COVID-19

KO | EN

gitlite — search

#python #java #python3 #arduino #golang #machine-learning #rust #html #flask #javascript #seismology #nodejs

★ 220 Open GitHub ↗

Ciência de Dados aplicada à pandemia do novo coronavírus.

// repository documentation

Was this content helpful?

★ 0 (0 ratings)

COVID-19
====
O objetivo deste repositório é iniciar uma força tarefa conjunta da comunidade científica e tecnológica a fim de organizar dados e criar modelos de previsão de infectados (e talvez outras métricas, entre elas demanda por leitos de internação) pelo COVID-19, focando no Brasil. O projeto é público e pode ser usado por todxs.

Toda e qualquer comunicação deve ser feita publicamente via [GitHub Issues](https://github.com/3778/COVID-19/issues) (fique a vontade para criar uma issue nova). Veja como contribuir com sua área de conhecimento (seja você profissional da saúde, computação, dados ou qualquer outra área) na seção [Como contribuir?](#como-contribuir)

No momento, as principais contribuições são o modelo [SEIR-Bayes](#seir-bayes) que pode ser visualizado interativamente com o [Simulador](https://covid-simulator.3778.care/); e os [Dados disponíveis neste respositório](#dados-disponíveis-neste-respositório)

**É importante entender que as análises estão em fase preliminar. Use a seu próprio risco.**

# Índice

   * [COVID-19](#covid-19)
   * [Índice](#índice)
   * [Informações rápidas](#informações-rápidas)
      * [Qual o modelo que acreditamos ser melhor?](#qual-o-modelo-que-acreditamos-ser-melhor)
      * [Como posso usar o simulador online?](#como-posso-usar-o-simulador-online)
      * [Como entro no grupo oficial do Telegram?](#como-entro-no-grupo-oficial-do-telegram)
   * [Setup para rodar os modelos](#setup-para-rodar-os-modelos)
   * [Modelos](#modelos)
      * [Modelos Compartimentados](#modelos-compartimentados)
         * [SEIR-ODE](#seir-ode)
         * [SEIR-SDE](#seir-sde)
         * [SEIR-Bayes](#seir-bayes)
            * [Resultado](#resultado)
            * [Acessar resultados com Python](#acessar-resultados-com-python)
   * [Dados disponíveis neste respositório](#dados-disponíveis-neste-respositório)
   * [Simulador](#simulador)
      * [Hosteado pela 3778](#hosteado-pela-3778)
      * [Com pip](#com-pip)
      * [Com Docker](#com-docker)
   * [Como contribuir?](#como-contribuir)
      * [Quero entender os modelos, mas não sei por onde começar!](#quero-entender-os-modelos-mas-não-sei-por-onde-começar)
      * [Tipos de contribuições](#tipos-de-contribuições)
   * [Recursos didáticos](#recursos-didáticos)
      * [Introdução aos modelos SEIR e variantes](#introdução-aos-modelos-seir-e-variantes)
      * [Implementações](#implementações)
      * [Efeito das intervenções públicas](#efeito-das-intervenções-públicas)
      * [Datasets Brasileiros](#datasets-brasileiros)
   * [Referências](#referências)

# Informações rápidas
## Qual o modelo que acreditamos ser melhor?
[SEIR-Bayes](#seir-bayes)

## Como posso usar o simulador online?
https://covid-simulator.3778.care/

## Como entro no grupo oficial do Telegram?
Clique neste link: https://t.me/covid3778

# Setup para rodar os modelos
1. Instale python 3.6 ou superior;
2. (Opcional) Crie um ambiente virtual;
3. Instale as dependências com `pip install -r requirements.txt`

# Modelos
Estes modelos são testes iniciais e não são bons exemplos de como se deve programar em Python.

## Modelos Compartimentados
https://en.wikipedia.org/wiki/Compartmental_models_in_epidemiology#The_SEIR_model

Buscamos na [literatura](#referências) e temos as seguintes estimativas para os parâmetros desses modelos. Temos [alguns artigos a serem estudados](https://github.com/3778/COVID-19/labels/paper) para melhorar essas estimativas.

|             Parâmetro            | Limite inferior | Valor típico | Limite superior | Referências |
|:--------------------------------:|:---------------:|--------------|-----------------|:-----------:|
|     Tempo de incubação (1/α)     |       4.1       | 5.2 dias     | 7.0             |   1, 2, 4   |
| Número básico de reprodução (R0) |       1.4       | 2.2          | 3.9             |   2, 3, 4   |
|  Período infeccioso médio (1/γ)  |        ?        | 14 dias      | ?               |      1      |

### SEIR-ODE
Este modelo deterministico separa a população em 4 compartimentos: Suscetíveis, Expostos, Infectados e Removidos; cujo equacionamento é dado por uma equação differencial ordinária.

Para rodar: `python legacy/seir_ode.py` (a forma de rodar provavelmente vai mudar no futuro)

[[Codigo]](/legacy/seir_ode.py) [[Equacionamento]](https://en.wikipedia.org/wiki/Compartmental_models_in_epidemiology#The_SEIR_model)

### SEIR-SDE
Modelo similar ao [SEIR-ODE](#seir-ode), porem com dinâmica de transição de estados estabelecida por uma binomial.

Para rodar: `python legacy/seir_sde.py` (a forma de rodar provavelmente vai mudar no futuro)

[[Codigo]](/legacy/seir_sde.py)

### SEIR-Bayes
Modelo similar ao [SEIR-SDE](#seir-sde), porém com os parâmetros alpha, gamma e beta amostrados de uma distribuição à priori para cada rodada de simulação.

Para rodar: `python legacy/seir_bayes.py` (a forma de rodar provavelmente vai mudar no futuro), ou use https://covid-simulator.3778.care/

[[Codigo]](/legacy/seir_bayes.py)

#### Resultado
Este resultado é preliminar, favor ver [issue 13](https://github.com/3778/COVID-19/issues/13). O objetivo era simular a cidade de São Paulo.

**É importante entender que as análises estão em fase preliminar. Use a seu próprio risco.**

![](https://raw.githubusercontent.com/3778/COVID-19/master/figures/seir-bayes-2.png)

#### Acessar resultados com Python
Temos uma classe para rodar o modelo de forma fácil em [covid19/models.py](covid19/models.py). A documentação está no próprio arquivo.

# Dados disponíveis neste respositório
O arquivo [data/ibge_population.csv](data/ibge_population.csv) possui a estimativa de 2019 das populações por município. Além disso, é possível baixar os casos diários por município, assim como as populações, utilizando as funções `load_cases` e `load_population` do arquivo [covid19/data.py](covid19/data.py). A documentação das funções estão no arquivo.

# Simulador

Este simulador usa o [Streamlit](https://www.streamlit.io/). No momento, ele permite simular o [SEIR-Bayes](#seir-bayes) variando os parâmetros. Estamos trabalhando para melhorar este simulador (veja as issues).

## Hosteado pela 3778
Apenas clique aqui: https://covid-simulator.3778.care/

## Com pip
1. Faça o [Setup para rodar os modelos](#setup-para-rodar-os-modelos)
2. Execute `make launch`

## Com Docker
1. Instale [docker](https://docs.docker.com/install/);
2. Na raiz do projeto execute `make image` para construir a imagem;
3. Em seguida, execute `make covid-19` e aponte seu navegador para [http://localhost:8501](http://localhost:8501).

# Como contribuir?

Nas seção de [issues](https://github.com/3778/COVID-19/issues) profissionais de diversas áreas podem ajudar. Veja a lista de exemplos abaixo sobre sugestões de como você pode ajudar com sua àrea de conhecimento, seja ela da saúde, ciências biológicas, exatas, computação, ou outras:
<details>
  <summary>Clique aqui para ver uma lista de exemplos</summary>
  
  1. Profissionais da saúde/ciências biológicas podem levantar evidências de hipóteses não contempladas no algoritmo (ex: transmissão entre assintomáticos, ou no período assintomático
  2. Matemáticos podem sugerir novos métodos ou refinamentos ao algoritmo
  3. Economistas podem contribuir com refinamentos em impactos econômicos da disseminação do coronavirus
  4. Administradores hospitalares e profissionais da sáude podem sugerir calculos para provisionamento de recursos (material para UTIs, respiradores, máscaras, etc)
  5. Programadores com código
  6. Cientistas de dados com estimativas de parâmetros, e códigos
  etc
</details>

Fique a vontade para abrir uma issue nova, ou trabalhar em uma já existente. Discussões e sugestões, além de código e modelagem, são bem vindas.

## Quero entender os modelos, mas não sei por onde começar!
- [The MATH of Epidemics | Intro to the SIR Model](https://youtu.be/Qrp40ck3WpI)

## Tipos de contribuições
Toda contribuição é bem vinda. Estamos gerenciando via GitHub Issues. Existem algumas categorias de contribuições:
- [modelagem](https://github.com/3778/COVID-19/issues?q=is%3Aopen+is%3Aissue+label%3Amodelagem) - relacionados a modelagem matemática (discussões e implementações) dos modelos;
- [bug](https://github.com/3778/COVID-19/issues?q=is%3Aopen+is%3Aissue+label%3Abug) - problemas encontrados no código;
- [documentação](https://github.com/3778/COVID-19/issues?q=is%3Aopen+is%3Aissue+label%3Adocumenta%C3%A7%C3%A3o);
- [dev](https://github.com/3778/COVID-19/issues?q=is%3Aopen+is%3Aissue+label%3Adev) - tudo que é relacionado a código (sem ser a modelagem ou bugs);
- [paper](https://github.com/3778/COVID-19/issues?q=is%3Aopen+is%3Aissue+label%3Apaper) - artigo a ser analisado;
- `modelo: $NOME_DO_MODELO`- para modelos específicos (por exemplo, [modelo: SEIR-Bayes](https://github.com/3778/COVID-19/issues?q=is%3Aissue+is%3Aopen+label%3A%22modelo%3A+SEIR-Bayes%22)).

# Recursos didáticos
## Introdução aos modelos SEIR e variantes
- [Compartmental models in epidemiology](https://en.wikipedia.org/wiki/Compartmental_models_in_epidemiology)
- [The MATH of Epidemics | Intro to the SIR Model](https://youtu.be/Qrp40ck3WpI)
- [Mathematical Modeling of Infectious Diseases Dynamics](https://www.mivegec.ird.fr/images/stories/PDF_files/0507.pdf)

## Implementações
- [Modelling the coronavirus epidemic spreading in a city with Python](https://towardsdatascience.com/modelling-the-coronavirus-epidemic-spreading-in-a-city-with-python-babd14d82fa2)
- [Social Distancing to Slow the Coronavirus](https://towardsdatascience.com/social-distancing-to-slow-the-coronavirus-768292f04296)
- [The SIR epidemic model (SciPy)](https://scipython.com/book/chapter-8-scipy/additional-examples/the-sir-epidemic-model/)
- [Epidemic Calculator](http://gabgoh.github.io/COVID/index.html)

## Efeito das intervenções públicas
- [Understanding Unreported Cases in the COVID-19 Epidemic Outbreak in Wuhan, China, and the Importance of Major Public Health Interventions](https://www.mdpi.com/2079-7737/9/3/50/htm)

## Datasets Brasileiros
- [Number of confirmed cases of COVID-19 in Brazil](https://github.com/wcota/covid19br)

# Referências
1. [Report of the WHO-China Joint Mission on Coronavirus Disease 2019 (COVID-19)](https://www.who.int/docs/default-source/coronaviruse/who-china-joint-mission-on-covid-19-final-report.pdf)
2. [Early Transmission Dynamics in Wuhan, China, of Novel Coronavirus–Infected Pneumonia](https://www.nejm.org/doi/full/10.1056/NEJMoa2001316)
3. [Estimation of the reproductive number of novel coronavirus (COVID-19) and the probable outbreak size on the Diamond Princess cruise ship: A data-driven analysis](https://www.ijidonline.com/article/S1201-9712(20)30091-6/fulltext)
4. [MIDAS Online Portal for COVID-19 Modeling Research](https://midasnetwork.us/covid-19/#resources)

COVID-19

Explore Similar Repositories

Was this content helpful?

Recent Feedback

Download README