title	author	output
Modelos Preditivos para COVID-19	COVID-19 FT - UNICAMP	html_document keep_md true

Obtenção de Dados

Afim de simplificar o acesso aos dados, utilizou-se o pacote datacovidbr, que importa diariamente os dados compilados pela iniciativa Brasil IO, sem maiores dependências. Para que colaboradores que não utilizam o R como plataforma analítica, o arquivo dados/covid19_cidades.csv possui os dados (por cidade) disponíveis hoje (Mon May 25 17:17:00 2020).

library(datacovidbr)
library(tidyverse)
library(lubridate)
datapath = "dados"
covid19_cidades = brasilio() %>% filter(place_type == 'city')
write_csv(covid19_cidades, file.path(datapath, "covid19_cidades.csv"))
write_csv(covid19_cidades, file.path(datapath, paste0("covid19_cidades-", today(), ".csv")))
save(covid19_cidades, file=file.path(datapath, "covid19_cidades.rda"))
save(covid19_cidades, file=file.path(datapath, paste0("covid19_cidades-", today(), ".rda")))

Manipulação de dados

Abaixo, são apresentados dados da cidade de São Paulo, apenas por esta ter sido a cidade onde foi identificado o paciente zero do Brasil e haver um histórico maior de informações, que podem ser úteis para a modelagem de casos e óbitos.

casos_sp = covid19_cidades %>% filter(city == "São Paulo") %>% 
  select(-state, -place_type, -is_last, -city_ibge_code)
# casos_sp = casos_sp %>% mutate(confirmed=case_when(
#   date == as.Date("2020-03-24") ~ as.integer(717),
#  TRUE ~ confirmed))
casos_sp %>% head() %>% knitr::kable("markdown")

date	city	confirmed	deaths	estimated_population_2019	confirmed_per_100k_inhabitants	death_rate
2020-05-24	São Paulo	45527	3534	12252023	371.5876	0.0776
2020-05-23	São Paulo	44887	3491	12252023	366.3640	0.0778
2020-05-22	São Paulo	42973	3352	12252023	350.7421	0.0780
2020-05-21	São Paulo	41451	3238	12252023	338.3196	0.0781
2020-05-20	São Paulo	39466	3135	12252023	322.1182	0.0794
2020-05-19	São Paulo	37640	3029	12252023	307.2146	0.0805

casos_sp %>% select(date, confirmed, deaths) %>% gather(type, counts, -date) %>% 
  ggplot(aes(date, counts, colour=type)) + geom_point() + geom_line() + scale_y_log10() +
  theme_bw() + xlab("Data") + ylab("Contagem") +
  ggtitle("Casos Confirmados e Óbitos na Cidade de São Paulo")

casos_sp %>% select(date, confirmed, deaths) %>% gather(type, counts, -date) %>% 
  ggplot(aes(date, counts, colour=type)) + geom_point() + geom_line() +
  theme_bw() + xlab("Data") + ylab("Contagem") +
  ggtitle("Casos Confirmados e Óbitos na Cidade de São Paulo")

Taxas de Mudança

temp = casos_sp %>% select(date, confirmed, deaths) %>% arrange(date) %>% 
  mutate(dx=as.integer(date-lag(date, default=date[1])),
         dconf=confirmed-lag(confirmed, default=confirmed[1]),
         rate = dconf/dx)
ggplot(temp, aes(date, weight=rate)) + geom_bar() +
  xlab("Data") + ylab("Taxa de Novos Casos") +
  theme_bw()

Contato

Para maiores informações, utilize a plataforma https://covid.ic.unicamp.br/. Em particular, procuramos documentar informações desta inciativa no seu respectivo tópico em Modelagem e Epidemiologia (https://covid.ic.unicamp.br/c/tecnolC3B3gicas/ModelagemeEpidemiologia/11).