Skip to content

geinfosms/cenarios_covid_florianopolis

master
Switch branches/tags
Code

Latest commit

 

Git stats

Files

Permalink
Failed to load latest commit information.
Type
Name
Latest commit message
Commit time
 
 
 
 
 
 
 
 

Produção de Cenários para o Enfrentamento à COVID-19 em Florianópolis, Santa Catarina, Brasil

Objetivo do Repositório

O presente repositório tem como objetivo abrir o método, os scripts e os dados (de forma anonimizada), utilizados para a construção dos cenários utilizados para subsidiar a tomada de decisão no enfrentamento da COVID-19 em Florianópolis. A Gerência de Inteligência e Informação busca, com isso, dar transparência à construção de cenários, chamando população e pesquisadores à contribuição para melhorias e correções nas formas de análise. Os cenários podem ser acessados na página 2 da Sala de Situação do Covidômetro disponibilizado pela Prefeitura de Florianópolis, por meio do link (https://app.powerbi.com/view?r=eyJrIjoiMzc5YmY0NmQtNTFkOS00ZDAxLWE2ZmQtOTZmZDkzM2M5NzAxIiwidCI6IjYyMTIxZmE1LWU3NTAtNDZlYS1hNjg0LTJhZmM2ZDIwYzYyYiJ9)

Observações Importantes

  1. O conhecimento acerca da COVID-19 está em franca expansão. Por isso, ajustes e incorporações metodológicas frequentes são necessárias para que possam disponibilizar cenários adequados. Desta forma, o repositório está em constante construção, bem como as explicações sobre o mesmo.
  2. Para interpretar corretamente os cenários, é fundamental que se tenha em mente uma importante citação de Saffo:1 “O objetivo da predição não é prever o futuro, mas dizer a você o que você precisa saber para realizar ações significativas no presente”.
  3. Os cenários pressupõem a não falência do sistema hospitalar. Se houver falta de leitos em UTI, todo o paciente que deveria ser internado sob cuidado intensivo, potencialmente irá a óbito.

Introdução

O SARS-CoV-2, vírus identificado em dezembro de 2019 em Wuhan (China) e patógeno da COVID-19, foi isolado em amostras de esgoto em Florianópolis, Santa Catarina, em novembro de 2019.2 Este foi o primeiro local, nas Américas a relatar a presença do vírus. O primeiro caso confirmado no município, até o momento, teve o início dos sintomas dia 06 de março, foi notificado dia 07 e confirmado dia 09 do mesmo mês. Vacinas ou tratamentos efetivos para o SARS-CoV-2 ainda não foram desenvolvidos, havendo conhecimento limitado de sua infectividade e de seu perfil clínico.3 Desta forma, as medidas de controle da doença com evidências robustas4-8 são não farmacológicas. A construção de cenários baseados em evidências adequadas é fundamental para que a implantação destas medidas ocorra de forma a reduzir o contágio enquanto vacinas não forem desenvolvidas, evitar óbitos, melhorar a assistência aos pacientes, além de minimizar o impacto econômico9 e as desigualdades sociais10,11 produzidas pela COVID-19. Entre as medidas não farmacológicas de contenção da COVID-19, segundo a Organização Mundial de Saúde,12 estão a quarentena, o isolamento para pessoas com sintomas, o controle de atividades que gerem contato social, o uso de máscaras faciais e a higienização das mãos. Elas diminuem a transmissão da doença e o número de casos graves, reduzindo, portanto, o impacto causado pela doença no sistema de saúde e diminuindo o número de pessoas mortas e de sobreviventes com sequelas. Essas medidas também reduzem a necessidade de hospitalização por outras condições que poderiam competir por leitos com pacientes com SARS-CoV-2.13 As condições dos sistemas de proteção social, entre eles o de saúde, vulnerabilidade econômica da população, proporção de pessoas atuando como trabalhadores informais, questões climáticas e demográficas, faz com que não haja um conjunto único de intervenções apropriadas a todos os contextos.14 O monitoramento dos resultados em tempo oportuno é peça-chave para a customização das estratégias. Modelos matemáticos e estatísticos têm sido utilizados para fundamentar a tomada de decisão no controle de epidemias em diversos países.15-17 Mais recentemente, esses modelos têm sido empregados também para o controle da pandemia causada pelo SARS-CoV-2.18-20 Em situações de surto, como o vivenciado atualmente, mudanças rápidas na situação do agravo são comuns. Análises frequentes também podem ser necessárias nos momentos em que se espera que a transmissibilidade mude, como, por exemplo, quando ações de controle são iniciadas, aprimoradas ou interrompidas.21 Por isso, é importante o acompanhamento cuidadoso do número de casos , distinguindo-se variações reais de artefatos produzidos durante o processo de monitoramento.22 Esses artefatos podem ser produzidos, por exemplo, pelo tempo que leva da contaminação ao diagnóstico. Estudos indicam que o tempo entre o contágio e o aparecimento dos sintomas é de cinco dias (IC95% 4.2, 6.0).23 O tempo entre o início dos sintomas e a busca por atendimento de saúde, por exemplo, pode variar a depender da capacidade do sistema de saúde e da sensibilidade da população em procurar auxílio profissional. O mesmo pode ocorrer com o tempo decorrido entre a notificação de um caso suspeito e o resultado dos exames para confirmação ou exclusão do diagnóstico. Essa lacuna entre o tempo de contaminação e a confirmação do diagnóstico podem gerar o subdiagnóstico dos casos atuais. Abordagens de nowcasting, ou “predição do presente”, tentam estimar o número de um dado acontecimento no presente.14,22,24,25 Essa estratégia tem sido utilizada para melhorar a vigilância de doenças infecciosas como aids,26,27 cólera,28,29 infecções por influenza22,30,31 e, mais recentemente, COVID-19.22,24,25,28,30,32–35 As técnicas de nowcasting, em geral, utilizam predições de séries temporais.30,32,36–38 Recentes avanços nas técnicas de machine learning oferecem oportunidades para refinar o nowcasting do comportamento de epidemias.21 O principal objetivo das técnicas de machine learning é produzir um modelo que possa ser usado para classificar, prever ou estimar um fenômeno. Essa abordagem tem se mostrado útil, em diversas aplicações na pesquisa biomédica,39–52 inclusive em relação à COVID-19.53–55 Em Florianópolis, por exemplo, estudo11 realizado no início de junho de 2020 indicou 37.29% de subdiagnóstico nos 45 dias que antecederam a pesquisa. Se analisados apenas os seis dias que antecederam a pesquisa o subdiagnóstico foi de 81.73%. Esse subdiagnóstico refere apenas ao artefato produzido entre a notificação e o resultado de exames, uma vez que o estudo analisa a probabilidade de um caso já notificado, mas que ainda não possuí resultado de exame, ser positivo ou negativo.11 Modelos utilizados para projetar séries temporais como modelos de média móvel integrada autoregressiva (ARIMA) e modelos de suavização exponencial também têm sido utilizado para analises temporais da incidência e da mortalidade da COVID-19.56 A aplicação de técnicas de nowcasting permitem a incorporação de dados em estimadores estatísticos, como o número de reprodução dependente do tempo (Rt), minimizando os artefatos anteriormente discutidos. O Rt têm sido adaptados a partir de premissas bastante gerais a respeito da dinâmica de epidemias,57-59 oferecendo uma contribuição importante para o monitoramento dos esforços de controle.60 O Rt representa o número médio de casos secundários que surgiriam de um caso primário infectado no tempo t se as condições permanecerem as mesmas após o tempo t.57 Esse valor muda com as intervenções e com o avançar de uma epidemia. Surtos com Rt constantemente abaixo do valor um tendem a desaparecer. Se o Rt se mantiver acima de um, o surto tenderá a se manter.17 Por isso, as intervenções de controle visam, em geral, à manutenção sustentada do Rt em valores inferiores a um.61 Desta forma, o acompanhamento do Rt pode auxiliar a tomada de decisão governamental e da população, auxiliando no enfrentamento da COVID-19. O Rt pode ser utilizado, ainda, em modelo compartimentais, para a projeção do número de pessoas infectantes, número de óbitos e número leitos de UTI necessários em uma epidemia. Essas projeções podem ser utilizadas de forma a criar cenários para auxiliar na tomada de decisão. O modelo compartimental SIR (Suscetível-Infectado-Removido), desenvolvido por Ronald Ross, William Hamer e outros62 no início do século XX, consistem em um sistema de três equações diferenciais não lineares, que não possuem uma solução explícita. Assim, os modelos compartimentais tentam reproduzir a dinâmica da doença, buscando estimar quantas pessoas passam de um compartimento ao outro e quantas estão em cada compartimento em um dado período. Trabalhos recentes63,64 utilizam modelos com outros compartimentos como o SEIHRD (Suscetível-Exposto-Infectado-Hospitalizado-Recuperado-Óbitos) para analisar a COVID-19. Compreende-se como suscetível todo aquele que ainda pode ser infectado; expostos são as pessoas contaminadas, mas que ainda não transmitem o patógeno; infectantes são os que foram contaminados e transmitem o patógeno; hospitalizados são as pessoas que encontram-se internadas; recuperados são todas as pessoas que foram infectadas, passaram pelo estágio infectante e não foram a óbito; e óbito são todas as pessoas contaminadas que forma a óbito.

Os cenários para auxiliar a tomada de decisão utilizam nowcasting de dados, para o cálculo do Rt e o Rt para estimar a projeção de suscetíveis, expostos, infectados, hospitalizados, recuperados e óbitos no município, conforme explicado nos métodos à seguir.

Método

Para a elaboração de cenários, realiza-se, inicialmente, o nowcasting do número de pessoas novas infectadas por dia. Estes dados nowcasteados são utilizados para o cálculo do IC2,5%, da média e IC97,5% do Rt. Estes valores são utilizados para alimentar o modelo SEIHRD, produzindo os cenários 1, 2 e 3, respectivamente, do número de suscetíveis, expostos, infectantes, hospitalizados em UTI, recuperados e óbitos.

Referências Bibliográficas

  1. Saffo P. Six Rules for Effective Forecasting. Harv Bus Rev [Internet]. 2007 Jul [cited 2020 Jul 28];1–10. Available from: www.hbr.orgorcall800-988-0886.www.hbrreprints.org
  2. Fongaro G, Stoco PH, Souza DSM, et al. SARS-CoV-2 in human sewage in Santa Catalina, Brazil, November 2019. medRxiv [Internet]. Cold Spring Harbor Laboratory Press; 2020 Jun 29 [cited 2020 Jul 14];2020.06.26.20140731. Available from: https://www.medrxiv.org/content/10.1101/2020.06.26.20140731v1
  3. Du Z, Xu X, Wu Y, Wang L, Cowling BJ, Meyers LA. Serial Interval of COVID-19 among Publicly Reported Confirmed Cases. Emerg Infect Dis [Internet]. NLM (Medline); 2020 Jun 1 [cited 2020 Jul 13];26(6):1341–1343. Available from: http://weekly.chinacdc.cn/en/article/id/e53946e2-c6c4-41e9-9a9b-fea8db1a8f51
  4. Ucar A, Arslan S, Ozdemir MY. Nowcasting and Forecasting the Spread of COVID-19 and Healthcare Demand In Turkey, A Modelling Study. medRxiv. Cold Spring Harbor Laboratory Press; 2020 Apr;2020.04.13.20063305
  5. Ferguson NM, Laydon D, Nedjati-Gilani G, et al. Report 9: Impact of non-pharmaceutical interventions (NPIs) to reduce COVID-19 mortality and healthcare demand. London; 2020.
  6. Cowling BJ, Ali ST, Ng TWY, et al. Impact assessment of non-pharmaceutical interventions against coronavirus disease 2019 and influenza in Hong Kong: an observational study. Lancet Public Heal. Elsevier Ltd; 2020 May;5(5):e279–e288
  7. Lai S, Ruktanonchai NW, Zhou L, et al. Effect of non-pharmaceutical interventions to contain COVID-19 in China. Nature. Nature Publishing Group; 2020 May;1–7.
  8. HHS, CDC. Implementation of Mitigation Strategies for Communities with Local COVID-19 Transmission.
  9. Thunström L, Newbold SC, Finnoff D, Ashworth M, Shogren JF. The Benefits and Costs of Using Social Distancing to Flatten the Curve for COVID-19. J Benefit-Cost Anal. Cambridge University Press (CUP); 2020 Apr 28;1–17
  10. Glover RE, Schalkwyk MC van, Akl EA, et al. A framework for identifying and mitigating the equity harms of COVID-19 policy interventions. J Clin Epidemiol
  11. Lewnard JA, Lo NC. Scientific and ethical basis for social-distancing interventions against COVID-19 [Internet]. Lancet Infect. Dis. Lancet Publishing Group; 2020 [cited 2020 Jul 18]. p. 631. Available from: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7118670/
  12. WHO WHO. Coronavirus disease (COVID-19) pandemic [Internet]. 2020 [cited 2020 Jun 29]. Available from: https://www.who.int/emergencies/diseases/novel-coronavirus-2019?gclid=Cj0KCQjwoub3BRC6ARIsABGhnybzd7kDQxOQ-d5DH4OGL9618VaGon1x74u2OP0ujUw8vngt-huulrUaAsrqEALw_wcB
  13. IHME COVID-19 health service utilization forecasting T. Forecasting COVID-19 impact on hospital bed-days, ICU-days, ventilator-days and deaths by US state in the next 4 months. medRxiv. Cold Spring Harbor Laboratory Press; 2020 Mar;114:2020.03.27.20043752
  14. Ucar A, Arslan S, Ozdemir MY. Nowcasting and Forecasting the Spread of COVID-19 and Healthcare Demand In Turkey, A Modelling Study. medRxiv [Internet]. Cold Spring Harbor Laboratory Press; 2020 Apr 17 [cited 2020 May 11];2020.04.13.20063305. Available from: http://medrxiv.org/content/early/2020/04/17/2020.04.13.20063305.abstract
  15. Polonsky JA, Baidjoe A, Kamvar ZN, et al. Outbreak analytics: A developing data science for informing the response to emerging pathogens [Internet]. Philos. Trans. R. Soc. B Biol. Sci. Royal Society Publishing; 2019 [cited 2020 Jul 13]. Available from: https://pubmed.ncbi.nlm.nih.gov/31104603/
  16. Morgan O. How decision makers can use quantitative approaches to guide outbreak responses [Internet]. Philos. Trans. R. Soc. B Biol. Sci. Royal Society Publishing; 2019 [cited 2020 Jul 13]. Available from: https://pubmed.ncbi.nlm.nih.gov/31104605/
  17. Thompson RN, Stockwin JE, Gaalen RD van, et al. Improved inference of time-varying reproduction numbers during infectious disease outbreaks. Epidemics. Elsevier B.V.; 2019 Dec 1;29:100356
  18. Giordano G, Blanchini F, Bruno R, et al. Modelling the COVID-19 epidemic and implementation of population-wide interventions in Italy. Nat Med [Internet]. Nature Research; 2020 Jun 1 [cited 2020 Jul 18];26(6):855–860. Available from: https://doi.org/10.1038/s41591-020-0883-7
  19. Kucharski AJ, Russell TW, Diamond C, et al. Early dynamics of transmission and control of COVID-19: a mathematical modelling study. Lancet Infect Dis. Lancet Publishing Group; 2020 May 1;20(5):553–558
  20. Jewell NP, Lewnard JA, Jewell BL. Predictive Mathematical Models of the COVID-19 Pandemic: Underlying Principles and Value of Projections [Internet]. JAMA - J. Am. Med. Assoc. American Medical Association; 2020 [cited 2020 Jul 18]. p. 1893–1894. Available from: https://jamanetwork.com/journals/jama/fullarticle/2764824
  21. Desai AN, Kraemer MUG, Bhatia S, et al. Real-time epidemic forecasting: challenges and opportunities. Heal Secur [Internet]. Mary Ann Liebert Inc.; 2019 Jul 1 [cited 2020 May 12];17(4):268–275. Available from: http://www.ncbi.nlm.nih.gov/pubmed/31433279
  22. McGough SF, Johansson MA, Lipsitch M, Menzies NA. Nowcasting by Bayesian Smoothing: A flexible, generalizable model for real-time epidemic tracking. Lewis B, editor. PLOS Comput Biol [Internet]. NLM (Medline); 2020 Apr 6 [cited 2020 May 11];16(4):e1007735. Available from: https://dx.plos.org/10.1371/journal.pcbi.1007735
  23. Prem K, Liu Y, Russell TW, et al. The effect of control strategies to reduce social mixing on outcomes of the COVID-19 epidemic in Wuhan, China: a modelling study. Lancet Public Heal. Elsevier Ltd; 2020 May 1;5(5):e261–e270
  24. Wu JT, Leung K, Leung GM. Nowcasting and forecasting the potential domestic and international spread of the 2019-nCoV outbreak originating in Wuhan, China: a modelling study. Lancet. Lancet Publishing Group; 2020 Feb 29;395(10225):689–697
  25. AL-Rousan N, Al-Najjar H. Nowcasting and Forecasting the Spreading of Novel Coronavirus 2019-nCoV and Its Association with Weather Variables in 30 Chinese Provinces: A Case Study. SSRN Electron J. Elsevier BV; 2020 Mar 24
  26. Cui J, Kaldor J. Changing pattern of delays in reporting AIDS diagnoses in Australia. Aust N Z J Public Health. Wiley-Blackwell; 1998;22(4):432–435.
  27. Pagano M, Tu XM, Gruttola V De, MaWhinney S. Regression Analysis of Censored and Truncated Data: Estimating Reporting- Delay Distributions and AIDS Incidence from Surveillance Data. Biometrics. JSTOR; 1994 Dec;50(4):1203
  28. Pasetto D, Finger F, Camacho A, et al. Near real-time forecasting for cholera decision making in Haiti after Hurricane Matthew. Ferrari M, editor. PLOS Comput Biol [Internet]. Public Library of Science; 2018 May 16 [cited 2020 May 11];14(5):e1006127. Available from: https://dx.plos.org/10.1371/journal.pcbi.1006127
  29. Pasetto D, Finger F, Rinaldo A, Bertuzzo E. Real-time projections of cholera outbreaks through data assimilation and rainfall forecasting. Adv Water Resour. Elsevier Ltd; 2017 Oct 1;108:345–356
  30. Ray J, Brownstein JS. Nowcasting influenza outbreaks using open-source media reports [Internet]. Available from: http://healthmap.org
  31. Spreco A, Eriksson O, Dahlström Ö, Cowling BJ, Timpka T. Evaluation of nowcasting for detecting and predicting local influenza epidemics, Sweden, 2009–2014. Emerg Infect Dis. Centers for Disease Control and Prevention (CDC); 2018 Oct 1;24(10):1868–1873
  32. Review of “Nowcasting and forecasting the potential domestic and international spread of the 2019-nCoV outbreak originating in Wuhan, China: a modelling study” [Internet]. Available from: https://www.thelancet.com/journals/lancet/article/PIIS0140-6736(20)30260-9/fulltext
  33. Jung S, Akhmetzhanov AR, Hayashi K, et al. Real-Time Estimation of the Risk of Death from Novel Coronavirus (COVID-19) Infection: Inference Using Exported Cases. J Clin Med. MDPI AG; 2020 Feb 14;9(2):523
  34. Imperial College London. Short-term forecasts of COVID-19 deaths in multiple countries [Internet]. Short-term Forecast COVID-19 deaths Mult. countrie 2020 [cited 2020 May 21]. Available from: https://mrc-ide.github.io/covid19-short-term-forecasts/index.html
  35. Sonoo M, Kanbayashi T, Shimohata T, et al. Estimation of the true infection rate and infection fatality rate of COVID-19 in the whole population of each country. [cited 2020 May 21]; Available from: https://doi.org/10.1101/2020.05.13.20101071
  36. Bausch DG, Edmunds J. Real-time modeling should be routinely integrated into outbreak response. Am. J. Trop. Med. Hyg. American Society of Tropical Medicine and Hygiene; 2018. p. 1214–1215
  37. Choi H, Varian H. Predicting the Present with Google Trends [Internet]. 2009. Available from: http://cran.r-project.org
  38. Kassteele J van de, Eilers P, Wallinga J. Nowcasting the number of new symptomatic cases during infectious disease outbreaks using constrained P‐spline smoothing. Epidemiology. 2019
  39. Shameer K, Johnson KW, Glicksberg BS, Dudley JT, Sengupta PP. The whole is greater than the sum of its parts: combining classical statistical and machine intelligence methods in medicine. Heart. 2018;104(14):1228
  40. Lynch CJ, Liston C. New machine-learning technologies for computer-aided diagnosis. Nat Med. 2018;24(9):1304–1305.
  41. Elfiky AA, Pany MJ, Parikh RB, Obermeyer Z. Development and Application of a Machine Learning Approach to Assess Short-term Mortality Risk Among Patients With Cancer Starting Chemotherapy. JAMA Netw Open. 2018;1(3):e180926
  42. Athey S. Beyond prediction: Using big data for policy problems. Science (80- ). 2017;355(6324):483–485
  43. Schmidhuber J, Sur P, Fay K, et al. The Global Nutrient Database: availability of macronutrients and micronutrients in 195 countries from 1980 to 2013. Lancet Planet Heal [Internet]. 2018 Aug [cited 2019 May 26];2(8):e353–e368. Available from: https://linkinghub.elsevier.com/retrieve/pii/S2542519618301700
  44. Han H. Estimate the incubation period of coronavirus 2019 (COVID-19). medRxiv [Internet]. Cold Spring Harbor Laboratory Press; 2020 Feb 29 [cited 2020 Apr 16];2019:2020.02.24.20027474. Available from: https://www.medrxiv.org/content/10.1101/2020.02.24.20027474v1
  45. Fan H, Li L, Gilbert R, O’Callaghan F, Wijlaars L. A machine learning approach to identify cases of cerebral palsy using the UK primary care database. Lancet [Internet]. 2018 Nov [cited 2019 Jan 31];392:S33. Available from: https://linkinghub.elsevier.com/retrieve/pii/S0140673618320774
  46. Wong D, Yip S. Machine learning classifies cancer. Nature. 2018;555(7697):446–447
  47. Alaa AM, Bolton T, Angelantonio E Di, Rudd JHF, Schaar M van der. Cardiovascular disease risk prediction using automated machine learning: A prospective study of 423,604 UK Biobank participants. PLoS One. 2019;14(5):e0213653
  48. Ghahramani Z. Probabilistic machine learning and artificial intelligence. Nature [Internet]. 2015 May 27 [cited 2019 May 26];521(7553):452–459. Available from: http://www.nature.com/articles/nature14541
  49. Jordan MI, Mitchell TM. Machine learning: Trends, perspectives, and prospects. Science (80- ). 2015;349(6245):255–60.
  50. Yu MK, Ma J, Fisher J, Kreisberg JF, Raphael BJ, Ideker T. Visible Machine Learning for Biomedicine. Cell [Internet]. 2018 Jun [cited 2019 May 26];173(7):1562–1565. Available from: https://linkinghub.elsevier.com/retrieve/pii/S0092867418307190
  51. Beam AL, Kohane IS. Big Data and Machine Learning in Health Care. JAMA. 2018;319(13):1317.
  52. Lundberg SM, Nair B, Vavilala MS, et al. Explainable machine-learning predictions for the prevention of hypoxaemia during surgery. Nat Biomed Eng [Internet]. 2018 Oct 10 [cited 2019 May 26];2(10):749–760. Available from: http://www.nature.com/articles/s41551-018-0304-0
  53. Ribeiro MHDM, Silva RG da, Mariani VC, Coelho L dos S. Short-term forecasting COVID-19 cumulative confirmed cases: Perspectives for Brazil. Chaos, Solitons & Fractals [Internet]. Pergamon; 2020 Jun 1 [cited 2020 May 21];135:109853. Available from: https://linkinghub.elsevier.com/retrieve/pii/S0960077920302538
  54. Chimmula VKR, Zhang L. Time Series Forecasting of COVID-19 transmission in Canada Using LSTM Networks. Chaos Solitons Fractals [Internet]. 2020 May 8 [cited 2020 May 21];109864. Available from: http://www.ncbi.nlm.nih.gov/pubmed/32390691
  55. Dana S, Simas AB, Filardi BA, Rodriguez RN, Valiengo LL da C, Gallucci-Neto J. Brazilian Modeling of COVID-19 (BRAM-COD): a Bayesian Monte Carlo approach for COVID-19 spread in a limited data set context. medRxiv. Cold Spring Harbor Laboratory Press; 2020 May 17;2020.04.29.20081174.
  56. Celik S. Modelling of Covid-19 Outbreak Indicators in China Between January and April [Internet]. Medrxiv Cold Spring Harbor Laboratory Press; 2020 May. Available from: http://medrxiv.org/cgi/content/short/2020.04.26.20080465
  57. Fraser C. Estimating individual and household reproduction numbers in an emerging epidemic. PLoS One [Internet]. Public Library of Science; 2007 Aug 22 [cited 2020 Jul 13];2(8). Available from: /pmc/articles/PMC1950082/?report=abstract
  58. Thompson RNR, Stockwin JE, Gaalen R van, et al. Improved inference of time-varying reproduction numbers during infectious disease outbreaks. Epidemics. Elsevier B.V.; 2019 Dec 1;29:100356
  59. Gostic KM, McGough L, Baskerville E, et al. Practical considerations for measuring the effective reproductive number, Rt. medRxiv [Internet]. Cold Spring Harbor Laboratory Press; 2020 Jun 23 [cited 2020 Jul 13];2020.06.18.20134858. Available from: https://doi.org/10.1101/2020.06.18.20134858
  60. Nishiura H, Chowell G. The effective reproduction number as a prelude to statistical estimation of time-dependent epidemic trends. Math Stat Estim Approaches Epidemiol [Internet]. Springer Netherlands; 2009 [cited 2020 Jul 13]. p. 103–121. Available from: /pmc/articles/PMC7121794/?report=abstract
  61. Camacho A, Kucharski A, Aki-Sawyerr Y, et al. Temporal Changes in Ebola Transmission in Sierra Leone and Implications for Control Requirements: a Real-time Modelling Study. PLoS Curr [Internet]. Public Library of Science (PLoS); 2015 [cited 2020 Jul 13];7. Available from: https://pubmed.ncbi.nlm.nih.gov/25737806/
  62. Anderson RM. Discussion: The Kermack-McKendrick epidemic threshold theorem. Bull Math Biol [Internet]. Kluwer Academic Publishers; 1991 Jul 1 [cited 2020 Jul 28];53(1–2):3–32. Available from: https://link.springer.com/article/10.1007/BF02464422
  63. Pazos F, et al. A control approach to the Covid-19 disease using a SEIHRD dynamical model. medrxiv [Internet]. Cold Spring Harbor Laboratory Press; 2020 May 30 [cited 2020 Jul 28];1–23. Available from: http://medrxiv.org/cgi/content/short/2020.05.27.20115295
  64. Chen Z, Yang J, Dai B. Forecast Possible Risk for COVID-19 Epidemic Dissemination under Current Control Strategies in Japan. Int J Environ Res Public Health [Internet]. MDPI AG; 2020 May 29 [cited 2020 Jul 28];17(11):3872. Available from: https://www.mdpi.com/1660-4601/17/11/3872
  65. Hyndman RJ, Athanasopoulos G. Forecasting: Principles and Practice [Internet]. 2nd ed. Melbourne: OTexts; 2018 [cited 2020 Jul 27]. Available from: https://otexts.com/fpp2/

About

No description, website, or topics provided.

Resources

License

Stars

Watchers

Forks

Releases

No releases published

Packages

No packages published

Languages