Descripció
Aquesta aplicació en línia, realitzada en R i Shiny, permet simular la propagació del virus de la COVID-19 usant models probabilístics de la infecció entre persones, mitjançant la modificació dels paràmetres que determinen el model epidemiològic subjacent que, en aquest cas, és de tipus compartimental. S’anomena així perquè els individus d’una població es classifiquen en diferents categories o compartiments en funció de si estan sans, infectats, amb o sense símptomes, es recuperen o es moren, etc. En aquest cas, el model és el següent:
En aquest cas, els individus poden ser classificats com a susceptibles de ser infectats (S), quan s’exposen a la malaltia i s’infecten, però encara no en són transmissors (E), tres nivells d’infecció (suau, severa i crítica, o I1, I2 i I3, respectivament) i si es recuperen (R) o bé es moren (D). Els paràmetres que apareixen als arcs d’aquest model representen els valors que permeten fer les simulacions que es controlen des de l’aplicació.
Com és habitual en les aplicacions desenvolupades amb R+Shiny, es poden observar diferents àrees dedicades cadascuna a una funcionalitat:
A banda de la capçalera a la part superior, la part esquerra de la pantalla està dedicada als paràmetres que determinen el resultat de la simulació, els quals es poden modificar per a comprovar diversos escenaris possibles. La part dreta de la pantalla mostra la visualització resultant, així com una zona de pestanyes que permeten accedir a diferents simulacions, i també a informació sobre la pròpia visualització.
Enllaç al recurs
https://alhill.shinyapps.io/COVID19seir/
Exemple d’ús
La pestanya Spread mostra el resultat de la simulació segons els paràmetres proporcionats. Es visualitzen cinc corbes, on es pot veure com avança dia a dia la infecció entre la població original (S), com va augmentant el nombre d’exposats (E) i d’infectats (I), i com la majoria d’aquests es recuperen (R) i un petit percentatge es moren (D).
Enllaços relacionats
Codi font a GitHub: https://github.com/alsnhll/SEIR_COVID19
Fitxa sobre Shiny: https://datascience.recursos.uoc.edu/shiny/
Models compartimentals en epidemiologia: https://en.wikipedia.org/wiki/Compartmental_models_in_epidemiology