-
Notifications
You must be signed in to change notification settings - Fork 0
/
index.Rmd
379 lines (303 loc) · 11.6 KB
/
index.Rmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
---
title: "CDC Perú: Transmisión de COVID-19"
output:
flexdashboard::flex_dashboard:
theme: cerulean
orientation: columns
vertical_layout: fill
social: menu
source_code: embed
runtime: shiny
editor_options:
chunk_output_type: console
---
```{r setup, include=FALSE}
library(flexdashboard)
library(tidyverse)
library(shinyWidgets)
library(plotly)
library(sf)
theme_set(theme_bw())
library(incidenceflow)
```
```{r}
# rute <- "data/rt_files/10-inc_rt_adm01.rds"
# # file.info(rute)
# # library(lubridate)
# date_input <- lubridate::date(file.info(rute)$mtime)
source("../run_shell.R")
# system("../updata.sh")
```
```{r}
# nivel adm01
ubigeo_diccionario_per2 <-
read_rds("data-raw/per4-shp_distritos_janitor.rds") %>%
as.data.frame() %>%
select(starts_with("cd_"),starts_with("nm_"),-ends_with("_t")) %>%
mutate(nm_depa=if_else(nm_prov=="lima","lima_metropolitana",nm_depa)) %>%
count(cd_depa,nm_depa) %>%
mutate(nm_pais="peru") %>% #avallecam::print_inf()
as_tibble()
rute <- ""
ubigeo_geometria_per2 <-
sf::st_read(paste0(rute,"data-raw/shp/PER_adm1_avc.shp"),quiet=TRUE) %>%
mutate(nm_depa=janitor::make_clean_names(nm_depa)) %>%
mutate(nm_depa=if_else(nm_depa=="lima_provincia","lima",nm_depa)) %>%
mutate(nm_pais="peru") %>%
# preidentify stratification variables
rename(strata_major=nm_pais,
strata_minor=nm_depa)
```
INPUT {.sidebar}
===================================
Inputs {data-width=300}
-----------------------------------------------------------------------
__Actualización: `r date_input`__
__Fuente: Casos Confirmados__
<!-- a -->
Nivel Departamental (1)
===================================
```{r}
adm00 <- read_rds("data/rt_files/10-inc_rt_adm00.rds")
adm01 <- read_rds("data/rt_files/10-inc_rt_adm01.rds")
strata_major_x <- "peru"
```
Column {.tabset}
-------------------------------------
### Mapa
<!-- ```{r} -->
<!-- rute <- "data/rt_files/rt-10-fig04.png" -->
<!-- img<-OpenImageR::readImage(rute) -->
<!-- OpenImageR::imageShow(img) -->
<!-- ``` -->
```{r}
# pais-departamento - map
g0 <- nested_figure_04(
data = adm01,
geometry = ubigeo_geometria_per2,
strata_major = strata_major,
strata_minor = strata_minor)
plotly::ggplotly(g0)
```
Column {.tabset}
-------------------------------------
### Rt Actual
<!-- ```{r} -->
<!-- rute <- "data/rt_files/rt-10-fig03.png" -->
<!-- img<-OpenImageR::readImage(rute) -->
<!-- OpenImageR::imageShow(img) -->
<!-- ``` -->
```{r}
# pais-departamento - dot
g2 <- adm01 %>%
# filtrar por area
filter(strata_major == strata_major_x) %>%
# resumen
mutate(sumx=map(
.x = tsibble_day,
.f = summarise,
n_pos_clean=sum(n))) %>%
unnest(sumx) %>%
# extraer columna
select(1:3,n_pos_clean,current_rt) %>%
# unnest(cols = c(current_rt)) %>%
nested_figure_03(strata_major = strata_major,
strata_minor = strata_minor,
strata_minor_code = strata_minor_code,
time_delay_days = 7)
plotly::ggplotly(g2)
```
<!-- a -->
Nivel Departamental (2)
===================================
```{r}
pickerInput('strata_minor','Departamento',
c("peru",sort(unique(ubigeo_diccionario_per2$nm_depa))),
options = list(`actions-box` = TRUE),
multiple = F,
selected = c("peru")
# multiple = T,
# selected = c("amazonas","ica","ayacucho","callao")
)
```
<!-- ```{r} -->
<!-- # solo departamento -->
<!-- # strata_minor_x <- input$strata_minor -->
<!-- strata_minor_x <- "amazonas" -->
<!-- ``` -->
Column {.tabset}
-------------------------------------
### Incidencia
```{r}
# pais-departamento - incid
renderPlotly({
g3 <- adm01 %>%
union_all(adm00) %>%
# filtrar por area
filter(strata_major == strata_major_x) %>%
filter(strata_minor == input$strata_minor) %>%
# extraer solo una columna
pull(tsibble_wik) %>%
pluck(1) %>%
# crear grafico
ggplot(aes(x = date_incidence_case,y = n)) +
geom_col() +
# updates
scale_y_continuous(breaks = scales::pretty_breaks(n = 10)) +
scale_x_date(date_breaks = "7 day",date_labels = "%b-%d") +
theme(axis.text.x = element_text(angle = 90, hjust = 1)) +
labs(title = str_c("Incidencia: ",input$strata_minor),
y = "Número de casos")
plotly::ggplotly(g3)
})
```
Column {.tabset}
-------------------------------------
### Rt en Tiempo
```{r}
# solo departamento - rt
renderPlotly({
g1 <- adm01 %>%
union_all(adm00) %>%
# filtrar por area
filter(strata_major == strata_major_x) %>%
filter(strata_minor == input$strata_minor) %>%
# extraer solo una columna
pull(tsibble_rt) %>%
pluck(1) %>%
# crear grafico
# incidenceflow
figure_tsibble_rt() +
# updates
# scale_y_continuous(breaks = scales::pretty_breaks(n = 20)) +
scale_x_date(date_breaks = "7 day",date_labels = "%b-%d") +
theme(axis.text.x = element_text(angle = 90, hjust = 1)) +
labs(title = str_c("R efectivo: ",input$strata_minor),
y = "Rt",color="",fill="")
plotly::ggplotly(g1)
})
# # https://stackoverflow.com/a/58145429/6702544
```
Nivel Departamental (3)
===================================
Column {.tabset}
-------------------------------------
### Tabla
```{r}
# pais-departamento - tabla
adm00 %>%
union_all(adm01) %>%
# filtrar por area
filter(strata_major == strata_major_x) %>%
# extraer columna
select(1:2,last5wk_rt) %>%
unnest(cols = c(last5wk_rt)) %>%
cdcper::cdc_datatable_html()
```
### Olas
<!-- ```{r} -->
<!-- # waves <- read_rds("data/rt_files/10-ola_dt_adm01.rds") %>% -->
<!-- # select(-incidence_split_real,-cd_depa) -->
<!-- # wavesgg <- read_rds("data/rt_files/10-ola_gg_adm01.rds") -->
<!-- ``` -->
```{r}
read_rds("data/rt_files/10-ola_dt_adm01.rds") %>%
select(-incidence_split_real,-cd_depa) %>%
select(nm_depa,date_split,wave, everything()) %>%
unnest(cols = c(strata_fit_tidy)) %>%
select(-strata_fit_glance) %>%
mutate(parameter=case_when(
parameter=="r" ~ "growth_rate",
TRUE ~ parameter
)) %>%
serosurvey::unite_dotwhiskers(variable_dot = estimate,
variable_low = conf_lower,
variable_upp = conf_upper,
digits_dot = 1,
digits_low = 1,
digits_upp = 1,
decimal_to_percent = FALSE) %>%
select(-estimate,-conf_lower,-conf_upper,-unite2_estimate) %>%
mutate(unite1_estimate=str_replace(unite1_estimate," \\(","["),
unite1_estimate=str_replace(unite1_estimate,"\\)","]"),
unite1_estimate=str_replace(unite1_estimate," - ",";"),
unite1_estimate=str_replace_all(unite1_estimate," ","")) %>%
rename(estimate=unite1_estimate) %>%
cdcper::cdc_datatable_html()
```
<!-- ### Ajuste -->
<!-- ```{r} -->
<!-- # glance_incidence output -->
<!-- read_rds("data/rt_files/10-ola_dt_adm01.rds") %>% -->
<!-- select(-incidence_split_real,-cd_depa) %>% -->
<!-- select(nm_depa,date_split,wave, everything()) %>% -->
<!-- unnest(cols = c(strata_fit_glance)) %>% -->
<!-- select(-strata_fit_tidy,-(sigma:df.residual)) %>% -->
<!-- select(-r.squared) %>% -->
<!-- cdcper::cdc_datatable_html() -->
<!-- ``` -->
<!-- ### Curvas -->
<!-- ```{r} -->
<!-- waves_plot <- read_rds("data/rt_files/10-ola_gg_adm01.rds") %>% -->
<!-- ggplot() + -->
<!-- geom_point(aes(x = fecha_de_inicio_de_sintomas_corregido, -->
<!-- y = n, -->
<!-- color = wave), -->
<!-- size=0.5) + -->
<!-- geom_line(aes(x = fecha_de_inicio_de_sintomas_corregido, -->
<!-- y = n_smooth), -->
<!-- size=0.3, -->
<!-- color="black") + -->
<!-- # geom_bar() + -->
<!-- facet_wrap(~nm_depa #,scales = "free_y" -->
<!-- ) + -->
<!-- theme_bw() -->
<!-- plotly::ggplotly(waves_plot) -->
<!-- ``` -->
Acerca
===================================
### Variación Temporal de la Transmisibilidad de Covid-19 en Perú a Nivel Nacional y Regional
#### Material y Métodos
Empleamos la base de datos de casos notificados diarios. Esta base es resultado
de la unificación y limpieza de tres bases:
(i) la base de pruebas serológicas o rápidas colectada por el aplicativo
SISCOVID del Ministerio de Salud (Minsa),
(ii) pruebas moleculares o reacción en cadena de polimerasas (PCR) colectada por
el aplicativo NetLab del Instituto Nacional de Salud (INS) y
(iii) notificación de casos por el aplicativo NotiSp del Centro Nacional de
Epidemiología (CDC).
<!-- Las variables de ubicación geográfica y fecha de inicio de síntomas fueron -->
<!-- unificadas priorizando las fuentes de información con mayor control de calidad -->
<!-- y validación por persona. -->
Conservamos los casos sin antecedentes de viaje o contacto (por transmisión local)
y sintomáticos. Calculamos una serie de tiempo de casos incidentes por día según
el autoreporte de inicio de síntomas. En las observaciones con valor perdido en
la fecha de inicio de síntomas, ejecutamos una imputación según la mediana de
días de retraso entre la fecha de inicio de síntomas y fecha de confirmación del
caso, estratificada por departamento.
Para la estimación de la variación temporal del número reproductivo efectivo (Rt)
usamos el paquete estadístico EpiEstim (1). El método de estimación del Rt a partir
de la curva de casos incidentes y la distribución del intervalo serial está detallado
en Cori et al. 2013 (2) basado en Wallinga et al. 2004 (3). En breve, el Rt está
definido como la razón entre el número de nuevos casos infectados locales en el
tiempo t y el total de las posibles infecciones por todos los individuos infectados
en el tiempo t. Con esto, la incidencia de casos en el tiempo t, en promedio,
está definida por $E[I_t]=R_t∑_{t , s=1}I_{t-s}w_s$ , donde $E[X]$ denota el
valor esperado aleatorio de $X$ , $s$ es el tiempo de ventana de
estimación, $I_{t-s}$ la incidencia observada en el tiempo $t-s$ , y $w_s$ la
infectividad por individuo dependiente de la distribución del intervalo serial
o tiempo entre la infección del caso infector y el caso infectado. Mediante
inferencia bayesiana, se estima el Rt como un promedio de la distribución
posterior e intervalos de credibilidad al 95%. Aquí empleamos una ventana de
estimación de 7 días, asumimos un intervalo serial paramétrico de 3.96 ± 4.75 días (4)
y un número reproductivo básico constante durante el tiempo de la ventana de estimación.
Empleamos el software de programación estadística R para la limpieza, manejo y
ejecución de las estimaciones.
#### Referencias
1. Anne Cori (2019). EpiEstim: Estimate Time Varying Reproduction Numbers from Epidemic Curves. R package version 2.2-1. https://CRAN.R-project.org/package=EpiEstim
2. Cori, A., Ferguson, N. M., Fraser, C., & Cauchemez, S. (2013). A new framework and software to estimate time-varying reproduction numbers during epidemics. American journal of epidemiology, 178(9), 1505-1512. https://academic.oup.com/aje/article/178/9/1505/89262
3. Wallinga, J., & Teunis, P. (2004). Different epidemic curves for severe acute respiratory syndrome reveal similar impacts of control measures. American Journal of epidemiology, 160(6), 509-516. https://academic.oup.com/aje/article/160/6/509/79472
4. Du, Z., Xu, X., Wu, Y., Wang, L., Cowling, B. J., & Meyers, L. (2020). Serial Interval of COVID-19 among Publicly Reported Confirmed Cases. Emerging Infectious Diseases, 26(6), 1341-1343. https://dx.doi.org/10.3201/eid2606.200357.
#### Equipo
**Información:** Noti / CDC MINSA - Reporte de Pruebas rapidas, SIS-COVID/ OGTI - reporte Netlab Pruebas moleculares / INS.
**Análisis:** CDC MINSA