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 (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?

No momento, as principais contribuições são o modelo SEIR-Bayes que pode ser visualizado interativamente com o Simulador; e os Dados disponíveis neste respositório

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

• COVID-19
• Índice
• Informações rápidas
  • Qual o modelo que acreditamos ser melhor?
  • Como posso usar o simulador online?
  • Como entro no grupo oficial do Telegram?
• Setup para rodar os modelos
• Modelos
  • Modelos Compartimentados
    • SEIR-ODE
    • SEIR-SDE
    • SEIR-Bayes
      • Resultado
      • Acessar resultados com Python
• Dados disponíveis neste respositório
• Simulador
  • Hosteado pela 3778
  • Com pip
  • Com Docker
• Como contribuir?
  • Quero entender os modelos, mas não sei por onde começar!
  • Tipos de contribuições
• Recursos didáticos
  • Introdução aos modelos SEIR e variantes
  • Implementações
  • Efeito das intervenções públicas
  • Datasets Brasileiros
• Referências

SEIR-Bayes

https://covid-simulator.3778.care/

Clique neste link: https://t.me/covid3778

1. Instale python 3.6 ou superior;
2. (Opcional) Crie um ambiente virtual;
3. Instale as dependências com pip install -r requirements.txt

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

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

Buscamos na literatura e temos as seguintes estimativas para os parâmetros desses modelos. Temos alguns artigos a serem estudados para melhorar essas estimativas.

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 models/seir_ode.py (a forma de rodar provavelmente vai mudar no futuro)

[Codigo] [Equacionamento]

Modelo similar ao SEIR-ODE, porem com dinâmica de transição de estados estabelecida por uma binomial.

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

[Codigo]

Modelo similar ao SEIR-SDE, porém com os parâmetros alpha, gamma e beta amostrados de uma distribuição à priori para cada rodada de simulação.

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

[Codigo]

Este resultado é preliminar, favor ver issue 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.

Função pra utilizar de forma fácil os dados.

seir_bayes_df_pop(
    R0__params: 'repr. rate upper and lower limits' = (2.5, 6.0),
    gamma_inv_params: 'removal rate upper and lower limits' = (7.0, 14.0),
    alpha_inv_params: 'incubation rate upper and lower limits' = (4.1, 7.0),
    fator_subr: 'subreporting factor, multiples I0 and E0' = 40.0,
    t_max: 'numer of days to run' = 30,
    runs: 'number of runs' = 1000,
    date: 'load SEIR(0) for this date' = 'latest',
)

Exemplo de uso:

from models.seir_bayes import seir_bayes_df_pop
sim = seir_bayes_df_pop() # voce pode mudar os parametros da simulacao
print(sim[0].keys()) # dict_keys(['uf', 'city', 'estimated_population', 'exposed_est', 
                     #            'cases', 'removed_est', 'results', 'error'])
S, E, I, R, t = sim[0]['results']

Cada matriz S, E, I ou R tem tamanho (t_max, runs)

1. CSVs diários e por unidades da federação (disponívels em data/csv) (Fonte: Plataforma IVIS)

Este simulador usa o Streamlit. No momento, ele permite simular o SEIR-Bayes variando os parâmetros. Estamos trabalhando para melhorar este simulador (veja as issues).

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

1. Faça o Setup para rodar os modelos
2. Execute make launch

1. Instale docker;
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.

Nas seção de 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:

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.

• The MATH of Epidemics | Intro to the SIR Model

Toda contribuição é bem vinda. Estamos gerenciando via GitHub Issues. Existem algumas categorias de contribuições:

• modelagem - relacionados a modelagem matemática (discussões e implementações) dos modelos;
• bug - problemas encontrados no código;
• documentação;
• dev - tudo que é relacionado a código (sem ser a modelagem ou bugs);
• paper - artigo a ser analisado;
• modelo: $NOME_DO_MODELO- para modelos específicos (por exemplo, modelo: SEIR-Bayes).

• Compartmental models in epidemiology
• The MATH of Epidemics | Intro to the SIR Model
• Mathematical Modeling of Infectious Diseases Dynamics

• Modelling the coronavirus epidemic spreading in a city with Python
• Social Distancing to Slow the Coronavirus
• The SIR epidemic model (SciPy)
• Epidemic Calculator

• Understanding Unreported Cases in the COVID-19 Epidemic Outbreak in Wuhan, China, and the Importance of Major Public Health Interventions

• Number of confirmed cases of COVID-19 in Brazil

1. Report of the WHO-China Joint Mission on Coronavirus Disease 2019 (COVID-19)
2. Early Transmission Dynamics in Wuhan, China, of Novel Coronavirus–Infected Pneumonia
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
4. MIDAS Online Portal for COVID-19 Modeling Research