impulsogov / farolcovid Goto Github PK

• Ver os mapas criados pelo @d116626 para colocar no app :)

Também deixar claro que isso atualiza a populaçao de referencia

Update model from: https://alhill.shinyapps.io/COVID19seir/

• Como usar e nomear branch
• Como puxar dados da API
• Como nomear e subir os notebooks num PR

• Taxa de notificação
• R_t

Colocar de forma semelhante à metodologia do modelo

Nomes dos items no menu lateral:

• Níveis de Risco (sugestão .py: risk_description.py)
• Estimando taxa de contágio - @ap1631 confere esse nome? (sugestão .py: rt_description.py)

Textos: link do docs no trello! :)

Cálculo de infectados ativos no último dia com base na soma dos novos casos nos dias anteriores, referentes ao período de progressão da doença (mil_period + severe_period + critical_period)

• Melhorar estimativa do card para quando lower-bound não cruza a linha capacidade mas o upper cruza (atual: "mais de 90 dias")
• Adicionar texto no card para o caso no qual já estourou capacidade
• Automatizar mensagem de whatsapp para caso onde "dá ruim" em zero dias

@gabrielsaruhashi consegue botar isso em algum canto?

• MVP: Heatmaps

Contexto

Temos uma métrica para a disseminação da doença no município/UF atual!

O que fazer

• Repensar as estratégias de intervenção apresentadas: dado o crescimento atual, o gestor pode simular continuar / aumentar / diminuir a a taxa de contágio (Rt +/- 0.5)

• Update model from: https://alhill.shinyapps.io/COVID19seir/

Proposta:

Model

A funcão model é responsável por rodar o model epidemiológico a partir de parâmetros populacionais e da doença.

def model(population_params, 
       diseases_params,
       n_days
):
""" Run X epidemiological model

Params
--------
population_params: dict
     Population parameters:
          - N: region population
          - E: exposed
          - I_1: infected mild
          - I_2: infected serious
          - I_3: infected critical
          - R: recovered
          - D: deaths

diseases_params: dict
       Diseases parameters:
           - ...

n_days: int
       Number of days to model

Return
-------
pd.DataFrame
        Evolution of population parameters.
"""

Prepare

A funcão prepare tem métodos para estimar parâmetros populacionais que não são explítos. Por exemplo, I é o número de infectados, que é um número explícito. I_2 pode ser estimado usando 12.5% de I.

def prepare(population_params, config):
""" Estimate not explicity population parameters

Params
--------

population_param: dict
       Explicit population parameters:
                - N: population
                - I: infected
                - R: recovered
                - D: deaths

config: dict
        General configuration files with rules to estimate implicit parameters

Returns
--------
dict
       Explicit and implicit population parameters ready to be applied in the `model` function
"""

• Trocar eixo de dias por data
• Mudar legenda hover: melhorar texto e mudar hovertext para x unified
• Adicionar label eixo Y

Wang et al, variando de acordo com as fases de wuhan

Não está direcionando para o GitHub 😅

• Será que conseguimso via Streamlit?

O simulador deve organizar quando cada cenário deve ser ativado.

Sudo code:

from <model_name> import prepare_population, prepare_params, model

def prepare_sequential_scenario(user_input, config):
""" Organizes scenarios in a list of tuples (n_days, R0).

The user_input data should overwrite the config setup by default.

Return
-------
list of tuples
     of n_days and R0
"""

def sequential_simulation(user_input, explicit_population_params, config):

      population_params = prepare_population(explicit_population_params)
      scenarios = prepare_scenarios(user_input, config)

      result = pd.DataFrame()
      for n_days, R0 in scenarios:
     
            result_temp = model(
                    population_params, 
                    prepare_model(model_params, R0), 
                    n_days)

             result = pd.concat([result, result_temp])

       return result

Tem como colocar isso também? Acho que ajuda a conseguir patrocínio, credibilidade, etc

• Como verificar o gap entre a simulação e dados observados?
• Qual o período para verificação vamos considerar? últimos 7/15 dias

Premissas:

• Fitar pelo número de mortes: assumimos não ter subnotificação nessa classe