-
Notifications
You must be signed in to change notification settings - Fork 2
New issue
Have a question about this project? Sign up for a free GitHub account to open an issue and contact its maintainers and the community.
By clicking “Sign up for GitHub”, you agree to our terms of service and privacy statement. We’ll occasionally send you account related emails.
Already on GitHub? Sign in to your account
Revisao post 2 #18
base: master
Are you sure you want to change the base?
Revisao post 2 #18
Changes from 5 commits
6bae521
8567594
f9fcf38
12362ef
586e523
ec9c6f3
6a341e7
b39d00a
e41e940
f58e74c
File filter
Filter by extension
Conversations
Jump to
Diff view
Diff view
There are no files selected for viewing
Large diffs are not rendered by default.
Large diffs are not rendered by default.
Original file line number | Diff line number | Diff line change |
---|---|---|
@@ -0,0 +1,124 @@ | ||
--- | ||
title: Análise da COVID-19 em 3 cidades do estado do Paraná | ||
author: Marcelo e Davi | ||
date: '2020-11-18' | ||
slug: analise-da-covid-19-em-3-cidades-do-estado-do-parana | ||
categories: | ||
- covid19 | ||
tags: | ||
- covid | ||
- analises | ||
description: '' | ||
images: | ||
- 'img/covid/post_2.png' | ||
--- | ||
```{r echo=FALSE,message=FALSE,warning=FALSE} | ||
library(plotly) | ||
p <- plotly(username = "Marcelojr.jn", key = "vcsabe098") | ||
``` | ||
|
||
```{r echo=FALSE,message=FALSE,warning=FALSE} | ||
library(datacovidbr) | ||
library(dplyr) | ||
library(ggplot2) | ||
|
||
|
||
df <- brasilio() | ||
|
||
df.cidades <- df%>%filter(df$state =="PR") | ||
df.cidades.analisadas <- df.cidades %>% filter(df.cidades$city =="Curitiba" | | ||
df.cidades$city == "Londrina" | | ||
df.cidades$city == "Cascavel") | ||
df.cidades.analisadas["deaths_per_100k_inhabitants"] <- (df.cidades.analisadas$deaths/df.cidades.analisadas$estimated_population_2019)*100000 | ||
|
||
``` | ||
|
||
# Criação de bandeiras da COVID-19 no estado do Paraná | ||
|
||
O estado do Paraná adotou no mês de junho bandeiras com as cores amarelo, laranja e vermelho tendo como significado respectivamente alerta, risco médio e alto risco. Para protocolar essas cores o estado deve levar em consideração alguns requisitos dividido em dois critérios, propagação da doença e capacidade de atendimento. | ||
|
||
# Casos confirmados em Cascavel, Curitiba e Londrina | ||
|
||
```{r echo=FALSE,message=FALSE,warning=FALSE} | ||
# GRAFICO CONFIRMADOS | ||
graph.confirmados <- df.cidades.analisadas %>% | ||
ggplot(mapping = aes(fill = city,x = date, y = confirmed, color = city, | ||
text = paste0(city, "\n", | ||
date, "\n", | ||
"Confirmados: ", confirmed))) + | ||
xlab("Dias/Meses") + | ||
ylab("Confirmados") + | ||
geom_point(aes(y = confirmed), size = 0.4) | ||
ggplotly(graph.confirmados, tooltip = "text") | ||
There was a problem hiding this comment. Choose a reason for hiding this commentThe reason will be displayed to describe this comment to others. Learn more. Os gráficos gerados pelo plotly não estão aparecendo na página. Acho que precisa fazer alguma coisa tipo o que está aqui https://harborisland.github.io/plotly/how-to-use-plot.ly-and-ggplotly-with-R-Markdown para funcionar. Os gráficos parecem ter sido salvos em PNG no |
||
``` | ||
|
||
Como podemos visualizar no gráfico acima, Curitiba ultrapassa a marca de 30 mil casos confirmados de COVID-19 no ínicio do mês de setembro e chegando próximo a 40 mil no mês seguinte. Devemos ressaltar que as bandeiras protocoladas pelo governo do estado do Paraná, em consonância com a Secretaria de saúde, foram flexibilizadas dando a população livre circulação em bares/restaurantes, shoppings entre outros estabelecimentos de cunho aglomerativo. | ||
Analisando duas das cidades do interior do Paraná que mais obtiveram confirmações de casos para o Sars-Cov2, temos como destaque Londrina na qual supera Cascavel no ínicio do mês de Setembro em número de casos, no entanto as medidas de restrições dessas cidades seguem suas próprias políticas, desconsiderando o decreto estadual. | ||
|
||
## Casos confirmados por 100 mil habitantes | ||
|
||
Para melhor entendimento da proliferação do vírus, analisamos a mesma incidência por 100 mil habitantes. | ||
|
||
```{r echo=FALSE,message=FALSE,warning=FALSE} | ||
#CONFIRMADOS POR 100 MIL | ||
graph.confirmados.p.100k <- df.cidades.analisadas %>% | ||
ggplot(mapping = aes(fill = city,x = date, y = confirmed_per_100k_inhabitants, color = city, | ||
text = paste0(city, "\n", | ||
date, "\n", | ||
"Confirmados p/ 100k habitantes: ", confirmed_per_100k_inhabitants))) + | ||
xlab("Dias/Meses") + | ||
ylab("Confirmados") + | ||
geom_point(aes(y = confirmed_per_100k_inhabitants), size = 0.4) | ||
ggplotly(graph.confirmados.p.100k, tooltip = "text") | ||
There was a problem hiding this comment. Choose a reason for hiding this commentThe reason will be displayed to describe this comment to others. Learn more. Não aparece |
||
``` | ||
|
||
Esse controle por 100 mil habitantes tem como objetivo permitir a comparação entre locais com diferentes tamanhos de população e neutralizando o crescimento populacional, nos concedendo a comparação da proliferação do vírus a médio e longo prazo. Assim sendo, notamos a diferença entre as mesmas cidades da figura anterior, na qual Cascavel recebe sua notoriedade chegando próximo aos 2620 casos (por 100k/habitantes). | ||
|
||
|
||
# Óbitos para casos confirmados | ||
|
||
```{r echo=FALSE,message=FALSE,warning=FALSE} | ||
#ÓBITOS GERAL | ||
|
||
graph.obitos <- df.cidades.analisadas %>% | ||
ggplot(mapping = aes(fill = city,x = date, y = deaths, color = city, | ||
text = paste0(city, "\n", | ||
date, "\n", | ||
"Óbitos: ", deaths))) + | ||
xlab("Dias/Meses") + | ||
ylab("Óbitos") + | ||
geom_point(aes(y = deaths), size = 0.4) | ||
ggplotly(graph.obitos, tooltip = "text") | ||
There was a problem hiding this comment. Choose a reason for hiding this commentThe reason will be displayed to describe this comment to others. Learn more. Não aparece |
||
``` | ||
|
||
Curitiba se destaca atingindo a marca de 1388 óbitos, devendo ressaltar que o tamanho da população da cidade de Curitiba é superior aos demais municípios e, portanto o número de casos confirmados e consequentemente de óbitos será maior. Devido a isso podemos calcular até mesmo a taxa de mortalidade dessa doença, que tem como fórmula para esse cálculo $\frac{\sum_{i=1}^{n}obitos}{\sum_{j=1}^{n} desfecho}$ no qual a conotação "desfecho" é o número de recuperados + óbitos. Sendo assim tivemos uma baixa mortalidade para essa doença, no entanto o que preocupa as equipes da área da saúde principalmente é seu grande poder de proliferação, podendo deixar pessoas com grandes [sequelas no pós alta](http://saudedebate.com.br/noticias/sequelas-da-covid-19-a-vida-nao-voltou-ao-normal-apos-a-alta-hospitalar). | ||
|
||
## Óbitos por 100 mil habitantes com casos confirmados | ||
|
||
```{r echo=FALSE,message=FALSE,warning=FALSE} | ||
graph.obitos.p.100k <- df.cidades.analisadas %>% | ||
ggplot(mapping = aes(fill = city,x = date, y = deaths_per_100k_inhabitants, color = city, | ||
text = paste0(city, "\n", | ||
date, "\n", | ||
"Óbitos p/ 100k habitantes: ", deaths_per_100k_inhabitants))) + | ||
xlab("Dias/Meses") + | ||
ylab("Óbitos por 100 mil habitantes") + | ||
geom_point(aes(y = deaths_per_100k_inhabitants), size = 0.4) | ||
ggplotly(graph.obitos.p.100k, tooltip = "text") | ||
There was a problem hiding this comment. Choose a reason for hiding this commentThe reason will be displayed to describe this comment to others. Learn more. Não aparece |
||
``` | ||
|
||
Diferentemente dos comparativos de casos confirmados com a relação pelos 100 mil habitantes confirmados apresentados na segunda sessão desse material, não tivemos uma mudança abrupta nos posicionamentos das cidades, mas chama a atenção o distanciamento da capital do estado dos dois municípios de análise. | ||
|
||
|
||
|
||
# Referências | ||
|
||
1- [Implementação de bandeiras em Curitiba](https://g1.globo.com/pr/parana/noticia/2020/06/09/coronavirus-curitiba-implanta-sistema-de-bandeiras-para-definir-restricoes-durante-pandemia.ghtml) | ||
|
||
2- [Londrina autoriza eventos](https://g1.globo.com/pr/norte-noroeste/noticia/2020/10/14/coronavirus-prefeitura-de-londrina-autoriza-eventos-com-ate-50-pessoas.ghtml) | ||
|
||
3- [sequelas no pós alta](http://saudedebate.com.br/noticias/sequelas-da-covid-19-a-vida-nao-voltou-ao-normal-apos-a-alta-hospitalar) | ||
|
||
4- [Análise de São Paulo com relação ao número de óbitos por 100 mil habitantes](https://www.seade.gov.br/sp-tem-taxas-de-casos-e-mortes-por-covid-19-a-cada-100-mil-habitantes-maiores-que-as-da-espanha-quando-iniciou-lockdown/) | ||
|
||
5- [Entendimento do uso da relação de 100 mil habitantes pela Secretária de Segurança Pública - SSP](https://www.ssp.sp.gov.br/fale/estatisticas/answers.aspx?t=6) |
Large diffs are not rendered by default.
There was a problem hiding this comment.
Choose a reason for hiding this comment
The reason will be displayed to describe this comment to others. Learn more.
No trecho "O estado do Paraná adotou no mês de junho" acredito que seja importante contextualizar o ano.