Différences

Ci-dessous, les différences entre deux révisions de la page.

--- teaching:progappchim:epidemie_coronavirus [2020/03/11 18:24] – [Simulations numériques] villersd
+++ teaching:progappchim:epidemie_coronavirus [2020/07/13 04:04] (Version actuelle) – villersd
@@ Ligne 9: / Ligne 9: @@
 ===== Programmes de représentations =====
 FIXME
+Quelques simulations SEIR effectuées par des scientifiques :
+  * Marius Gilbert (ULB/FNRS, Spatial Epidemiology lab ([[http://spell.ulb.be/|SpELL]]), [[https://twitter.com/mariusgilbert/status/1244564877882114048]],...
+  * Nicolas Vandewalle (ULiège, thermodynamique statistique) [[https://twitter.com/vdwnico]]
+  * [[https://twitter.com/T_Fiolet/status/1239658681995796485]]
 ===== Simulations numériques =====
-Quelques modèles simplifiés sont analogues de schémas réactionnels en chimie. Des approches déterministes permettent d'obtenir des systèmes d'équations différentielles ordinaires assez simples. Par exemple le modèle SEIR : Susceptible, Exposed ("porteur contaminé, sain, en incubation), Infectious (contagieux), Recovered (guéri). La mortalité due à la maladie n'est pas considérée dans ce modèle simplifié.
+Quelques modèles simplifiés sont analogues de schémas réactionnels en chimie (réactions en chaîne notamment). Des approches déterministes permettent d'obtenir des systèmes d'équations différentielles ordinaires assez simples. Par exemple le modèle SEIR : Susceptible, Exposed ("porteur contaminé, sain, en incubation), Infectious (contagieux), Recovered (guéri). La mortalité due à la maladie n'est pas considérée dans ce modèle simplifié.
+  * modèle SIR = modèle encore plus simple
   * [[https://en.wikipedia.org/wiki/Compartmental_models_in_epidemiology#The_SEIR_model|SEIR model]]
   * [[http://www.modelinginfectiousdiseases.org/]]
@@ Ligne 39: / Ligne 47: @@
   * [[https://github.com/BlankerL/DXY-COVID-19-Data/blob/master/README.en.md|DXY-COVID-19-Data/README.en.md at master · BlankerL/DXY-COVID-19-Data · GitHub]]
   * [[https://towardsdatascience.com/behind-the-coronavirus-mortality-rate-4501ef3c0724|Behind the Coronavirus Mortality Rate - Towards Data Science]]
-  * [[https://art-bd.shinyapps.io/nCov_control/|Reporting, epidemic growth, and reproduction numbers for the 2019-nCoV epidemic: understanding control]]
+  * [[https://art-bd.shinyapps.io/nCov_control/|Reporting, epidemic growth, and reproduction numbers for the 2019-nCoV epidemic: understanding control]] → simulation assez simple (modèle SEIR) qui introduit un "Effective reproductive number with control", c'est à dire le nombre de personnes infectées par une personne ayant chopé la maladie, en tenant compte de mesures de contrôle (les consignes, y compris le confinement). Si vous faites glisser ce paramètre en le diminuant, ou en l'augmentant de simplement 0.5 (une "demi" personne en plus ou en moins), vous observerez des effets colossaux sur le nombre de cas, donc le nombre de mort, de personnes gravement atteintes, et la durée de la crise et de ses conséquences sur la situation économique
   * [[https://www.washingtonpost.com/graphics/2020/health/coronavirus-how-epidemics-spread-and-end/|How epidemics like COVID-19 end (and how to end them faster)]], 19/02/2020, Washington Post
   * [[https://pythonprogramming.altervista.org/getting-data-about-coronavirus-with-python-in-italy/?doing_wp_cron=1582794641.9605190753936767578125|Getting data about Coronavirus with Python in Italy]] Posted by pythonprogramming on 26/02/2020
@@ Ligne 54: / Ligne 62: @@
   * [[https://towardsdatascience.com/coronavirus-data-visualizations-using-plotly-cfbdb8fcfc3d|Coronavirus data visualizations using Plotly]]
   * Modèle SEIR appliqué à l'épidémie en Chine : [[https://www.nature.com/articles/s41421-020-0148-0|Phase-adjusted estimation of the number of Coronavirus Disease 2019 cases in Wuhan, China]] Wang, H., Wang, Z., Dong, Y. et al.  Cell Discov 6, 10 (2020) DOI: 10.1038/s41421-020-0148-0
+  * [[http://gabgoh.github.io/COVID/index.html]]
+    * [[https://github.com/gabgoh/gabgoh.github.io/tree/master/COVID]]
+  * [[https://cream.io/|COVID Rules Everything Around Me]] Understand COVID growth rates between different countries
+  * [[https://www.technologyreview.com/s/615414/the-covid-19-pandemic-in-two-animated-charts/|The Covid-19 pandemic in two animated charts]] by Bobbie Johnson, Mar 27, 2020, MIT Technology Review
+  * [[https://towardsdatascience.com/exploring-the-corona-virus-dataset-781de3a636e2|Exploring the Coronavirus Dataset]] Exploratory Data Analysis of the Novel Coronavirus 2019 Dataset, Sadrach Pierre, Medium, 06/03/2020
+  * [[https://towardsdatascience.com/visualizing-covid-19-data-beautifully-in-python-in-5-minutes-or-less-affc361b2c6a|Visualizing COVID-19 Data Beautifully in Python (in 5 Minutes or Less!!) Making Matplotlib a Little Less Painful!]], Nik Piepenbreier, Medium, 06/04/2020
+  * Graphiques et évolutions par Nicolas Vandewalle (ULiège) et collaborateurs : [[https://github.com/glouppe/covid19be]]
+  * Simulations de Marc Ducobu (avec du code en Python) : [[https://gitlab.com/colibre-19/epidemic-simulation]] (licence MIT)
+  * [[https://towardsdatascience.com/building-an-interactive-dashboard-to-simulate-coronavirus-scenarios-in-python-ed23100e0046|Build an interactive dashboard to simulate Coronavirus scenarios in Python]] (avec librairies Plotly, Dash,...)
+  * [[https://schlaganfallbegleitung.de/corona/lage-deutschland]] représentations de données concernant l'Allemagne
+  * [[https://towardsdatascience.com/covid-19-map-animation-with-python-in-5-minutes-2d6246c32e54|Create COVID-19 Map Animation with Python in 5 Minutes]] (Using Python with Plotly to Create a COVID-19 Map Animation)
+  * [[https://www.statsandr.com/blog/covid-19-in-belgium/|COVID-19 in Belgium - Stats and R]]
+  * [[https://renkulab.shinyapps.io/COVID-19-Epidemic-Forecasting/|COVID-19 Forecasting]]
+  * [[https://towardsdatascience.com/top-5-r-resources-on-covid-19-coronavirus-1d4c8df6d85f|Top 100 R resources on Novel COVID-19 Coronavirus | by Antoine Soetewey | Towards Data Science]]
+  * [[https://behroozh.shinyapps.io/COVID19/|COVID-19 Application]]
+  * [[http://shinyapps.org/apps/corona/|Experience Statistics]]
+===== Tracking, tracing & géolocalisation =====
+  * [[https://blog.mapbox.com/mobility-data-to-track-risk-in-re-opening-739e5c20f3ed|Mobility data to track risk in re-opening]]
 ===== Références =====
@@ Ligne 69: / Ligne 98: @@
     * **[[https://en.wikipedia.org/wiki/Compartmental_models_in_epidemiology#The_SEIR_model|SEIR model]]**
   * [[wp>fr:Modèles_compartimentaux_en_épidémiologie|Modèles compartimentaux en épidémiologie]]
+  * [[https://lejournal.cnrs.fr/articles/covid-19-comment-sont-concus-les-modeles-des-epidemies|Covid-19 : comment sont conçus les modèles des épidémies ?]], 20.03.2020, par Martin Koppe, CNRS Le journal
+  * **Données pour la Belgique :**
+    * [[https://epistat.wiv-isp.be/Covid/]] (Sciensano - COVID-19)
+    * [[https://www.covidata.be/index]], sous licence [[https://opencovidpledge.org/license/v1-0/|Open COVID License 1.0]] (licence pas vraiment libre, puisque limitée dans le temps)