Análises de nowcasting

Estrutura do repositório

Repositório para análises de nowcasting de COVID-19 a partir de microdados de SIVEP-Gripe.

.
├── update_nowcasting.R         # Script principal para rodar o workflow de nowcasting
├── update_projecao_leitos.R    # Script principal para rodar o workflow de projeção de leitos
├── _src/                       # Scripts secundários para rodar as análises (source files)
├── fct/                        # Funções auxiliares
├── dados/                      # Dados auxiliares, IBGE e DRS
├── .gitignore 
│
└── README.md

Caminho para dados de entrada

Os dados de entrada são parametrizados no script update_nowcasting.R usando o argumento dir.

Caminho para outputs

Os outputs gerados por update_nowcasting.R vão por default para o repositório central_covid, ../dados_processados/nowcasting/[escala]/[sigla_UF]/[nome]. Os dados processados de nowcasting estão na raiz desse caminho e há uma subpasta dados_processados/nowcasting/[escala]/[sigla_UF]/[nome]/tabelas_nowcasting_para_grafico onde são guardadas as tabelas de nowcasting consolidadas.

Para rodar os scripts

Veja aqui o que está por trás do script update_nowcasting.R.

Dependências

Para executar o conjunto de scripts disponibilizados nesse repositório o usuário deverá instalar os seguintes programas:

• R versão >= 3.6.3
• JAGS versão 4.3.0

Além disso, a execução dos scripts em R depende da instalação dos pacotes a seguir:

• dplyr
• EpiEstim
• foreign
• lubridate
• NobBS
• patchwork
• optparse
• zoo

Construímos funções acessórias que estão em fct para facilitar o fluxo de trabalho.

Sobre o método

• Nowcasting com método Bayesian smoothing de McGough et al (2019), usando a função NobBS do pacote R de mesmo nome (McGough et al 2020), com janela (argumento moving_window) de 40 dias para nowcasting diário

• Nowcasting diário até dois dias antes da última data de sintoma que consta na base. Este corte é feito porque o nowcasting diário tem muita variação nas previsões dos dias mais recentes, para os quais normalmente há poucos casos

• As correções de nowcasting são feitas até a data mais recente de sintoma que consta em cada base e para cada recorte. Por isso não necessariamente a correção chega até a data da versão da base

• Datas de início do evento para estimativa nowcasting: data do primeiro sintoma relatado (campo DT_SIN_PRI)

• Data de registro do caso para estimativa nowcasting de casos SRAG: data de digitação (DT_DIGITA)

• Data de registro do caso para estimativa nowcasting de casos COVID: maior data entre data do resultado do teste (DT_PCR) e de digitação (DT_DIGITA)

• Distribuição a priori de tempos de atraso (betas do modelo): binomial com média de atraso de 15 dias

• Cálculo dos tempos de duplicação a partir do limite superior do intervalo de credibilidade (95%) dos estimados por nowcasting. Tempos de duplicação estimados com os usando os mesmos métodos do site do Observatório COVID-19 BR

• Cálculo dos tempos de R efetivo (R) a partir do limite superior do IC 95% dos valores estimados por nowcating. R e calculado pelo método de Wallinga & Teunis (2004), implementado no pacote EpiEstim (Cori et al 2020, função estimate_R). Utilizado o método que assume distribuição gama dos intervalos seriais, com parâmetros tomados de Nishiura et al. (2020).

Referências

Cori, Anne (2019). EpiEstim: Estimate Time Varying Reproduction Numbers from Epidemic Curves. R package version 2.2-1. https://CRAN.R-project.org/package=EpiEstim

McGough, S. F., Johansson, M. A., Lipsitch, M., & Menzies, N. A. (2020). Nowcasting by Bayesian Smoothing: A flexible, generalizable model for real-time epidemic tracking. PLoS computational biology, 16(4), e1007735.

McGough, S., Menzies, N., Lipsitch, M., Johansson, M. (2020). NobBS: Nowcasting by Bayesian Smoothing. R package version 0.1.0. https://CRAN.R-project.org/package=NobBS

Nishiura, H., Linton, N. M., & Akhmetzhanov, A. R. (2020). Serial interval of novel coronavirus (COVID-19) infections. International journal of infectious diseases.

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.