نگاهی دقیق تر به اعداد Coronavirus گزارش شده در چشم انداز

تجزیه و تحلیل شماره پرونده با توجه به اندازه کشور

سلب مسئولیت: به سمت علم اطلاعات یک انتشارات متوسط ​​است که عمدتا مبتنی بر مطالعه علوم داده و یادگیری ماشین است. ما متخصصان بهداشت و درمان یا اپیدمیولوژیست نیستیم و نظرات این مقاله را نباید به عنوان توصیه حرفه ای تفسیر کرد. برای کسب اطلاعات بیشتر در مورد همه گیر کورو ویروس ، می توانید اینجا را کلیک کنید.

تنها در طی چند ماه ، coronavirus (COVID-19) در سرتاسر جهان گسترش یافته است و منجر به یک بیماری همه گیر جهانی شده است. در بسیاری از کشورها و مناطق ، موارد تأیید شده هنوز بصورت نمایی در حال رشد است. من به دنبال تعداد موارد تأیید شده روزانه ، من نگران چگونگی تأثیر این ویروس بر زندگی مردم ، بازارها و اقتصاد جهانی هستم. در اصل از پکن ، چین ، حافظه در مورد شیوع SARS 2003 تازه است. با این حال ، از تعجب متوجه شدم که بسیاری از مردم در غرب نسبت به شدت COVID-19 بی تفاوت هستند: "این فقط آنفولانزا است" ، "این فقط افراد مسن را تحت تأثیر قرار می دهد" ، "تبلیغات رسانه ای" ، "مصونیت گله" ... آن ارتفاعات از عموم مردم شبها مرا نگه می دارد.

شاید برخی از مردم از تعداد گزارش شده در این موارد تحت تأثیر قرار نگیرند و فکر می کنند که بیشتر موارد آلوده در آنسوی جهان قرار دارند. من واقعاً موافقم که نگاه کردن به شماره های مورد تایید شده انتزاعی است. در اینجا من چند طرح برای قرار دادن این اعداد در چشم انداز ساختم.

Caveats: مدل فقط به اندازه منبع داده خوب است. کلیه موارد تأیید شده COVID-19 توسط مرکز علوم و مهندسی سیستم دانشگاه جان هاپکینز (JHU CSSE) تهیه شده است ، که شماره های رسمی گزارش شده از WHO و دولت های سراسر جهان را گردآوری کرده است. بدون تردید ، به دلیل عدم انجام آزمایش های تشخیصی ، عدم شفافیت دولت ها و افرادی که به دلیل ناآگاهی از شرکت در آزمون خودداری می کنند ، گزارش های بسیاری از کشورها در این زمینه وجود ندارد.

تمام ارقام زیر براساس موارد تأیید شده COVID-19 از تاریخ 15 مارس 2020 است.

موارد تجمعی در سطح منطقه

کشورها / مناطق تحت تأثیر موارد مورد تأیید COVID-19 جمع شده

بسیاری از تجسم (مانند این) فقط آمار سطح کشور را نشان می دهد. از طرح سطح منطقه ، می توان استان های مختلف چین و ایالت های آمریکا را از هم جدا کرد. هوبی ، زمانی مرکز حامل COVID-19 ، و تقریباً با تمام استانهای دیگر چین ، در تعداد موارد تایید شده صاف شده است. ایران ، کره جنوبی ، ایتالیا به همراه بسیاری از کشورهای اروپایی از بسیاری از گوانگدونگ ، دومین استان پرتلاطم چین پیشی گرفتند.

متناسب با رشد نمایی

بعد ، بیایید ببینیم که چگونه سریع COVID-19 در مناطق گسترش می یابد. موارد تایید شده تجمعی را با یک عملکرد نمایی ، y = exp (a + bx) نصب کردم. در اینجا ، من برای تعیین پارامترهای a و b از حداقل مربعات معمولی (OLS) استفاده کردم ، شیب b مطابق با شیب منحنی نمایی است.

در واقعیت ، تقریباً هیچ چیز به طور نامحدود رشد نمایی را دنبال نمی کند. با این حال ، شیوع اولیه یک بیماری عفونی را می توان با یک عملکرد نمایی مدل کرد. در مناطق مختلف ، تعداد جمع شده موارد COVID-19 تأیید شده را در این دوره اولیه ، که با داشتن 50 مورد حداقل برای 5 تا 10 روز تعریف شده بود ، قرار دادم. با مرتب کردن دامنه های مناسب (ب) از توابع نمایی ، لیست قابل توجهی از کشورها با نرخ رشد بزرگتر از هوبی در حوالی قفل در تاریخ 01/23 از جمله ایران ، فنلاند ، پرتغال ، ایتالیا ، کره جنوبی ، دانمارک ، اسلوونی و اسپانیا پیدا کردم. ، بسیاری از آنها اکنون رشد نمایی را تجربه می کنند (از تاریخ 15 مارس). علاوه بر این ، ایالت نیویورک و واشنگتن در ایالات متحده نیز در رده های 15 و 19 بین سریعترین مناطق در جهان قرار دارند.

سریعترین مناطق / کشورها افسانه b را در عملکرد نمایی و دوره تاریخ استفاده شده برای متناسب با منحنی رشد نشان می دهد.

از طرف دیگر ، ما همچنین می توانیم مناطق و کشورهایی را که کمترین گسترش COVID-19 را دارند ، کشف کنیم. 20 کشور برتر تقریباً به طور انحصاری در آسیا وجود دارد که بسیاری از آنها استانهای دورافتاده و کم جمعیت در چین مانند نینگشیا ، مغولستان داخلی و سین کیانگ هستند. توجه داشته باشید که موارد COVID-19 از اواسط ماه فوریه در سنگاپور و ژاپن وجود دارد اما هنوز کندتر گسترش یافته است ، احتمالاً به دلیل اجرای زودهنگام و مؤثر فاصله اجتماعی.

کمترین سرعت در مناطق / کشورها

عادی شدن به جمعیت

یکی از راه های چشم انداز تعداد افراد آلوده این است که عادی سازی آن در برابر جمعیت منطقه یا کشور انجام شود. در زیر من 20 منطقه / کشور برتر با بیشترین درصد جمعیت آلوده به COVID-19 را ترسیم می کنم. سان مارینو ، یک میکرواستات محاصره شده توسط ایتالیا ، در جمع تراکم COVID-19 در رتبه اول قرار داشت. سایر کشورهای کم جمعیت مانند ایسلند نیز در صدر این فهرست قرار دارند.

عادی کردن منطقه

راه دیگر برای درک تعداد افراد آلوده عادی سازی در برابر منطقه منطقه / کشور است تا تراکم پرونده ها از نظر جغرافیایی حاصل شود. دوباره ، سن مارینو به دلیل منطقه کوچک در صدر لیست است. بسیاری از شهرها و ایالت های شهر نیز در رده های برتر قرار دارند: ماکائو ، سنگاپور و واشنگتن دی سی.

به ظرفیت بیمارستان عادی کنید

روش تأثیرگذارتر برای قرار دادن تعداد موارد COVID-19 ، کمیت بار آن برای بیمارستانهای مناطق است. این کار می تواند با عادی سازی در برابر ظرفیت بیمارستان انجام شود ، که براساس تعداد تخمینی تخت های بیمارستانی اندازه گیری می شود.

بیماران آلوده COVID-19 فعلی برای اشغال 72 درصد از تخت های بیمارستان در سان مارینو ، که فقط یک بیمارستان دارد ، کافی است. کشورهای دیگر با بار بسیار بالایی شامل ایسلند ، ایران ، ایتالیا و قطر هستند که بیماران مبتلا به COVID-19 بیش از 10 درصد از تخت های بیمارستان را در اختیار دارند. توجه داشته باشید که این فرضیه بهترین سناریو است که در آن بیماران به طور متناسب در بیمارستانها توزیع می شوند تا در همان بیمارستان سیل نخورند.

همچنین باید تعداد تختخوابها در بخش مراقبت های ویژه و تعداد دستگاههای تهویه مکانیکی موجود را در نظر گرفت که برای نجات بیماران مبتلا به علائم شدید ضروری است. طبق انجمن بیمارستان های آمریکایی ، تختخواب در ICD 5 ~ از کل تخت های بیمارستانی در ایالات متحده را تشکیل می دهد. با فرض اینکه همه بیماران نیاز به بستری در بخش مراقبت های ویژه دارند ، 10 ~ بسترهای بیمارستانی به ظرفیت ICU ترسناک 200 ~ تبدیل می شوند.

بار بیمارستان را براساس موارد تأیید شده تا 21 مارس به روز کنید

من با استفاده از داده های موجود در اینجا توانستم تخت های بیمارستانی را برای ایالات متحده تخمین بزنم. همانطور که در نقشه مشاهده می کنید ، موارد تایید شده در سن مارینو از تعداد تخت های بیمارستانی پیشی گرفته است. بار بیمارستان ایتالیا به 23 درصد پوند افزایش یافت. سه ایالت آمریكا ، نیویورك ، واشنگتن و نیوجرسی نیز در رده بیستم قرار دارند كه 16٪ ، 12٪ و 4٪ كلیه تخت های بیمارستانی كه به طور بالقوه با موارد COVID-19 تأیید شده اشغال شده اند ، فرض كنند كه همه نیاز به بستری شدن دارند.

کدها:

https://github.com/wangz10/covid_19_analyses