编辑推荐：
这篇综述提出了一种融合分数阶动力学模型与疾病信息神经网络（DINN）的创新框架，以解析人偏肺病毒（hMPV）的复杂传播机制。模型（S0EIsIaHR1S1R2+）能描述免疫衰退与再感染。研究通过全球敏感性分析识别关键参数（如传播率β对R0影响最大），并证明DINN在参数与轨迹预测上表现出色（R2高达0.9800）。最优控制分析显示，组合干预策略可使住院高峰降低47.3%，为公共卫生决策提供了量化工具。
亮点
本文进行了以下重要创新：
- •
本文研究了一个新颖的八室分数阶人偏肺病毒（hMPV）模型，旨在描述免疫衰退和再感染过程。通过使用Caputo分数阶导数，我们能够纳入经典模型所不具备的记忆效应。
- •
通过使用分数阶微分方程，本文提出了一种疾病信息神经网络（DINN），它能够通过训练，从稀疏且有噪声的数据中学习模型参数并预测疫情轨迹，同时遵守生物学规律。
- •
本研究建立并求解了一个包含时变干预措施组合（即非药物措施、治疗措施和监测措施）的多变量最优控制问题。研究结果表明，组合策略可将住院峰值降低47.3%。
- •
我们完成了对模型的数学分析，确立了其适定性，讨论了其稳定性，解释了阈值参数的行为，并获得了疾病消除和地方性流行的明确条件。
- •
全球敏感性分析结果表明，对基本再生数（R0）影响最大的参数是传播率、有症状康复率和有症状比例。DINN通过合成数据验证显示出优异的预测性能（决定系数R2高达0.9800），并成功估算了分数阶阶数α。
本研究的目的是：
- •
建立一个包含免疫能力衰退和再感染动力学的人偏肺病毒分数阶流行病学模型。
- •
设计一个疾病信息神经网络（DINN），能够利用疾病知识改进参数估计和预测过程。
- •
构建最优控制方法学，以评估协同干预策略的有效性。
分数阶基础知识
本节提供了构建后续流行病学建模框架所必需的分数阶微积分基本数学知识。
定义 2.1
令 α > 0，n = ?α?，且 f ∈ ACn([0,∞))，即n次绝对连续函数空间。α阶Caputo分数阶导数定义为：
CDtαf(t) = 1/Γ(n-α) ∫0t(t-τ)n-α-1f(n)(τ) dτ, t > 0,
其中Γ(·)表示伽玛函数。这个定义允许使用标准初始条件 f(0), f'(0), …, f(n-1)(0)。
模型描述
为了描述hMPV传播动力学，总人口N(t)被划分为八个不同的仓室。初始易感个体记为S0(t)，暴露个体记为E(t)，有症状和无症状感染个体分别记为Is(t)和Ia(t)，住院病例记为H(t)，初次康复个体记为R1(t)，免疫衰退后再次易感个体记为S1(t)，以及获得持久免疫力个体记为R2+(t)。这里，我们使用函数（f）的Caputo分数阶导数…
数学分析与模型特性
分析结果证实了所提出的分数阶流行病学系统在数学上的适定性。本节确立了模型的解的存在性、唯一性、非负性、有界性和稳定性分析及其定性行为，以确保我们的hMPV传播模型既符合生物学一致性，又具有数学有效性。
全局敏感性分析
通过PRCC（偏秩相关）方法进行的全局敏感性分析，确立了决定hMPV传播动力学的关键参数层级。对基本再生数R0影响最大的关键因素是传播率β，其PRCC值为0.788。第二个关键因素是有症状康复率γs，其PRCC值为-0.394。有症状比例p（PRCC = 0.234）和住院率φ（PRCC = -0.232）均显示出中度影响，而进展率σ则显示出结构性（影响）…
疾病信息神经网络框架
我们提出了一个变革性的计算范式，称为疾病信息神经网络（DINN），它将分数阶微积分与深度学习相结合，实现了一个双重估计框架。这个框架能够以数学约束的方式，直接从稀疏的流行病学测量数据中推断模型参数和状态变量。
最优控制分析
在本节中，我们提出了一个理论最优控制分析，并推导出一个包含三种干预措施的最优控制框架。该公式纳入了时变控制措施：u1(t)表示非药物干预，u2(t)表示治疗强化，u3(t)表示在脆弱亚群中加强监测。受控的分数阶hMPV动力学由以下方程描述：
CDtαS0(t) = Λ - (1-u1(t))λS0- μS0,
CDtαE(t) = (1-u1(t))λ(S0+S1) - (θ0+u3(t)κ)E,
CDtαIs(t) = pσE - (θ1+u2)… （原文此处截断，后续应为控制方程和成本泛函等）
研究局限性与主要挑战
本部分阐述了当前研究的具体范围以及在构建此综合框架过程中遇到的相关困难。认识这些局限性对于将研究结果置于恰当的语境中，并指导该领域的进一步研究至关重要。
结论
在本研究中，我们开发了一个详细的数学和计算模型，以探究人偏肺病毒（hMPV）的传播机制，该病毒的特点在于免疫衰退和再感染。本工作主要有三个目标：首先，设计一个基于免疫衰退和再感染的分数阶hMPV模型；其次，开发一个新的疾病信息神经网络（DINN）来近似参数和假设并进行预测；第三，开发一个（最优控制框架）。
