O objetivo deste repositório é iniciar uma força tarefa conjunta da comunidade científica e tecnológica a fim de criar modelos de previsão de infectados (e talvez outras métricas) 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).
No momento, as principais contribuições são o modelo SEIR-Bayes que pode ser visualizado interativamente com o Simulador
- COVID-19
- Índice
- Informações rápidas
- Setup para rodar os modelos
- Modelos
- Simulador
- Como contribuir?
- Recursos didáticos
- Referências
- Instale python 3.6 ou superior;
- (Opcional) Crie um ambiente virtual;
- 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.
Parâmetro | Limite inferior | Valor típico | Limite superior | Referências |
---|---|---|---|---|
Tempo de incubação (1/α) | 4.1 | 5.2 dias | 7.0 | 1, 2, 4 |
Número básico de reprodução (R0) | 1.4 | 2.2 | 3.9 | 2, 3, 4 |
Período infeccioso médio (1/γ) | ? | 14 dias | ? | 1 |
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)
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)
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)
Este resultado é preliminar, favor ver issue 13. O objetivo era simular a cidade de São Paulo.
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).
- Faça o Setup para rodar os modelos
- Execute
make launch
- Instale docker;
- Na raiz do projeto execute
make image
para construir a imagem; - Em seguida, execute
make covid-19
e aponte seu navegador para http://localhost:8501.
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.
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).
- Modelling the coronavirus epidemic spreading in a city with Python
- Social Distancing to Slow the Coronavirus
- The SIR epidemic model (SciPy)
- Report of the WHO-China Joint Mission on Coronavirus Disease 2019 (COVID-19)
- Early Transmission Dynamics in Wuhan, China, of Novel Coronavirus–Infected Pneumonia
- 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
- MIDAS Online Portal for COVID-19 Modeling Research