Nota: sito ottimizzato per l'uso da PC, in caso di utilizzo da cellulare o tablet si consiglia di tenere il dispositivo in modalità "orizzontale".

Gruppo di lavoro

Coordinatore del progetto

Prof. Dario Gregori, Ph.D., responsabile dell'Unità di Biostatistica, Epidemiologia e Sanità Pubblica del Dipartimento di Scienze Cardio- Toraco- Vascolari e Sanità Pubblica -- Università degli studi di Padova. LinkedIn

Sviluppo applicazione e R package

Corrado Lanera, Ph.D., Unità di Biostatistica, Epidemiologia e Sanità Pubblica del Dipartimento di Scienze Cardio- Toraco- Vascolari e Sanità Pubblica -- Università degli studi di Padova. Responsabile del Laboratorio di Intelligenza Artificiale per le Scienze Mediche LinkedIn

Modellistica Epidemiologica

Prof. Paola Berchialla, Ph.D., Dipartimento di Scienze Cliniche e Biologiche -- Università degli Studi di Torino LinkedIn

Prof. Dolores Catelan, Ph.D., Dipartimento di Statistica, Informatica, Applicazioni "G. Parenti" (DISIA), Università degli Studi di Firenze LinkedIn

Modelli Previsivi

Danila Azzolina, Ph.D., Dipartimento di Medicina Traslazionale -- Università del Piemonte Orientale LinkedIn

Ilaria Prosepe, MSc., Unità di Biostatistica, Epidemiologia e Sanità Pubblica del Dipartimento di Scienze Cardio- Toraco- Vascolari e Sanità Pubblica -- Università degli studi di Padova. LinkedIn

Modelli di Epidemiologia Ambientale e Inquinamento

Prof. Annibale Biggeri, MD, MSPH, MSB, Dipartimento di Statistica, Informatica, Applicazioni "G. Parenti" (DISIA), Università degli Studi di Firenze LinkedIn

Prof. Cristina Canova, Ph.D., Unità di Biostatistica, Epidemiologia e Sanità Pubblica del Dipartimento di Scienze Cardio- Toraco- Vascolari e Sanità Pubblica -- Università degli studi di Padova. LinkedIn

Elisa Gallo, MSc., Unità di Biostatistica, Epidemiologia e Sanità Pubblica del Dipartimento di Scienze Cardio- Toraco- Vascolari e Sanità Pubblica -- Università degli studi di Padova. LinkedIn

Francesco Garzotto, MSc, Unità di Biostatistica, Epidemiologia e Sanità Pubblica del Dipartimento di Scienze Cardio- Toraco- Vascolari e Sanità Pubblica -- Università degli studi di Padova. LinkedIn

Analisi Geospaziale e Rappresentazione Cartografica

Prof. Francesco Pirotti, Ph.D., Dipartimento Territorio e Sistemi Agro-Forestali (TESAF) CIRGEO - Centro Interdipartimentale di Ricerca di Geomatica. LinkedIn

Analisi della mortalità

Prof. Corrado Magnani, Ph.D., Dipartimento di Medicina Traslazionale --- Università del Piemonte Orientale, Novara. LinkedIn

Daniela Ferrante, Ph.D., Dipartimento di Medicina Traslazionale --- Università del Piemonte Orientale, Novara. LinkedIn

Comunicazione del Rischio

Giulia Lorenzoni, Ph.D., Unità di Biostatistica, Epidemiologia e Sanità Pubblica del Dipartimento di Scienze Cardio- Toraco- Vascolari e Sanità Pubblica -- Università degli studi di Padova. Responsabile del Laboratorio di Epidemiologia Clinica e Digital Health LinkedIn

Nicolas Destro, MA, Unità di Biostatistica, Epidemiologia e Sanità Pubblica del Dipartimento di Scienze Cardio- Toraco- Vascolari e Sanità Pubblica -- Università degli studi di Padova. LinkedIn

Istruzioni per la navigazione

Organizzazione del sito

  1. Home: Questa pagina.
  2. In evidenza: Considerazioni su temi specifici locali o regionali.
  3. Andamento epidemia: Serie temporali dinamiche e interattive.
  4. Indici principali: Principali indici di interesse locale, regionale o nazionale.
  5. Segnalazioni: link per segnalazioni tecniche relative all'applicazione.
  6. Fonti e informazioni: Descrizione fonti, licenze d'uso e software utilizzati per lo sviluppo.
  7. Metriche ultima giornata: Selezionando una regione (o 'Italia', default) vengono visualizzate le principali metriche dell'ultimo aggiornamento dati, che normalmente avviene alle ore 18 da parte della protezione civile.

Utilizzo dei grafici dinamici

La maggior parte dei grafici riportati nel sito sono dinamici in due modi distinti:

1. rispetto alle informazioni riportate: all'interno del grafico è possibile visualizzare ulteriori dettagli passando il cursore o facendo click sui vari punti/curve riportate, è possibile zoommare su alcune zone di interesse tramite i pulsanti +/- in semi-trasparenza in alto a destra nel grafico (o selezionando l'area con il puntatore). Nel caso di informazioni multiple (per esempio più regioni o più misure) riportate nello stesso grafico, è possibile escludere alcune informazioni facendo click sulla relativa voce in legenda, o mantenere attiva una sola informazione di interesse tramite un doppio click. È inoltre possibile salvare ciascun grafico, in modo indipendente e così come visualizzato, selezionando l'icona semitrasparente della macchina fotografica. Tramite la pressione dell'icona a forma di casetta è possibile ripristinare la visione originale del grafico visualizzato.

2. rispetto a quali/quante informazioni elaborare e riportare: In caso compaiano delle celle sopra il grafico in cui poter selezionare regioni, province o misure, è possibile sia escluderne che aggiungerne di ulteriori (tra quelle disponibili selezionando il riquadro). Una volta selezionato o deselezionato quanto di interesse, i grafici si aggiorneranno moltiplicandosi o riducendosi, così come moltiplicando o riducento le infornmazioni contenute in ciascuno di essi.

Impatto dei tamponi sulle ospedalizzazioni

Per valutare il potenziale impatto dell'uso dei tamponi abbiamo confrontato le regioni Veneto e Piemonte che hanno seguito modelli diversi.
In particolare, abbiamo provato ad applicare al Piemonte il modello Veneto.

La Figura 1 mostra che sulla base dei totale casi Piemonte e Veneto dovrebbero avere circa lo stesso numero di ospedalizzazioni: nella seguente figura questo è rappresentato dalle due curve rossa e verde quasi sovrapposte.
Eppure se visualizziamo sul grafico anche il dato reale degli ospedalizzati, osserviamo che in Piemonte (circoletti rossi) questo è molto più elevato che per il Veneto.

Se nel modello inseriamo anche il numero di tamponi effettuati nel corso del tempo, come riportato in Figura 2, osserviamo che il modello Veneto predice con una buona approssimazione le ospedalizzazioni in Piemonte, andando spiegare quindi la differenza osservata.

Metodologia

Abbiamo utilizzato un modello di Poisson con una spline naturale di grado 3 sui giorni e una interazione tamponi x giorni. E' stato inserito come offset la popolazione residente.

Analisi preliminare della mortalità generale in 122 comuni veneti durante il periodo da 1 a 21 Marzo 2020.

L'Istituto Nazionale di Statistica (Istat) ha messo a disposizione su proprio sito web (https://www.istat.it/it/archivio/240401) i risultati della rilevazione della mortalità effettuata in 1084 comuni italiani, con dati aggiornati al 21 marzo 2020.1 I comuni veneti inclusi in questo archivio sono 122.

Come comunicato sul sito dell'Istat, sono stati considerati i comuni che "presentano almeno dieci decessi da gennaio al 28 marzo 2020 (perché meno esposti a eccessive variazioni nei dati giornalieri) e che hanno fatto registrare un aumento dei morti pari o superiore al 20 percento nei primi 21 o 28 giorni di marzo 2020, rispetto al dato medio dello stesso periodo degli anni 2015-2019". Il criterio di selezione introdotto da ISTAT porta ad una sovrastima dell'aumento di mortalità per cui i dati che presentiamo devono essere intesi come i valori massimi prevedibili.

La mortalità complessiva costituisce un indicatore estremamente rilevante perché è poco suscettibile ad errori o difformità di valutazione e tiene conto sia della mortalità direttamente indotta da una patologia sia della mortalità causata in modo indiretto, ad esempio per le possibili difficoltà nell'accesso ai servizi ospedalieri per persone affette da altre patologie.

La mortalità complessiva inoltre non risente di quesiti diagnostici o di difficoltà nella codifica delle cause di morte e quindi è una utile base su cui andrà costruita la valutazione più dettagliata degli effetti della epidemia di COVID-19 in atto.

I dati sono forniti da Istat in diverse tabelle, accessibili e scaricabili dal sito istituzionale, che consentono una immediata lettura e che possono anche essere utilizzate per la preparazione di ulteriori analisi. Abbiamo utilizzato questa seconda opportunità per preparare alcune analisi descrittive, che sono presentate essenzialmente sotto forma di grafici, per illustrare l'andamento della mortalità complessiva per area geografica, sesso, classe di età e periodo.

Si tratta di analisi preliminari, finalizzate alla condivisione di informazioni in un momento di emergenza, che saranno migliorate ed approfondite nel prossimo periodo. In particolare l'obiettivo attuale è limitato alla presentazione ragionata dei valori assoluti e dei coefficienti di variazione percentuali. Saranno condotte analisi supplementari per giungere ad una migliore modellizzazione dei trend e per arricchire gli indici dei relativi intervalli di confidenza.

Le analisi sono state condotte per rispondere ai seguenti quesiti:

  • Di quale entità è la variazione di mortalità osservata confrontando il periodo tra il 1 ed il 21 marzo 2019 con il periodo tra il 1 ed il 21 marzo 2020?
  • La variazione osservata come è distribuita in relazione al sesso, alla classe di età ed alla provincia di residenza?
  • Estendendo la valutazione agli anni precedenti, partendo dal 2015, esistono variazioni tra i diversi anni e di quale entità, sempre considerando, classe di età e provincia di residenza?
  • A partire da quale settimana di rilevazione (considerando il periodo dal 1 gennaio 2020 al 21 marzo 2020) è osservabile una variazione della mortalità complessiva?

In relazione all'aggregazione dei dati nelle tabelle fornite da Istat e alla numerosità dei dati osservati alcune variabili sono state raggruppate in categorie più ampie, come indicato nella presentazione dei risultati delle diverse analisi.

Di quale entità è la variazione di mortalità osservata confrontando il periodo tra il 1 e il 21 marzo 2019 con il periodo tra il 1 e il 21 marzo 2020? La variazione osservata come è distribuita in relazione al sesso, alla classe di età e alla provincia di residenza?

L'indicatore della variazione percentuale tra il numero di morti osservate nel periodo dal 1 al 21 marzo 2019 e nel corrispondente periodo del 2020 è stato calcolato a partire dai dati aggregati per provincia, sesso e classe di età. In questo caso l'aggregazione per provincia comprende soltanto i comuni di cui Istat ha messo a disposizione i dati.Sono state usate le categorizzazioni presenti nella tabella fornita dall'Istat (https://www.istat.it/it/files//2020/03/Tavola-sintetica-decessi.xlsx). Le classi di età considerate sono: 65-74 anni, 75-84 anni, 85 anni e oltre, già presenti nei dati.

L'indice di variazione percentuale è calcolato come:

variazione% = 100 * ( numero decessi2020 -- numero decessi2019 ) / numero decessi2019

L'indice è presente nella tabella dei dati originali calcolato a livello comunale. In queste analisi è stato calcolato con aggregazione provinciale, per ridurre la variabilità conseguente alle fluttuazioni casuali che sono particolarmente marcate nel caso di comuni di piccole dimensioni, che costituiscono una parte rilevante della base dati. Sono riportati i numeri assoluti di decessi, per ciascuna provincia e le variazioni percentuali dal 2019 al 2020, nel periodo considerato.2

L'analisi è stata condotta anche separatamente per classe di età, e per sesso, i risultati sono presentati nei grafici seguenti (figura 1 e figura 2):

Figura 1: Variazione percentuale per classi di età e provincia. Periodo 1-21 marzo 2019 vs. 1-21 marzo 2020.

Nella lettura del valore di variazione percentuale occorre tenere conto della numerosità delle morti, che è molto diversa tra le province a causa della diversa numerosità del campione. In alcune province una variazione appare importante ma è causata da piccoli numeri di morti in più o in meno (Tabella 1).

Figura 2: Variazione percentuale per sesso e provincia. Periodo 1-21 marzo 2019 vs. 1-21 marzo 2020.

Estendendo la valutazione agli anni precedenti, partendo dal 2015, esistono variazioni tra i diversi anni e di quale entità, sempre considerando, classe di età e provincia di residenza?

La base dati messa a disposizione consente di valutare l'andamento della mortalità negli anni precedenti, a partire dal 2015. Sono stati usati i dati presentati nella tabella https://www.istat.it/it/files//2020/03/dati-comunali-settimanali-ANPR-1.zip Le analisi saranno approfondite in futuro valutando più appropriatamente l'andamento della mortalità nel periodo 2015-2020 anche con metodi di modellizzazione.

I decessi nei comuni relativi all'indagine Istat sono stati sommati assieme al fine di ottenere un dato provinciale. Il grafico che segue (figura 3) presenta il numero totale di morti nel periodo 2015-2020 per provincia.

Figura 3: Numero di decessi per provincia nel periodo 1-21 marzo dal 2015 al 2020.

I grafici seguenti (figura 4) presentano il confronto della mortalità negli anni dal 2015 al 2020, per provincia e classe di età. Il numero di decessi nei comuni relativi all'indagine Istat sono stati sommati assieme al fine di ottenere un dato provinciale. Le classi di età sono state definite sulla base dei raggruppamenti con cui sono presentati i dati originali, e precisamente: fino a 64 anni (ottenuto sommando le due classi presenti nella tabella originale 0-14 e 15-64), da 65 a 74, 75 e oltre.

Si ricorda che i grafici presentano i numeri assoluti e quindi le differenze tra le province riflettono in primo luogo la dimensione dei comuni coinvolti dall'indagine Istat per provincia.

Figura 4: Numero di decessi per provincia e classi di età nel periodo 1-21 marzo dal 2015 al 2020.

In quale settimana di rilevazione (considerando il periodo dal 1 gennaio 2020 al 21 marzo 2020) è osservabile una variazione della mortalità complessiva?

Per contribuire alla risposta a questo quesito sono stati usati i dati relativi ai 122 comuni veneti riportati nella tabella https://www.istat.it/it/files//2020/03/dati-comunali-settimanali-ANPR-1.zip, limitatamente ai dati per il periodo 1 gennaio -- 21 marzo 2020. Nella tabella tali dati sono presentati suddivisi a ritroso in periodi di 7 giorni. Così facendo il primo periodo va da 1 al 10 gennaio e quindi non è confrontabile con i successivi perché comprende 11 giorni di osservazione. In questa fase si è deciso pertanto di escluderlo e di partire dal secondo periodo, che ha inizio il 12 gennaio 2020. I grafici seguenti (figura 5) presentano l'andamento per classe di età e provincia. I grafici riportano sull'asse orizzontale la data di inizio dei diversi periodi settimanali.

Figura 5: Numero di decessi settimanali per provincia e classi di età dall'12 al 21 marzo 2020.

Notes

1 Per maggiori informazioni sulla rilevazione si rimanda alla metodologia descritta da Istat.
2 Un indice del 100% indica che la mortalità è raddoppiata tra i due periodi a confronto.

Analisi preliminare della mortalità generale in 1084 comuni italiani durante il periodo da 1 a 21 Marzo 2020.

L'Istituto Nazionale di Statistica (Istat) ha messo a disposizione su proprio sito web (https://www.istat.it/it/archivio/240401) i risultati della rilevazione della mortalità effettuata in 1084 comuni italiani, con dati aggiornati al 21 marzo 2020.1

Come comunicato sul sito dell'Istat, sono stati considerati i comuni che "presentano almeno dieci decessi da gennaio al 28 marzo 2020(perché meno esposti a eccessive variazioni nei dati giornalieri) e che hanno fatto registrare un aumento dei morti pari o superiore al 20 percento nei primi 21 o 28 giorni di marzo 2020, rispetto al dato medio dello stesso periodo degli anni 2015-2019". Il criterio di selezione introdotto da ISTAT porta ad una sovrastima dell'aumento di mortalità per cui i dati che presentiamo devono essere intesi come i valori massimi prevedibili.

In sintesi sono compresi nella rilevazione 1084 comuni che includono complessivamente 6.177.016 uomini e 6.496.805 donne, così distribuiti per regione di residenza. La rappresentazione è diversa nelle diverse regioni (Tabella 1).

Tabella 1: Popolazione residente al 1 gennaio 2019 nei 1084 comuni inclusi nei dati.

La mortalità complessiva costituisce un indicatore estremamente rilevante perchè poco suscettibile a errori o difformità di valutazione e tiene conto sia della mortalità direttamente indotta da una patologia sia della mortalità causata in modo indiretto, a esempio per le possibili difficoltà nell'accesso ai servizi ospedalieri per persone affette da altre patologie.

La mortalità complessiva inoltre non risente di quesiti diagnostici o di difficoltà nella codifica delle cause di morte e quindi è una utile base su cui andrà costruita la valutazione più dettagliata degli effetti della epidemia di COVID-19 in atto.

I dati sono forniti da Istat in diverse tabelle, accessibili e scaricabili dal sito istituzionale, che consentono una immediata lettura e che possono anche essere utilizzate per la preparazione di ulteriori analisi. Abbiamo utilizzato questa seconda opportunità per preparare alcune analisi descrittive, che sono presentate essenzialmente sotto forma di grafici, per illustrare l'andamento della mortalità complessiva per area geografica, sesso, classe di età e periodo.

Si tratta di analisi preliminari, finalizzate alla condivisione di informazioni in un momento di emergenza, che saranno migliorate ed approfondite nel prossimo periodo. In particolare l'obiettivo attuale è limitato alla presentazione ragionata dei valori assoluti e dei coefficienti di variazione percentuali. Saranno condotte analisi supplementari per giungere a una migliore modellizzazione dei trend e per arricchire gli indici dei relativi intervalli di confidenza.

Le analisi sono state condotte per rispondere ai seguenti quesiti:

  • Di quale entità è la variazione di mortalità osservata confrontando il periodo tra il 1 ed il 21 marzo 2019 con il periodo tra il 1 ed il 21 marzo 2020?
  • La variazione osservata come è distribuita in relazione al sesso, alla classe di età ed alla regione di residenza?
  • Estendendo la valutazione agli anni precedenti, partendo dal 2015, esistono variazioni tra i diversi anni e di quale entità, sempre considerando sesso, classe di età e regione di residenza?
  • A partire da quale settimana di rilevazione (considerando il periodo dal 1 gennaio 2020 al 21 marzo 2020) è osservabile una variazione della mortalità complessiva?

In relazione all'aggregazione dei dati nelle tabelle fornite da Istat e alla numerosità dei dati osservati alcune variabili sono state raggruppate in categorie più ampie, come indicato nella presentazione dei risultati delle diverse analisi.

Di quale entità è la variazione di mortalità osservata confrontando il periodo tra il 1 e il 21 marzo 2019 con il periodo tra il 1 e il 21 marzo 2020?. La variazione osservata come è distribuita in relazione al sesso, alla classe di età e alla regione di residenza?

L'indicatore della variazione percentuale tra il numero di morti osservate nel periodo dal 1 al 21 marzo 2019 e nel corrispondente periodo del 2020 è stato calcolato a partire dai dati aggregati per regione, sesso e classe di età. In questo caso l'aggregazione per regione comprende soltanto i comuni di cui Istat ha messo a disposizione i dati. Sono state usate le categorizzazioni presenti nella tabella fornita dall'Istat (https://www.istat.it/it/files//2020/03/Tavola-sintetica-decessi.xlsx). Le classi di età considerate sono: 65-74 anni, 75-84 anni, 85 anni e oltre, già presenti nei dati.

L'indice di variazione percentuale è calcolato come:

variazione% = 100 * ( numero decessi2020 -- numero decessi2019 ) / numero decessi2019

L'indice è presente nella tabella dei dati originali calcolato a livello comunale. In queste analisi è stato calcolato con aggregazione regionale, per ridurre la variabilità conseguente alle fluttuazioni casuali che sono particolarmente marcate nel caso di comuni di piccole dimensioni, che costituiscono una parte rilevante della base dati. Sono riportati i numeri assoluti di decessi, il numero di comuni inclusi nella rilevazione per ciascuna regione e le variazioni percentuali dal 2019 al 2020, nel periodo considerato.2

L'analise è stata condotta anche separatamente per classe di età, e per sesso, i risultati sono presentati nei grafici seguenti (figura 1 e figura 2):

Figura 1: Variazione percentuale per classi di età e regione. Periodo 1-21 marzo 2019 vs. 1-21 marzo 2020.

Aggregando per regione i dati dei comuni selezionati dall'Istat, tutte le regioni presentano un aumento di entità variabile nelle due classi di età più avanzate e la maggioranza delle regioni presenta anche un aumento nella prima classe di età, da 65 a 74 anni. Nella lettura del valore di variazione percentuale occorre tenere conto della numerosità delle morti, che è molto diversa tra le regioni a causa della diversa numerosità del campione. In alcune regioni una variazione appare importante ma è causata da piccoli numeri di morti in più o in meno (Tabella 2).

Figura 2: Variazione percentuale per classi di sesso e regione. Periodo 1-21 marzo 2019 vs. 1-21 marzo 2020.

Estendendo la valutazione agli anni precedenti, partendo dal 2015, esistono variazioni tra i diversi anni e di quale entità, sempre considerando sesso, classe di età e regione di residenza?

La base dati messa a disposizione consente di valutare l'andamento della mortalità negli anni precedenti, a partire dal 2015. Sono stati usati i dati presentati nella tabella https://www.istat.it/it/files//2020/03/dati-comunali-settimanali-ANPR-1.zip Le analisi saranno approfondite in futuro valutando più appropriatamente l'andamento della mortalità nel periodo 2015-2020 anche con metodi di modellizzazione, comunque l'ispezione dei dati con metodi descrittivi consente di apprezzare come limitata la variabilità nel numero di decessi nel periodo 2015 - 2019, sia complessivamente sia nelle disaggregazioni per sesso e classe di età.

I decessi nei comuni relativi all'indagine Istat sono stati sommati assieme al fine di ottenere un dato regionale. I grafici che seguono (figura 3) presentano il numero totale di morti nel periodo 2015-2020 per regione. Le regioni sono state aggregate in due gruppi per migliorare la leggibilità dei grafici, corrispondenti alla classificazione Istat con le regioni del Nord e con le regioni del Centro-Sud-Isole.

Figura 3: Numero di decessi per regione nel periodo 1-21 marzo dal 2015 al 2020.

I grafici seguenti (figura 4) presentano il confronto della mortalità negli anni dal 2015 al 2020, per regione e classe di età. Il numero di decessi nei comuni relativi all'indagine Istat sono stati sommati assieme al fine di ottenere un dato regionale. Le classi di età sono state definite sulla base dei raggruppamenti con cui sono presentati i dati originali, e precisamente: fino a 64 anni (ottenuto sommando le due classi presenti nella tabella originale 0-14 e 15-64), da 65 a 74, 75 e oltre.

Si ricorda che i grafici presentano i numeri assoluti e quindi le differenze tra le regioni riflettono in primo luogo la dimensione dei comuni coinvolti dall'indagine Istat per regione.

Figura 4: Numero di decessi per regione e classi di età nel periodo 1-21 marzo dal 2015 al 2020.

In quale settimana di rilevazione (considerando il periodo dal 1 gennaio 2020 al 21 marzo 2020) è osservabile una variazione della mortalità complessiva?

Per contribuire alla risposta a questo quesito sono stati usati i dati relativi ai 1084 comuni riportati nella tabella https://www.istat.it/it/files//2020/03/dati-comunali-settimanali-ANPR-1.zip, limitatamente ai dati per il periodo 1 gennaio -- 21 marzo 2020. Nella tabella tali dati sono presentati suddivisi a ritroso in periodi di 7 giorni. Così facendo il primo periodo va da 1 al 10 gennaio e quindi non è confrontabile con i successivi perché comprende 11 giorni di osservazione. In questa fase si è deciso pertanto di escluderlo e di partire dal secondo periodo, che ha inizio il 12 gennaio 2020. I grafici seguenti (figura 5 e figura 6) presentano l'andamento per classe di età, sesso e regione. Le classi ed i raggruppamenti regionali adottati per rendere più agevole l'esame dei risultati sono gli stessi adottati per le analisi precedenti. I grafici riportano sull'asse orizzontale la data di inizio dei diversi periodi settimanali.

Si osserva da queste analisi che vi è un aumento della mortalità generale a partire dalla settimana del 1 marzo in particolare nelle regioni maggiormente interessate dall'epidemia, ed in particolare in Lombardia. Si ricorda che è stato incluso in queste analisi il campione di comuni selezionato dall'Istat.

Figura 5: Numero di decessi settimanali per regione e sesso dall'12 al 21 marzo 2020.

Figura 6: Numero di decessi settimanali per regione e classi di età dall'12 al 21 marzo 2020.

Notes

1 Per maggiori informazioni sulla rilevazione si rimanda alla metodologia descritta da Istat.
2 Un indice del 100% indica che la mortalità è raddoppiata tra i due periodi a confronto.

Analisi comparativa tra Regione Piemonte e Regione Veneto dei dati epidemiologici relativi all'infezione da Covid-19.

Sono stati analizzati i dati relativi al numero di casi positivi, al numero di tamponi effettuati, al numero di ospedalizzazioni, al numero di casi di terapia intensiva e al numero di decessi compresi nell'arco temporale dal 28 febbraio 2020 al 30 marzo 2020 nelle regioni Piemonte e Veneto.

Le due regioni hanno adottato approcci diversi nell'utilizzo del tampone naso-faringeo; il Piemonte ha applicato da subito le direttive del Consiglio Superiore di Sanità e nelle prime fasi dell'epidemia ha sottoposto a tampone solamente le persone che presentavano segni clinici da covid-19, ma che al contempo avessero i criteri epidemiologici (contatto con soggetto proveniente dalle zone a rischio); la regione Veneto, di sua iniziativa, ha ritenuto di sottoporre al tampone tutti i pazienti che presentavano sintomi da covid-19 e, probabilmente, i relativi contatti. Questo differente modus operandi ha portato nelle prime fasi dell'epidemia (dal 28 febbraio al 8 marzo 2020) a evidenziare maggiori casi nella Regione Veneto (Figura 1).

In data 8 marzo 2020 è stata dichiarata la zona rossa estesa a tutta Italia con conseguente lock-down (progressivo) della circolazione e delle attività.

Sebbene in una prima fase (circa una settimana) si sia continuato a vedere un numero inferiore di casi in Piemonte, le curve del numero di ospedalizzazioni delle due regioni, prese in esame, hanno subito una netta biforcazione a carico della Regione Piemonte, in cui si è osservato un aumento significativo dei pazienti ospedalizzati (Figura 2), e parimenti anche le curve relative al ricorso alle terapie intensive (Figura 3) e il numero di decessi si sono distanziate nelle due realtà (Figura 4).

La separazione delle curve di ospedalizzazione delle due regioni attorno al 12 marzo (quando il Piemonte ha cominciato a crescere più rapidamente del Veneto, pur avendo apparentemente meno casi) potrebbe essere l'effetto di un ridotto numero di tamponi che ha reso il numero delle persone individuate molto più basso rispetto a quello reale, sovrastimando il dato di letalità (morti per la malattia/numero totale di affetti dalla malattia). La politica del Veneto di fare subito più tamponi, probabilmente stimolata dalla individuazione del primo focolaio di Vo' Euganeo, ha incrementato, per lo meno nella fase iniziale, la possibilità di isolare i positivi, andando così a proteggere le fasce di età più a rischio e riducendo la circolazione del virus ancora prima del lock-down dell'8 marzo. Questa dinamica di separazione delle curve di crescita delle due regioni si è riprodotta sui decessi con uno shift temporale di 5/6 giorni.

Nella fase attuale dell'epidemia questo molto probabilmente comporta che:

  1. anche pazienti con sintomi, ma non risultanti positivi vengono lasciati a casa e non avviano precocemente alcuna terapia;
  2. quando la situazione peggiora i pazienti si recano in PS dove, se positivi, vengono ricoverati e possono finalmente iniziare una terapia;
  3. tuttavia iniziano la terapia più tardivamente di quanto forse necessario per prevenire la progressione verso la ARDS e, probabilmente, l'uso tardivo del tocilizumab ha meno possibilità di successo;
  4. con conseguente aumento dei decessi.

La nostra analisi suggerisce che per modificare questa sequenza di eventi e ridurre la necessità di ricovero e soprattutto ottimizzare il ricorso alla terapia intensiva, è necessario implementare il numero delle diagnosi domiciliari, estendendo l'indicazione all'esecuzione del tampone ai pazienti pauci-sintomatici. Questo consentirebbe non solo di ridurre i contagi ma anche di avviare una terapia antiinfiammatoria e/o antivirale a domicilio sotto il controllo di equipe di medici dedicati, con l'intento di prevenire o almeno di attenuare e ritardare la progressione della malattia, ridimensionando la letalità di covid-19. A nostro avviso la gestione integrata tra ospedale e territorio potrebbe essere un approccio vincente.

*Hanno contribuito all'Interpretazione dei dati Carmen Fava, Giuseppe Saglio (Dipartimento di Scienze Cliniche e Biologiche, Università di Torino) e Andrea Ricotti (Dipartimento di Scienze della Sanità Pubblica e Pediatriche, Università di Torino

Possibile effetto sulle ospedalizzazioni delle politiche sanitarie in Veneto

Obiettivo è quello di avere un'aggiornamento sul possibile effetto delle politiche sanitarie implementate in Veneto a contenimento dell'epidemia COVID-19.

Si è confrontato l'andamento prevedibile in base ai dati al 12 marzo con l'andamento effettivamente riscontrato in Veneto, per capire se parte o tutte delle azioni implementate abbiano avuto un effetto plausibile di rallentamento sull'evolversi dell'epidemia.

La Figura 1 mostra che vi è stato un rallentamento dopo il 12 marzo, giorno in cui si è osservato un changepoint nell'andamento epidemico.

In base a questo confronto (curva stimata al 27 marzo e dati osservati nei giorni seguenti) è stato possibile stimare alcune grandezze:

  1. Il numero di ospedalizzazioni che si sono evitate al 27 marzo in Veneto: 800 (95% C.I. 755 -- 845) (Figura 2)
  2. Il rallentamento dell'evolversi della epidemia rispetto al previsto:
    • 3.64 (95% C.I. 3.12 - 4.16 giorni) "guadagnati" a parità di livelli di ospedalizzazione, complessivamente al 27 marzo (Figura 3)
    • Rallentamento dell'epidemia al 27 marzo pari a 97.91 ospedalizzazioni/giorno (95% C.I. 94.33 -- 101.48) (Figura 4)

Figure 1. Ospedalizzazioni stimate (curva verde in grassetto, le curve verdi non in grassetto indicano i livelli di confidenza al 95%.) in base all'andamento della epidemia al 12 marzo. Andamento osservato (punti rossi) nei giorni successivi.

Figure 2. Numero di ospedalizzazioni evitate in Veneto rispetto all'andamento previsto al giorno 12 marzo. L'area grigia indica l'intervallo di confidenza al 95%).

Figure 3. Giorni di "ritardo", stimati in base allo shift a destra della curva di crescita (stimato al 12 marzo vs. osservato). L'area grigia indica l'intervallo di confidenza al 95%).

Figure 4. Rallentamento dell'osservato rispetto al previsto al 12 marzo. L'area grigia indica l'intervallo di confidenza al 95%).

Dati tecnici sulla stima del Modello

La stima del modello è stata effettuata sulla serie del numero di ospedalizzazioni osservate fino al 12 marzo. Tale giorno è stato identificato in base ad un BCPDM (Bayesian Changepoint Detection Method) (1). Il modello di regressione polinomiale si basa su un'approssimazione locale della funzione di regressione (smoothing pari a 0.75). L'andamento della curva stimata si adatta allo shape tendenzialmente quadratico dell'andamento epidemico nelle prime fasi della diffusione.

Recenti studi hanno dimostrato che la curva dei contagi dai casi di COVID-19 potrebbe avere crescita quadratica piuttosto che di natura esponenziale, soprattutto nelle prime fasi del contagio (2).

Si ipotizza che l'andamento del numero di ospedalizzazioni segua in forma quello dei contagi.

Bibliografia

  1. Barry D, Hartigan JA. A Bayesian Analysis for Change Point Problems. J Am Stat Assoc. 1993;88(421):309--19.
  2. Brandenburg A. Quadratic growth during the 2019 novel coronavirus epidemic. 2020.

Possibile effetto sulle ospedalizzazioni delle politiche sanitarie in Veneto

Obiettivo è quello di avere un'aggiornamento sul possibile effetto delle politiche sanitarie implementate in Veneto a contenimento dell'epidemia COVID-19.

Si è confrontato l'andamento prevedibile in base ai dati al 12 marzo con l'andamento effettivamente riscontrato in Veneto, per capire se parte o tutte delle azioni implementate abbiano avuto un effetto plausibile di rallentamento sull'evolversi dell'epidemia.

La Figura 1 mostra che vi è stato un rallentamento dopo il 12 marzo, giorno in cui si è osservato un changepoint nell'andamento epidemico.

In base a questo confronto (curva stimata al 24 marzo e dati osservati nei giorni seguenti) è stato possibile stimare alcune grandezze:

  1. Il numero di ospedalizzazioni che si sono evitate al 24 marzo in Veneto: 561 (95% C.I. 533 -- 589) (Figura 2)
  2. Il rallentamento dell'evolversi della epidemia rispetto al previsto:
    • 3.23 (95% C.I. 2.53 - 3.93 giorni "guadagnati" a pità di livelli di ospedalizzazione, complessivamente al 24 marzo (Figura 3)
    • Rallentamento dell'epidemia al 24 marzo pari a 64.84 ospedalizzazioni/giorno (95% C.I. 61.06 -- 68.63) (Figura 4)

Figure 1. Ospedalizzazioni stimate (curva rossa in grassetto, le curve rosse non in grassetto indicano i livelli di confidenza al 95%.) in base all'andamento della epidemia al 12 marzo. Andamento osservato (punti verdi) nei giorni successivi.

Figure 2. Numero di ospedalizzazioni evitate in Veneto rispetto all'andamento previsto al giorno 12 marzo. L'area grigia indica l'intervallo di confidenza al 95%).

Figure 3. Giorni di "ritardo", stimati in base allo shift a destra della curva di crescita (stimato al 12 marzo vs. osservato). L'area grigia indica l'intervallo di confidenza al 95%).

Figure 4. Rallentamento dell'osservato rispetto al previsto al 12 marzo. L'area grigia indica l'intervallo di confidenza al 95%).

Dati tecnici sulla stima del Modello

La stima del modello è stata effettuata sulla serie del numero di ospedalizzazioni osservate fino al 12 marzo. Tale giorno è stato identificato in base ad un BCPDM (Bayesian Changepoint Detection Method) (1). Il modello di regressione polinomiale si basa su un'approssimazione locale della funzione di regressione (smoothing pari a 0.7). L'andamento della curva stimata si adatta allo shape tendenzialmente quadratico dell'andamento epidemico nelle prime fasi della diffusione.

Recenti studi hanno dimostrato che la curva dei contagi dai casi di COVID-19 potrebbe avere crescita quadratica piuttosto che di natura esponenziale, soprattutto nelle prime fasi del contagio (2).

Si ipotizza che l'andamento del numero di ospedalizzazioni segua in forma quello dei contagi.

Bibliografia

  1. Barry D, Hartigan JA. A Bayesian Analysis for Change Point Problems. J Am Stat Assoc. 1993;88(421):309--19.
  2. Brandenburg A. Quadratic growth during the 2019 novel coronavirus epidemic. 2020.

Impatto dell'incertezza statistica sulle previsioni dell'andamento del COVID-19

Informazioni sulla lettura e uso dei grafici

Nuovi casi giornalieri positivi italiani e regionali (punti in colore) e stima previsiva ipotizzando un andamento logistico (punti in nero).

È possibile visualizzare le variazioni di previsione in funzione dei paramentri selezionati, a partire da quelli di migliore approssimazione.

Variando i paramentri nazionali rispetto a quelli di migliore approssimazione (escursione ammessa entro l'intervallo di confidenza al 99%), varieranno modificati, in proporzione, i corrispondenti parametri per le stime regionali.

Stime previsive sul totale casi ad Alessandria

Le previsioni vengono effettuate stimando un modello sui dati osservati (Totale Casi) fino al giorno corrente per poi fare delle previsioni per i 3 giorni successivi.

Scenario 1. Il primo scenario utilizza una Local Polinomial Regression Estimation con un valore alpha che definisce lo smoothing della curva di 0.75. Si riportano inoltre le stima per il totale casi con i relativi intervalli di confidenza al 95%.

Scenario 2. Il secondo scenario basa le stime previsive su un modello GAM (Generalized additive model) con una spline naturale per tener conto della non linearità. Si riportano inoltre le stima per il totale casi con i relativi intervalli di confidenza al 95%.

Scenario 3. Il terzo scenario basa le stime previsive su un modello di poisson con un offset sulla popolazione residente con una spline naturale per tener conto della non linearità. Si riportano inoltre le stima per il totale casi con i relativi intervalli di confidenza al 95%.

Stime previsive sul totale casi a Vercelli

Le previsioni vengono effettuate stimando un modello sui dati osservati (Totale Casi) fino al giorno corrente per poi fare delle previsioni per i 3 giorni successivi.

Scenario 1. Il primo scenario utilizza una Local Polinomial Regression Estimation con un valore alpha che definisce lo smoothing della curva di 0.75. Si riportano inoltre le stima per il totale casi con i relativi intervalli di confidenza al 95%.

Scenario 2. Il secondo scenario basa le stime previsive su un modello GAM (Generalized additive model) con una spline naturale per tener conto della non linearità. Si riportano inoltre le stima per il totale casi con i relativi intervalli di confidenza al 95%.

Scenario 3. Il terzo scenario basa le stime previsive su un modello di poisson con un offset sulla popolazione residente con una spline naturale per tener conto della non linearità. Si riportano inoltre le stima per il totale casi con i relativi intervalli di confidenza al 95%.

Stime previsive sul totale casi a Novara

Le previsioni vengono effettuate stimando un modello sui dati osservati (Totale Casi) fino al giorno corrente per poi fare delle previsioni per i 3 giorni successivi.

Scenario 1. Il primo scenario utilizza una Local Polinomial Regression Estimation con un valore alpha che definisce lo smoothing della curva di 0.75. Si riportano inoltre le stima per il totale casi con i relativi intervalli di confidenza al 95%.

Scenario 2. Il secondo scenario basa le stime previsive su un modello GAM (Generalized additive model) con una spline naturale per tener conto della non linearità. Si riportano inoltre le stima per il totale casi con i relativi intervalli di confidenza al 95%.

Scenario 3. Il terzo scenario basa le stime previsive su un modello di poisson con un offset sulla popolazione residente con una spline naturale per tener conto della non linearità. Si riportano inoltre le stima per il totale casi con i relativi intervalli di confidenza al 95%.

Possibile impatto delle politiche sanitarie sull'occupazione dei posti letto nelle terapie intensive in Veneto

Figure 1. Numero di ricoveri in terapia intensiva osservati e predetti al 23 marzo (fit loess 0.7 span, 2 degree). La curva in rosso si riferisce all'andamento previsto in assenza di contenimento al 04 marzo, quella verde all'andamento effettivamente osservato fino al 18 marzo e proiettato in avanti di 5 giorni (fino al 23 marzo). Di default, la stima ipotizza un numero di giorni di permanenza medio pari a 10 giorni. Lo slider permette di osservare le previsioni simulando tempi diversi di degenza media in terapia intensiva (da 7 giorni minimo a 28 giorni massimo)

Possibile effetto delle politiche sanitarie in Piemonte

Obiettivo è quello di avere una first-look impression sul possibile effetto delle politiche sanitarie implementate in Piemonte a contenimento dell' epidemia COVID-19.

Si è confrontato l'andamento prevedibile in base ai dati al 9 marzo con l'andamento effettivamente riscontrato in Piemonte, per capire se parte o tutte delle azioni implementate abbiano avuto un effetto plausibile di rallentamento sull'evolversi dell'epidemia.

La Figura 1 mostra che vi è stato un rallentamento dopo il 9 marzo, giorno in cui si è osservato un changepoint nell'andamento epidemico.

In base a questo confronto (curva stimata al 9 marzo e dati osservati nei giorni seguenti) è stato possibile stimare alcune grandezze:

  1. 1. Il numero di casi positivi che si sono evitati al 15 marzo in Piemonte: 545 (95% C.I. 461 -- 629) (Figura 2)
  2. 2. Il rallentamento dell'evolversi della epidemia rispetto al previsto:
    • a. a. 2.43 (95% C.I. 1.59 -3.27) giorni "guadagnati" a parità di livelli di casi positivi, complessivamente al 15 marzo (Figura 3)
    • b. b. Rallentamento dell'epidemia al 15 marzo pari a 95 casi/giorno (95% C.I. 84 -- 106).

Figure 1. Casi stimati (curva azzurra in grassetto) in base all'andamento della epidemia al 9 marzo. Andamento osservato (punti rossi) nei giorni successivi.

Figure 2. Numero di casi evitati in Piemonte rispetto all'andamento previsto al giorno 9 marzo. L'area grigia indica l'intervallo di confidenza al 95%).

Figure 3. Giorni di "ritardo", stimati in base allo shift a destra della curva di crescita (stimato al 9 marzo vs. osservato). L'area grigia indica l'intervallo di confidenza al 95%).

Figure 4. Rallentamento dell'osservato rispetto al previsto al 9 marzo. L'area grigia indica l'intervallo di confidenza al 95%).

Dati tecnici sulla stima del Modello

La stima del modello è stata effettuata sulla serie del numero di casi osservati fino al 9 marzo. Tale giorno è stato identificato in base ad un BCPDM (Bayesian Changepoint Detection Method) (1). Il modello di regressione polinomiale si basa su un'approssimazione locale della funzione di regressione (smoothing pari a 1.5). L'andamento della curva stimata si adatta allo shape tendenzialmente quadratico dell'andamento epidemico nelle prime fasi della diffusione.

Recenti studi hanno dimostrato che la curva dei contagi dai casi di COVID-19 potrebbe avere crescita quadratica piuttosto che di natura esponenziale, soprattutto nelle prime fasi del contagio (2).

Bibliografia

  1. Barry D, Hartigan JA. A Bayesian Analysis for Change Point Problems. J Am Stat Assoc. 1993;88(421):309--19.
  2. Brandenburg A. Quadratic growth during the 2019 novel coronavirus epidemic. 2020.

Possibile effetto delle politiche sanitarie in Friuli Venezia Giulia

Obiettivo è quello di avere una first-look impression sul possibile effetto delle politiche sanitarie implementate in Friuli Venezia Giulia a contenimento dell' epidemia COVID-19.

Si è confrontato l'andamento prevedibile in base ai dati al 10 marzo con l'andamento effettivamente riscontrato in Friuli Venezia Giulia, per capire se parte o tutte delle azioni implementate abbiano avuto un effetto plausibile di rallentamento sull'evolversi dell'epidemia.

La Figura 1 mostra che vi è stato un rallentamento dopo il 10 marzo, giorno in cui si è osservato un changepoint nell'andamento epidemico.

In base a questo confronto (curva stimata al 10 marzo e dati osservati nei giorni seguenti) è stato possibile stimare alcune grandezze:

  1. 1. Il numero di casi positivi che si sono evitati al 14 marzo in Friuli: 118 (95% C.I. 102 -- 135) (Figura 2)
  2. 2. Il rallentamento dell'evolversi della epidemia rispetto al previsto:
    • a. 1.61 (95% C.I. 0.57 - 2.66) giorni "guadagnati" a parità di livelli di casi positivi, complessivamente al 14 marzo (Figura 3)
    • b. Rallentamento dell'epidemia al 14 marzo pari a 44 casi/giorno (95% C.I. 40 -- 47) in meno rispetto al previsto (Figura 4).

Figure 1. Casi stimati (curva azzurra in grassetto) in base all'andamento della epidemia al 10 marzo. Andamento osservato (punti rossi) nei giorni successivi.

Figure 2. Numero di casi evitati in Friuli Venezia Giulia rispetto all'andamento previsto al giorno 10 marzo. L'area grigia indica l'intervallo di confidenza al 95%).

Figure 3. Giorni di "ritardo", stimati in base allo shift a destra della curva di crescita (stimato al 10 marzo vs. osservato). L'area grigia indica l'intervallo di confidenza al 95%).

Figure 4. Rallentamento dell'osservato rispetto al previsto al 10 marzo. L'area grigia indica l'intervallo di confidenza al 95%).

Dati tecnici sulla stima del Modello

La stima del modello è stata effettuata sulla serie del numero di casi osservati fino al 10 marzo. Tale giorno è stato identificato in base ad un BCPDM (Bayesian Changepoint Detection Method) (1). Il modello di regressione polinomiale si basa su un'approssimazione locale della funzione di regressione (smoothing pari a 1.5). L'andamento della curva stimata si adatta allo shape tendenzialmente quadratico dell'andamento epidemico nelle prime fasi della diffusione.

Recenti studi hanno dimostrato che la curva dei contagi dai casi di COVID-19 potrebbe avere crescita quadratica piuttosto che di natura esponenziale, soprattutto nelle prime fasi del contagio (2).

Bibliografia

  1. Barry D, Hartigan JA. A Bayesian Analysis for Change Point Problems. J Am Stat Assoc. 1993;88(421):309--19.
  2. Brandenburg A. Quadratic growth during the 2019 novel coronavirus epidemic. 2020.

Possibile effetto delle politiche sanitarie in Veneto

Obiettivo è quello di avere una first-look impression sul possibile effetto delle politiche sanitarie implementate in Veneto a contenimento dell' epidemia COVID-19.

Si è confrontato l'andamento prevedibile in base ai dati al 3 marzo con l'andamento effettivamente riscontrato in Veneto, per capire se parte o tutte delle azioni implementate abbiano avuto un effetto plausibile di rallentamento sull'evolversi dell'epidemia.

La Figura 1 mostra che vi è stato un rallentamento dopo il 2 marzo, giorno in cui si è osservato un changepoint nell'andamento epidemico.

In base a questo confronto (curva stimata al 2 marzo e dati osservati nei giorni seguenti) è stato possibile stimare alcune grandezze:

  1. Il numero di casi positivi che si sono evitati al 12 marzo in Veneto: 348 (95% C.I. 322 -- 373) (Figura 2)
  2. Il rallentamento dell'evolversi della epidemia rispetto al previsto:
    • 2.4 (95% C.I. 2.05 -2.74) giorni "guadagnati" a parità di livelli di casi positivi, complessivamente al 12 marzo (Figura 3)
    • Rallentamento dell'epidemia al 12 marzo pari a 15.91 casi/giorno (95% C.I. 11.99 -- 19.82), con un picco il 6 marzo di 40 casi/giorno in meno rispetto al previsto (Figura 4)

Figure 1. Casi stimati (curva rossa in grassetto, le curve rosse non in grassetto indicano i livelli di confidenza al 95%.) in base all'andamento della epidemia al 2 marzo. Andamento osservato (punti verdi) nei giorni successivi.

Figure 2. Numero di casi evitati in Veneto rispetto all'andamento previsto al giorno 2 marzo. L'area grigia indica l'intervallo di confidenza al 95%).

Figure 3. Giorni di "ritardo", stimati in base allo shift a destra della curva di crescita (stimato al 2 marzo vs. osservato). L'area grigia indica l'intervallo di confidenza al 95%).

Figure 4. Rallentamento dell'osservato rispetto al previsto al 2 marzo. L'area grigia indica l'intervallo di confidenza al 95%).

Dati tecnici sulla stima del Modello

La stima del modello è stata effettuata sulla serie del numero di casi osservati fino al 2 marzo. Tale giorno è stato identificato in base ad un BCPDM (Bayesian Changepoint Detection Method) (1). Il modello di regressione polinomiale si basa su un'approssimazione locale della funzione di regressione (smoothing pari a 1.5). L'andamento della curva stimata si adatta allo shape tendenzialmente quadratico dell'andamento epidemico nelle prime fasi della diffusione.

Recenti studi hanno dimostrato che la curva dei contagi dai casi di COVID-19 potrebbe avere crescita quadratica piuttosto che di natura esponenziale, soprattutto nelle prime fasi del contagio (2).

Bibliografia

  1. Barry D, Hartigan JA. A Bayesian Analysis for Change Point Problems. J Am Stat Assoc. 1993;88(421):309--19.
  2. Brandenburg A. Quadratic growth during the 2019 novel coronavirus epidemic. 2020.

Eventi nazionali

Istruzioni

È possibile attivare/disattivare la visualizzazione di una o più misure dal grafico facendo click sulle corrispondenti voci in legenda. Doppio-click per attivare/disattivare la visualizzazione esclusiva della voce selezionata.

Fare click sul pulsante autoscale (terzo) per espandere il grafico alla massima grandezza interamente visionabile.

Serie storiche degli eventi cumulati

Serie storiche dei nuovi eventi giornalieri

Eventi regionali

Istruzioni

È possibile aggiungere o rimuovere la computazione dei grafici per una o più regione/misura selezionandola o deselezionandola dal corrispondente box.

NOTA: la misurazione dei tamponi effettuati è selezionabile ma disattivata di default in quanto fuori scala rispetto alle altre misure.

È possibile attivare/disattivare la visualizzazione di una o più regioni/misure dal grafico facendo click sulle corrispondenti voci in legenda. Doppio-click per attivare/disattivare la visualizzazione esclusiva della voce selezionata.

Fare click sul pulsante autoscale (terzo) per espandere il grafico alla massima grandezza interamente visionabile.

Serie storiche per regione

Eventi cumulati

Nuovi eventi giornalieri

Serie storiche regionali per evento

Eventi cumulati

Nuovi eventi giornalieri

Eventi provinciali

È possibile aggiungere o rimuovere la computazione dei grafici per una o più regione selezionandola o deselezionandola dal corrispondente box.

È possibile attivare/disattivare la visualizzazione di una o più regioni dal grafico facendo click sulle corrispondenti voci in legenda. Doppio-click per attivare/disattivare la visualizzazione esclusiva della voce selezionata.

Fare click sul pulsante autoscale (terzo) per espandere il grafico alla massima grandezza interamente visionabile.

Serie storiche

Eventi cumulati

Nuovi eventi

Informazioni sui dati

L'applicazione utilizza i dati ufficiali riguardanti la situazione COVID-19 italiana, a livello nazionale, regionale e provinciale.

Tali dati sono inizialmente gestiti, processati e messi a disposizione dalla Presidenza del Consiglio dei Ministri - Dipartimento di Protezione Civile con licenza CC-BY-4.0 così come forniti dal Ministero della Salute.

Di norma, i dati sono aggiornati alle ore 18:00 di ogni giorno.

Per ulteriori informazioni sulla loro attribuzione, disponibilita, e uso, si consiglia di visitare la pagina del progetto covid19ita .

Software

L'applicazione covid19ita è stata sviluppata in R ver. 3.6.3 come un suo pacchetto di espansione. Il codice sorgente del pacchetto e dell'applicazioneè ? liberamente disponibile disponibile su GitHub all'indirizzo https://github.com/UBESP-DCTV/covid19ita/ .

Per il suo sviluppo sono stati utilizzati i pacchetti di espansione {shiny} ver. 1.4.0, {shinydashboard} v.0.7.1 e {golem} ver. 0.2.1.

Le analisi sono state eseguite sfruttando le funzioni dei pacchetti {stats} ver. 3.6.3, {gam} ver. 1.16.1, e {mgcv} ver. 1.8-31

I grafici sono stati prodotti grazie ai pacchetti {ggplot2} ver. 3.3.0 e {plotly} ver. 4.9.2.

Nota per gli utilizzatori di R

Oltre a questa stessa applicazione in sé (che può essere eseguita localmente installando il pacchetto {covid19ita} ed eseguendo l'istruzione `run_app()`), ll pacchetto R {covid19ita}, disponibile su GitHub e sviluppato anch'esso sotto licenza CC-BY-4.0 , mette a disposizione tali dati, senza alcun processamento ulteriore rispetto a quelli originali, per un loro diretto utilizzo in R.

Indici principali

Decessi

Deceduti su positivi

Deceduti su ospedalizzati

Guariti

Dimessi guariti su ospedalizzati

Isolamento domiciliare

Isolamento domiciliare su ospedalizzati

Percentuali (%) rispetto al giorno precedente
(100% = nessuna variazione, >100% incremento, <100% decremento)

Casi positivi

Deceduti

Terapia intensiva

Terapie intensive

Andamento (fit loess, span = 1.5, degree = 2) regionale della percentuale di popolazione che, rispettivamente, è ricoverata in terapia intensiva (asse verticale) e non è (alla data considerata) ospedalizzata nonostante sia stata soggetta a tampone (dato approssimato dal numero totale di tamponi effettuati sottratti dei pazienti ospedalizzati), fino al giorno indicato dallo slider. È possibile riprodurre l'intero andamento dinamicamente in automatico tramite il tasto play.

Tabella andamento regionale della percentuale di popolazione che, rispettivamente, è ricoverata in terapia intensiva (intensiva_pesati) e non è (alla data considerata) ospedalizzata nonostante sia stata soggetta a tampone (tamp_asint_pesati).

Distribuzione geografica del numero di casi per provincia

Loading Geodata...