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".
Il progetto covid19ita è stato sviluppato dall' Unità di Biostatistica, Epidemiologia, e Sanità Pubblica del Dipartimento di Scienze Cardio- Toraco- Vascolari e Sanità Pubblica dell' Università degli Studi di Padova , in collaborazione con il Dipartimento di Scienze Cliniche e Biologiche dell' Università degli Studi di Torino , e del Dipartimento di Medicina Traslazionale dell' Università del Piemonte Orientale .
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
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
- Home: Questa pagina.
- In evidenza: Considerazioni su temi specifici locali o regionali.
- Andamento epidemia: Serie temporali dinamiche e interattive.
- Indici principali: Principali indici di interesse locale, regionale o nazionale.
- Segnalazioni: link per segnalazioni tecniche relative all'applicazione.
- Fonti e informazioni: Descrizione fonti, licenze d'uso e software utilizzati per lo sviluppo.
- 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:
- Il numero di ospedalizzazioni che si sono evitate al 27 marzo in Veneto: 800 (95% C.I. 755 – 845) (Figura 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
- Barry D, Hartigan JA. A Bayesian Analysis for Change Point Problems. J Am Stat Assoc. 1993;88(421):309–19.
- 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:
- Il numero di ospedalizzazioni che si sono evitate al 24 marzo in Veneto: 561 (95% C.I. 533 – 589) (Figura 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
- Barry D, Hartigan JA. A Bayesian Analysis for Change Point Problems. J Am Stat Assoc. 1993;88(421):309–19.
- 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. Il numero di casi positivi che si sono evitati al 15 marzo in Piemonte: 545 (95% C.I. 461 – 629) (Figura 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
- Barry D, Hartigan JA. A Bayesian Analysis for Change Point Problems. J Am Stat Assoc. 1993;88(421):309–19.
- 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. Il numero di casi positivi che si sono evitati al 14 marzo in Friuli: 118 (95% C.I. 102 – 135) (Figura 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
- Barry D, Hartigan JA. A Bayesian Analysis for Change Point Problems. J Am Stat Assoc. 1993;88(421):309–19.
- 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:
- Il numero di casi positivi che si sono evitati al 12 marzo in Veneto: 348 (95% C.I. 322 – 373) (Figura 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
- Barry D, Hartigan JA. A Bayesian Analysis for Change Point Problems. J Am Stat Assoc. 1993;88(421):309–19.
- 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.