnek Bir Senaryo

Ağ tabanlı modeller, nüfusu bir graf olarak temsil eder. Her düğüm, bir bireyi temsil ederken, kenarlar, bireyler arasındaki etkileşimleri temsil eder. Örneğin, bir okulda öğrenciler arasındaki arkadaşlık ilişkileri bir graf olarak modellenebilir. Bu graf, bir hastalığın nasıl yayıldığını tahmin etmek için kullanılır.

Bir okulda 100 öğrenci olduğunu varsayalım. Öğrenciler arasındaki arkadaşlık ilişkileri bir graf olarak modellenir. Eğer bir öğrenci grip olur ve okula giderse, bu öğrenci, arkadaşlarıyla olan etkileşimler yoluyla hastalığı yayar. Ağ tabanlı bir model, bu süreci gerçekçi bir şekilde tahmin eder ve salgınla mücadele için gerekli adımları belirler.

Ağ tabanlı modellerin en büyük avantajı, nüfusu homojen olarak değil, bireyler arasındaki ilişkileri dikkate alarak modelleyebilmeleridir. Bu sayede, salgınların yayılma şekli daha gerçekçi bir şekilde tahmin edilir. Örneğin, bir hastalığın bir okulda nasıl yayıldığını tahmin etmek için, sadece okuldaki öğrenci sayısını değil, aynı zamanda öğrenciler arasındaki ilişkileri de dikkate almak gerekir.

Ağ Modellerinin Avantajları ve Dezavantajları

Ağ Tabanlı Modellerin Avantajları ve Dezavantajları

Avantajlar	Dezavantajlar
Gerçekçi tahminler sunar	Veri toplama ve model kurulumu zordur
Nüfusu bireyler arası ilişkilerle modelleyebilir	Büyük nüfuslar için hesaplama maliyeti yüksektir
Özel müdahalelerin etkisini tahmin eder	Veri gizliliği ve etik sorunlar ortaya çıkarabilir

Ağ tabanlı modeller, özellikle okullar, hastaneler ve iş yerleri gibi kapalı topluluklarda salgınların tahmininde kullanılır. Örneğin, bir hastanede salgın çıkması durumunda, ağ tabanlı bir model, hangi bölümlerin karantinaya alınması gerektiğini belirleyebilir.

Ancak, ağ tabanlı modellerin kullanımı, veri toplama ve model kurulumu gibi zorluklarla da birlikte gelir. Bu nedenle, bu modelleri kullanmadan önce, gerekli veri ve kaynakların mevcut olup olmadığı değerlendirilmelidir.

5. Stokastik (Rassal) Modeller: Rastgelelikleriyle Gerçekçilik Kazanan Tahminler

Gerçek dünyada, salgınların yayılmasında birçok rastgele faktör vardır. Örneğin, bir kişinin hasta olup olmaması, bir kişinin hastalığa maruz kalıp kalmaması, tamamen rastgele olabilir. Stokastik modeller, bu rastgelelikleri dikkate alarak, diferansiyel denklemlerle pandemi salgın tahminlerini daha gerçekçi hale getirir.

Stokastik modeller, diferansiyel denklemlerin yanı sıra, rastgele değişkenler de kullanır. Örneğin, bir model, hastalığın yayılma hızını belirleyen parametrelerin rastgele olduğunu varsayar. Bu sayede, modelin çıktıları da rastgele olur ve farklı senaryoların olasılıklarını tahmin eder.

Bir şehirde COVID-19’un yayılmasını tahmin etmek için kullanılan bir stokastik model, hastalığın yayılma hızını belirleyen parametrelerin rastgele olduğunu varsayar. Bu sayede, model, salgının ne kadar hızlı yayılacağına dair farklı senaryolar üretir. Örneğin, model, salgının %90 olasılıkla 3 ay içinde kontrol altına alınabileceğini, ancak %10 olasılık

Güvenilir kaynaklar: Vikipedi ve TÜBİTAK.

Bu rehberde daha fazlası

Uzman içerikler için OssMatemaik sitesini ziyaret edin.

Sıkça Sorulan Sorular

📚 İlgili İçerikler:

• Doğal Afetlerin Tahmininde Kullanılan 5 İleri Fraktal Modelleme Yöntemi
• Yapay Öğrenme Algoritmalarında Diferansiyel Denklemlerin 4 Kritik Rolü

Diferansiyel Denklemlerle Pandemi Salgın nedir?

Konunun temel bilgileri ve pratik uygulamaları bu rehberde açıklanır.

Neden önemlidir?

Doğru bilgi ve düzenli uygulama okuyuculara somut fayda sağlar.

Nereden başlanır?

Bu makaleyle başlayın, ardından sitemizdeki ilgili rehberlere göz atın.

Kimler için uygundur?

Yeni başlayanlar ve deneyimli okuyucular için uygundur.