covid19-analytics

KO | EN

gitlite — search

#react #llm #go #machine-learning #rust #deep-learning #linux #nodejs #java #windows #awesome #cli #awesome-list #ios

covid19-analytics

(★ 22)

Analysis of the COVID19 outbreak in Brazil mainly through epidemic and hospitalization models, by the Health Analytics and Prospera consulting business units of Funcional Heatlh Tech.

covid19-analytics Latest Version Download

Download Latest Version (.zip)

// repository documentation

Was this content helpful?

★ 0 (0 ratings)

# Análise da COVID19 no Brasil

Análise do surto de COVID19 no Brasil empregando-se principalmente modelos epidemiológicos e de processos hospitalares.

**ADVERTÊNCIA:** os modelos e números aqui apresentados não são afirmações formais médicas sobre o progresso da doença, mas apenas exercícios que demonstram técnicas de modelagem e cenários hipotéticos de aplicação.

## Introdução

A recente pandemia de COVID-19 vem motivando uma série de iniciativas ao redor do mundo para entender sua dinâmica e facilitar o trabalho de profissionais e gestores de saúde, no âmbito tanto público quanto privado. Aqui apresentamos uma contribuição por meio da implementação de análises, modelos epidemiológicos, estudos de processos de saúde e outros exercícios variados na linguagem Python, com o objetivo de *permitir a cientistas de dados, principalmente no Brasil, a terem um ponto de partida a partir do qual conduzirem seus próprios estudos*. Na medida do possível, buscaremos também exercitar esses modelos para produzir alguns resultados numéricos sugestivos, **porém por enquanto é preciso advertir que esses números não são afirmações formais sobre o progresso da doença, mas apenas exercício que demosntram o uso dos modelos propostos. Pequenas mudanças nos parâmetros dos modelos podem levar a vastas mudanças nos resultados.**

O repositório está organizado nas seguintes pastas:

- `data/`: Dados históricos da COVID19, usado para estimação de parâmetros dos modelos.
    - `data/large/`: Dados históricos grandes demais para serem versionados. Estes dados podem ser baixados usando o script de download fornecido (ver abaixo).
    - `data/preprocessed/`: Dados pré-processados para conveniência de algumas análises. São criados por um *notebook* específico (ver abaixo).
  - `notebooks/`: *Notebooks* Jupyter com as análises e modelos.
  - `results/`: Resultados de análises e modelos, para reuso em outros contextos.
    - `results/eda/`: Imagens e CSVs resultantes das análises exploratórias de dados.
    - `results/notebooks/`: Com o uso da biblioteca [papermill](https://papermill.readthedocs.io/en/latest/index.html), os próprios *notebooks* podem ser customizados resultarem em novas versões, que são então nesta pasta.
    - `results/notebooks/Brazil`: Resultados específicos para estados e municípios brasileiros, valendo-se dos dados disponibilizados pelo [Brasil.io](https://brasil.io/dataset/covid19/caso_full/)

Destacamos ainda dois mecanismos de dados úteis de modo geral:

- `download_data.sh`: Script que baixa os dados necessários para as diversas análises e modelos. Para ambientes Unix / Linux.
  - `notebooks/data_preprocessing.ipynb`: *notebook* que pré-processa dados e os coloca em formato mais conveniente para algumas análises.

## Modelos Epidemiológicos

Estão implementados alguns [modelos epidemiológicos clássicos](https://en.wikipedia.org/wiki/Compartmental_models_in_epidemiology), a saber:

- SIR (Susceptible-Infectious-Recovered): ver *notebook* `epidemic_model_sir.ipynb`. Este é um modelo simples que usamos apenas para demonstrar as técnicas básicas envolvidas.
  - SEIR (Susceptible-Exposed-Infectious-Recovered): ver *notebook* `epidemic_model_seir.ipynb`. Este modelo é uma sofisticação do SIR. Ademais, focamos melhorias e análises nele.

Também fornecemos outras formas de modelagem:

- Aprendizado de Máquina clássico: ver *notebook* `epidemic_model_ml.ipynb`. Aqui exploramos a aplicação de alguns algoritmos clássicos de Aprendizado de Máquina diretamente sobre os dados epidemiológicos. Não acreditamos que essa abordagem seja muito eficaz, posto que despreza conhecimento *a priori* sobre a dinâmica do processo sendo aprendido, porém é fornecida como base de comparação, e eventualmente como ponto de partida para experimentos mais sofisticados.

Esses *notebooks* podem ser baixados por interessados e customizados de diversos modos. No próprio texto de cada um apresentamos algumas idéias e exercícios, que podem servir de base para estudos e modelos mais complexos.

Ademais, fornecemos um *notebook*  central, `models.ipynb`, por meio do qual os mesmos modelos podem ser re-executados com diversas variações de parâmetros, mediante o uso da biblioteca [papermill](https://papermill.readthedocs.io/en/latest/index.html).

![Exemplo de saida do SEIR](https://raw.githubusercontent.com/funcional-health-analytics/covid19-analytics/master/seir_output_example.png)
*Exemplo de saída em um dos exercícios com o modelo SEIR. Os números são meramente ilustrativos.*

![Exemplo de ajuste do SEIR](https://raw.githubusercontent.com/funcional-health-analytics/covid19-analytics/master/seir_fit_example.png)
*Exemplo de dados de simulação ajustados aos dados observados em um dos exercícios com o modelo SEIR. Os números da previsão são meramente ilustrativos.*

![Exemplo de ajustes variados do SEIR](https://raw.githubusercontent.com/funcional-health-analytics/covid19-analytics/master/seir_multiple_fit_example.png)
*Exemplo de diversos ajustes do modelo SEIR, considerando partes dos dados para o Brasil. Note como há grande sensibilidade dos resultados, por isso enfatizamos que os números da previsão são meramente ilustrativos.*

![Exemplo de análise de sensibilidade do SEIR](https://raw.githubusercontent.com/funcional-health-analytics/covid19-analytics/master/seir_multiple_fit_stability_example.png)
*Exemplo de análise de sensibilidade do modelo SEIR, considerando partes dos dados para o Brasil. Note que a posição do pico varia muito no início, passa por um período de pouca variabilidade, e passa ficar novamente instável. Essa análise pode ser um modo interessante de quantificar a confiabilidade das previsões sendo feitas.*

### Aplicação Interativa

Também fornecemos uma aplicação interativa para simular o modelo SEIR, fazendo-se uso da [biblioteca streamlit](https://www.streamlit.io/). Com isso, pode-se facilmente explorar os dados de diversos países, e aplicar-se o modelo SEIR a cada um deles com os parâmetros desejados. Para executá-la, basta garantir que a biblioteca e demais dependência estejam instaladas e então executar:

```
  streamlit run src/app_interactive_seir/run.py
```

Ou então, mais convenientemente, o *script* seguinte (em ambientes Unix / Linux):

```
  run_seir_app.sh
```

Se necessário, as dependências Python podem ser todas instaladas com o seguinte comando:

```
  pip install -r requirements.txt
```

![Exemplo de tela da aplicação interativa](https://raw.githubusercontent.com/funcional-health-analytics/covid19-analytics/master/interactive_app_example.png)
*Exemplo de tela da aplicação interativa executando modelo SEIR. Os números são meramente ilustrativos.*

## Modelos de Processos Hospitalares

Além da epidemia em si, é útil compreender como o sistema de saúde se comporta frente aos números projetados de infecções. Para tanto, também implementamos um modelo de processos hospitalares no *notebook* `hospitalization_process.ipynb`.

![Exemplo de saida do modelo de processos hospitalares](https://raw.githubusercontent.com/funcional-health-analytics/covid19-analytics/master/hospitalization_process_example.png)
*Exemplo de saída em um dos exercícios com o modelo de processos hospitalares. Os números são meramente ilustrativos.*

## Análises de Dados Exploratórias

Fazemos algumas análises em dados disponíveis publicamente, notoriamente os do [Our World in Data](https://ourworldindata.org/coronavirus-source-data ). Temos os seguintes *notebooks* disponíveis:

- `eda.ipynb`: Centraliza a execução de outros *notebooks* com parâmetros customizados, mediante o uso da biblioteca [papermill](https://papermill.readthedocs.io/en/latest/index.html). Assim, uma mesma análise pode ser re-executada com diversas variações de parâmetros. Os resultados dessas análises customizadas são também *notebooks*, que são colocados em `results/notebooks/`.
  - `eda_international.ipynb`: Análises comparativas variadas do progresso da detecção de casos e óbitos ao redor do mundo. Esta análise gera diversos gráficos e dados comparativos, que são armazenados na pasta `results/` para conveniência.
  - `eda_srag.ipynb`: Análises dos casos de Síndrome Respiratória Aguda Grave (SRAG) no Brasil, fazendo-se uso dos dados da Fiocruz. Permite estimar casos não reportados de COVID-19, caso tenham sido registrados ao menos como SRAG.
 
![Razão óbitos por casos](https://raw.githubusercontent.com/funcional-health-analytics/covid19-analytics/master/results/eda/eda_deaths_per_7-shifted_cases_ratio_ordered_by_total_cases_zoom.png)
*Exemplo de análise exploratória. Números baseados em dados públicos.*

![SRAG semanal](https://raw.githubusercontent.com/funcional-health-analytics/covid19-analytics/master/srag_example.png)
*Exemplo de análise de Síndrome Respiratória Aguda Grave (SRAG). Números baseados em dados públicos.*

covid19-analytics

covid19-analytics Latest Version Download

Today's picks

Was this content helpful?

Recent Feedback

covid19-analytics

covid19-analytics Latest Version Download

Today's picks

Was this content helpful?

Recent Feedback

Download README