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

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.

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 parità 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

Serie storiche degli eventi cumulati

Serie storiche dei nuovi eventi giornalieri

Eventi regionali

Serie storiche per regione

Eventi cumulati

Nuovi eventi giornalieri

Serie storiche regionali per evento

Eventi cumulati

Nuovi eventi giornalieri

Eventi provinciali

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'applicazione è 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).