Giriş
Coronavirüsler (CoV), soğuk algınlığından Orta Doğu Solunum Sendromu (MERS-CoV) ve Şiddetli Akut Solunum Sendromu (SARS-CoV) gibi daha ciddi hastalıklara kadar pek çok hastalığa neden olan büyük bir virüs ailesidir. Bu yeni virüse, yüzey çıkıntıları taç görünümünde olduğu için coronavirus adı verilmiş olup, bu virüs ailesi tek zincirli, pozitif polariteli, zarflı RNA virüsleridir.
Koronavirüs hastalığı (COVID-19), 2019 yılında keşfedilen ve daha önce insanlarda tanımlanmamış yeni bir suştur. Suş, bir bakteri veya virüsün farklı alt türlerinin, aralarında genetik farklılıklar bulunan grupları olarak adlandırılır.
Koronavirüsler zoonotiktir, yani hayvanlar ve insanlar arasında bulaşırlar. Ayrıntılı araştırmalar SARS-CoV’nin misk kedilerinden insanlara ve MERS-CoV’un tek hörgüçlü develerden insanlara bulaştığını göstermiştir. Bilinen birkaç koronavirüs henüz insanları enfekte etmeyen hayvanlarla taşınmaktadır.
Enfeksiyon belirtileri arasında solunum semptomları, ateş, öksürük, nefes darlığı ve solunum güçlüğü bulunur. Daha ciddi vakalarda, enfeksiyon pnömoniye, ciddi akut solunum sendromuna, böbrek yetmezliğine ve hatta ölüme neden olabilir. Solunum sistemi hastalıklarından biri olan pnömoni ya da halk arasında zatürre bakteriler başta olmak üzere mikroorganizmalara bağlı olarak ortaya çıkan akciğer dokusunun iltihaplanmasıdır. Grip gibi bu hastalık da bağışıklık (immun) sistemini baskılayan hastalıklardan biridir. Özellikle ileri yaşlardaki bireylerde hem bağışıklık sisteminin yaşla birlikte yavaşlaması hem de yaşa ve/veya diğer nedenlere bağlı olarak kronik ve diğer hastalıkların görülmesi bu yaşlardaki bireylerde ölüm oranlarını artırabilmektedir. Diğer bir deyişle, bu enfeksiyon komplikasyon yaratarak ve mevcut diğer hastalıkları tetikleyerek bu yaş gruplarında diğer yaş gruplarına göre daha öldürücü olabilir.
Enfeksiyonun yayılmasını önlemek için standart öneriler arasında düzenli el yıkama, öksürme ve hapşırma sırasında ağız ve burnun kapatılması, et ve yumurtaların iyice pişirilmesi yer alır. Öksürme ve hapşırma gibi solunum yolu rahatsızlığı belirtileri gösteren kişilerle yakın temastan kaçınmak bu hastalıktan korunmak için atılacak önemli koruyucu tedbirlerden biridir. Koronavirüsün belirtileri ve koronavirüs hakkında daha fazlasını Dünya Sağlık Örgütü (WHO) tarafından hazırlanmış aşağıdaki videoda bulabilirsiniz.
Ayrıca koronavirüsün insan vücuduna nasıl saldırdığına ilişkin üç boyutlu (3D) bir animasyon da video olarak aşağıda paylaşılmıştır. Burada videolar paylaşılmasının nedeni konunun içerisine görsel ve işitsel hafızayı da katarak koronavirüse derinlemesine dikkat çekmektir.
Koronavirüs salgını Çin ile birlikte diğer ülkelere de yayıldığı için Dünya Sağlık Örgütü tarafından 30/01/2020 tarihinde uluslararası halk sağlığı açısından acil durum ilan edilmiştir. Bu hastalıktan bahsedilerken lise ve üniversite yıllarımda benim de ders olarak aldığım Epidemiyoloji biliminden bahsetmemek olmaz. Epidemiyoloji, toplumda sağlıkla ilgili durumların veya olayların (hastalık dahil) dağılımını, görülme sıklıklarını ve bunları etkileyen faktörleri inceleyen bir tıp bilimi dalıdır.
Epidemiyolojik araştırmalar yapmak için çeşitli yöntemler kullanılabilir. Bu yöntemler dağılımı incelemek için sürveyans, tanımlayıcı çalışmalar ve hastalık belirleyicilerini incelemek için analitik çalışmalar olabilir. Bilindiği üzere Koronavirüs hastalığı artık pandemik bir vaka olarak adlandırılmaktadır. Epidemiyolojinin konu alanına giren pandemi dünyada birden fazla ülkede veya kıtada, çok geniş bir alanda
yayılan ve etkisini gösteren salgın hastalıklara verilen genel isim olarak ifade edilmektedir. Diğer bir deyişle, salgın (epidemi) durumundaki bir hastalığın ülke sınırlarını aşarak diğer ülkelere yayılım göstermesidir.
Çalışma kapsamında epidemiyolojik hızlarla birlikte koronavirüs pandemi vakalarının keşifsel analizi analizi yapılarak vakaların genel seyrinin ortaya koyulması amaçlanmıştır. Bu amaçla Avrupa Birliği kurumlarından biri olan “Avrupa Hastalık Önleme ve Kontrol Merkezi (European Centre for Disease Prevention and Control)” ne ait https://www.ecdc.europa.eu/ web adresinden 25.03.2020 tarihinde alınan verilerle epidemiyolojik hızlarla birlikte keşifsel veri analizi (EDA) çalışması yapılmıştır. Analizlerde R programlama dili kullanılmıştır. Şeffaflık olması ve öğretici olması adına bugüne kadar olduğu gibi bu çalışmada da analize ilişkin R kod blokları paylaşılmıştır.
Burada, vaka sayılarından yararlanarak epidemiyolojik hızlar oluşturulacak ve tahmin modeline dahil edilmesi öngörülmektedir. Bu nedenle, çalışmada kullanılacak hızları açıklamanın faydalı olacağı düşünülmektedir.
Epidemiyoloji biliminde hız kavramı, bir sağlık olayının nüfus içindeki görülme frekansını hesaplamada kullanılan bir ölçüttür. Hızlar, belirli bir zaman diliminde meydana gelen olayların sayısının olayın meydana geldiği nüfusa bölünerek hesaplanır. Eşitliğin payı, sağlık olayı ile karşılaşanların sayısını (X), payda ise risk altındaki nüfusu (X+Y) göstermektedir. Risk altındaki nüfus hastalığa veya sağlık olaylarına karşı duyarlı olan nüfusu ifade etmektedir. Formülize edilirse;
Hız (Rate) = (X / X +Y) * k
k katsayıyı göstermektedir.
Analizde hızlardan girdi değişkeni olarak kullanılması düşünülen ilk gösterge ölüm veya mortalite ölçütlerinden biri olan Kaba Ölüm Hızı‘dır. Bu hız nüfusun sağlık düzeyini ortaya koymada duyarlı olmasa da bir fikir vermesi açısından önemlidir. Kaba ölüm hızı aşağıdaki eşitlikte gösterilmiştir.
Kaba Ölüm Hızı (Crude Death Rate) = (Bir toplumda belirli bir süre içinde meydana gelen ölüm sayısı * Aynı toplumun aynı süredeki
(yıl ortası) nüfusu) * 1000
Girdi değişkeni olarak kullanılması düşünülen ikinci gösterge ölüm veya fatalite ölçütlerinden biri olan Fatalize Hızı‘dır. Bu gösterge kaba ölüm hızına göre daha duyarlıdır. Diğer bir ifadeyle, hastalığa yakalananların ne kadarının öldüğünü gösterir. Fatalite ise hızı ise şöyledir;
Fatalite Hızı (Fatality Rate) = (Nüfusta belirli bir süre içinde “X” hastalığından ölenlerin sayısı * Aynı nüfusun aynı süre içinde “X” hastalığına yakalananların sayısı) * 100
Morbitide veya hastalık hızları gelişmekte olan hastalığın ortaya çıkma hızını ortaya koymak için kullanılır. Bunlardan biri olan insidans,
bir hastalığın gelişme olasılığını ortaya koymak için kullanılır. Diğer taraftan, bu hızlardan prevelans ise hastalığın görülme sıklığını gösteren bir hızdır. İnsidans ve prevelans da analizde girdi değişkenleri olarak kullanılması düşünülmektedir. İnsidans aşağıdaki eşitlik yardımıyla hesaplanmaktadır.
İnsidans (Incidence) = (Bir nüfusta belirli bir sürede saptanan YENİ vaka sayısı * Aynı toplumun yıl ortası nüfusu) * k
İnsidans hızının kümülatif şekli ise atak hızlarını göstermektedir.
Prevelans ise aşağıdaki eşitlik yardımıyla hesaplanmaktadır.
Prevelans (Prevalence) = (Belirli bir sürede toplam (eski+yeni) vaka sayısı * Risk altındaki kişi sayısı) * k
Tanımlayıcı İstatistikler
Bu kısımda yukarıda bahsedilen epidemiyolojik hızların uygulama sonuçlarına yer verilecektir. Tablolarda sunulmuş ham veriler Türkiye İstatistik Kurumu (TÜİK)’dan ve Dünya Sağlık Örgütü (DSÖ) raporlarından ve Sağlık Bakanlığı basın açıklamalarından elde edilerek tarafımdan analiz edilmiştir. İlk olarak günlük vaka sayıları ile ölen kişi sayıları Tablo 1’de verilmiştir. Tablodaki başlıkların ve değişkenlerin ingilizce verilmesinin nedeni kaynak belirtmek koşuluyla yararlanmak isteyen herkese açık olmasıdır. Tablo 1’e göre öne çıkan bulgular şöyledir:
- Toplam vaka sayısı 2433’e ulaştığı 25.03.2020 tarihinde görülen yeni vaka sayısı 561 olup, bu sayı Türkiye’de salgının başlağı günden bugüne kadar en yüksek vaka sayısıdır.
- Kümülatif vaka sayısından kümülatif ölen kişi sayısı çıkarılmasından sonra kalan toplam aktif vaka sayısı 2270’dir.
- Salgından ölen toplam kişi sayısı 59 olup, en çok ölümün yaşandığı gün 25.03.2020 tarihidir.
Tablo 1. 25 Mart 2020 Tarihi İtibariyle Koronavirüs Vaka Sayıları / Number of Coronavirus Cases As of March 25, 2020
Epidemiyolojik hızları gösteren bulgular ise Tablo 2’de sunulmuştur. Tablo 2’ye göre öne çıkan bulgular şöyledir:
- Sağlık düzeyini belirlemede duyarlı bir gösterge olmasa da fikir vermesi açısından kaba ölüm hızı hesaplanmıştır. Buna göre kaba ölüm hızı en yüksek seviyesine ulaştığı 25.3.2020 tarihinde milyonda 0,18’dir. Katsayı 1000 yerine milyon alınmasının nedeni ortaya konulan bulgunun çok küçük değer almasından kaynaklanmaktadır. Toplam vaka sayına göre kaba ölüm hızı ise milyonda yaklaşık 1’tir.
- 60 ve üzeri yaş üzerindekiler yüksek risk grubuna girdiği için ve genellikle açıklanan ölüm sayıları bu yaş gruba ait olduğu için varsayımsal olarak bu yaş gruba özel kaba ölüm hızı da hesaplanmıştır. Bu yaş grubunda hesaplanan kaba ölüm hızı 25.3.2020 tarihinde milyonda yaklaşık 1,4’tür. Toplam vaka sayına göre bu yaş grubuna özel kaba ölüm hızı ise milyonda 5,3’tür.
- Fatalize hızının en yüksek olduğu tarih binde yaklaşık 43 ile 21.3.2020 tarihidir. Toplam vaka sayılarına göre fatalize hızı ise binde yaklaşık 24’tür.
- 25.3.2020 tarihine kadar (bu tarih dahil) yapılan test sayısı 33004, onaylanmış vaka sayısı 2433’tür. Belirli bir zaman diliminde bir hastalığın bir nüfus grubunda görülme sıklığını ortaya koyan prevelans hızı % 7,4’tür. Buradan salgın meydana geldiği süre içerisinde her yüz vakadan 7’sinde koronavirüs vakası tespit edildiği anlamı çıkmaktadır.
Tablo 2. 25 Mart 2020 Tarihi İtibariyle Koronavirüs Vakalarının Epidemiyolojik Hızları / Epidemiological Rates of Coronavirus Cases As of March 25, 2020, Turkey
İlk olarak adım adım uygulamaya geçilerek Avrupa Hastalık Önleme ve Kontrol Merkezi‘nin web sitesinden xlsx (Microsoft Excel tarafından kullanılan dosya formatı) uzantılı olarak okutulan onaylanmış vaka ve ölüm sayıları veri seti tanıtılmıştır.
Çalışma kapsamında vaka sayısı tahmini yapılması planlanan ülkeler İtalya, Fransa, Almanya, Güney Kore, İspanya ve Türkiye’dir. Bu amaçla onaylanmış koronavirüs vaka verileri kullanılarak 26.03.2020 tarihinden 30.04.2020 tarihine kadar (bu tarih dahil) 36 günlük bir tahmin ortaya konulmuştur.
Uygulama ve Sonuçlar: Keşifsel Veri Analizi
Yüklenecek R kütüphaneleri (R Kod Bloğu)
sapply(c("dplyr","tibble","tidyr","ggplot2","formattable","ggthemes","forecast","xts","zoo","stringr","lubridate","readxl","xlsx"), require, character.only = TRUE)
Veri setinin yüklenmesi (R Kod Bloğu)
Aşağıda yazdığım R kod bloğu ile birlikte veri seti Avrupa Hastalık Önleme ve Kontrol Merkezi veri tabanından indirilmeden tek tuşla anlık analiz edilebilecektir.
library(readxl)
url = "https://www.ecdc.europa.eu/sites/default/files/documents/COVID-19-geographic-disbtribution-worldwide-2020-03-25.xlsx"
destfile <- "COVID_19_geographic_disbtribution_worldwide_2020_03_25.xlsx"
curl::curl_download(url, destfile)
ECDC_Data <- read_excel(destfile)
Data<- ECDC_Data[,-8:-9]
df<-Data %>% rename(Country="Countries and territories", Date="DateRep")
df
#Eksik verinin gözden geçirilmesi için
sum(is.na(df$Cases))#0
Veri setindeki değişkenler ve değişkenlerin veri türü (R Kod Bloğu)
Bu kısımda veri setindeki 1. sütun ve 1. satır çıkarılmıştır. Daha sonra tibble esnek veri tablosuna alındıktan sonra değişkenlerin türü ve vaka sayısı incelenmiştir. Veri seti toplam 6738 gözlem ve 7 değişkenden oluşmaktadır.
str(df)
Veri setindeki değişkenler ve değişkenlerin veri türü (Sonuç)
Classes ‘tbl_df’, ‘tbl’ and 'data.frame': 6738 obs. of 7 variables:
$ Date : POSIXct, format: "2020-03-25" "2020-03-24" ...
$ Day : num 25 24 23 22 21 20 19 18 17 16 ...
$ Month : num 3 3 3 3 3 3 3 3 3 3 ...
$ Year : num 2020 2020 2020 2020 2020 2020 2020 2020 2020 2020 ...
$ Cases : num 2 6 10 0 2 0 0 1 5 6 ...
$ Deaths : num 0 1 0 0 0 0 0 0 0 0 ...
$ Country: chr "Afghanistan" "Afghanistan" "Afghanistan" "Afghanistan" ...
Veri setindeki ülke ya da bölgeler (R Kod Bloğu)
unique(df$Country)
Veri setindeki ülke yada bölgeler(Sonuç)
Veri setinde koronavirüs salgınının yaşandığı 155 ülke bulunmaktadır.
[1] "Afghanistan"
[2] "Angola"
[3] "Albania"
[4] "Andorra"
[5] "Argentina"
[6] "Antigua_and_Barbuda"
[7] "Algeria"
[8] "Armenia"
[9] "Australia"
[10] "Austria"
[11] "Azerbaijan"
[12] "Bahamas"
[13] "Bahrain"
[14] "Bangladesh"
[15] "Barbados"
[16] "Belarus"
[17] "Belgium"
[18] "Belize"
[19] "Benin"
[20] "Bermuda"
[21] "Bhutan"
[22] "Bolivia"
[23] "Bosnia_and_Herzegovina"
[24] "Brazil"
[25] "Brunei_Darussalam"
[26] "Bulgaria"
[27] "Burkina_Faso"
[28] "Cambodia"
[29] "Cameroon"
[30] "Canada"
[31] "CANADA"
[32] "Cape_Verde"
[33] "Cases_on_an_international_conveyance_Japan"
[34] "Cayman_Islands"
[35] "Central_African_Republic"
[36] "Chad"
[37] "Chile"
[38] "China"
[39] "Colombia"
[40] "Congo"
[41] "Costa_Rica"
[42] "Cote_dIvoire"
[43] "Croatia"
[44] "Cuba"
[45] "Cyprus"
[46] "Czech_Republic"
[47] "Democratic_Republic_of_the_Congo"
[48] "Denmark"
[49] "Djibouti"
[50] "Dominica"
[51] "Dominican_Republic"
[52] "Ecuador"
[53] "Egypt"
[54] "El_Salvador"
[55] "Equatorial_Guinea"
[56] "Eritrea"
[57] "Estonia"
[58] "Eswatini"
[59] "Ethiopia"
[60] "Faroe_Islands"
[61] "Fiji"
[62] "Finland"
[63] "France"
[64] "French_Polynesia"
[65] "Gabon"
[66] "Gambia"
[67] "Georgia"
[68] "Germany"
[69] "Ghana"
[70] "Gibraltar"
[71] "Greece"
[72] "Greenland"
[73] "Grenada"
[74] "Guam"
[75] "Guatemala"
[76] "Guernsey"
[77] "Guinea"
[78] "Guyana"
[79] "Haiti"
[80] "Holy_See"
[81] "Honduras"
[82] "Hungary"
[83] "Iceland"
[84] "India"
[85] "Indonesia"
[86] "Iran"
[87] "Iraq"
[88] "Ireland"
[89] "Isle_of_Man"
[90] "Israel"
[91] "Italy"
[92] "Jamaica"
[93] "Japan"
[94] "Jersey"
[95] "Jordan"
[96] "Kazakhstan"
[97] "Kenya"
[98] "Kosovo"
[99] "Kuwait"
[100] "Kyrgyzstan"
[101] "Laos"
[102] "Latvia"
[103] "Lebanon"
[104] "Liberia"
[105] "Libya"
[106] "Liechtenstein"
[107] "Lithuania"
[108] "Luxembourg"
[109] "Madagascar"
[110] "Malaysia"
[111] "Maldives"
[112] "Malta"
[113] "Mauritania"
[114] "Mauritius"
[115] "Mexico"
[116] "Moldova"
[117] "Monaco"
[118] "Mongolia"
[119] "Montenegro"
[120] "Montserrat"
[121] "Morocco"
[122] "Mozambique"
[123] "Myanmar"
[124] "Namibia"
[125] "Nepal"
[126] "Netherlands"
[127] "Netherlands_Antilles"
[128] "New_Caledonia"
[129] "New_Zealand"
[130] "Nicaragua"
[131] "Niger"
[132] "Nigeria"
[133] "North_Macedonia"
[134] "Norway"
[135] "Oman"
[136] "Pakistan"
[137] "Palestine"
[138] "Panama"
[139] "Papua_New_Guinea"
[140] "Paraguay"
[141] "Peru"
[142] "Philippines"
[143] "Poland"
[144] "Portugal"
[145] "Qatar"
[146] "Romania"
[147] "Russia"
[148] "Rwanda"
[149] "Saint_Lucia"
[150] "Saint_Vincent_and_the_Grenadines"
[151] "San_Marino"
[152] "Saudi_Arabia"
[153] "Senegal"
[154] "Serbia"
[155] "Seychelles"
[156] "Singapore"
[157] "Slovakia"
[158] "Slovenia"
[159] "Somalia"
[160] "South_Africa"
[161] "South_Korea"
[162] "Spain"
[163] "Sri_Lanka"
[164] "Sudan"
[165] "Suriname"
[166] "Sweden"
[167] "Switzerland"
[168] "Syria"
[169] "Taiwan"
[170] "Thailand"
[171] "Timor_Leste"
[172] "Togo"
[173] "Trinidad_and_Tobago"
[174] "Tunisia"
[175] "Turkey"
[176] "Turks_and_Caicos_islands"
[177] "Uganda"
[178] "Ukraine"
[179] "United_Arab_Emirates"
[180] "United_Kingdom"
[181] "United_Republic_of_Tanzania"
[182] "United_States_of_America"
[183] "United_States_Virgin_Islands"
[184] "Uruguay"
[185] "Uzbekistan"
[186] "Venezuela"
[187] "Vietnam"
[188] "Zambia"
[189] "Zimbabwe"
Revize Edilmiş Koronavirüs Salgın Verisi Seti(R Kod Bloğu)
world<-df %>%
filter(Cases>0) %>%
group_by(Date, Month, Country, Cases, Deaths) %>%
mutate(ActiveCases=Cases-Deaths, FatalityRate=(Deaths/Cases)*1000)
%>%
arrange(desc(Date))
world<- as_tibble(world)
Dünyadaki Vaka Sayıları İle Birlikte Fatalite Hızı (R Kod Bloğu)
worldfr<-select(world, Cases, Deaths) %>% summarise(CasesSum = sum(Cases), DeathsSum = sum(Deaths), FatalityRate= sum(Deaths)/sum(Cases)*1000)
formattable(worldfr)
Dünyadaki Vaka Sayıları İle Birlikte Fatalite Hızları (Çıktı)
Dünyadaki Aylık Fatalite Hızları (R Kod Bloğu)
worldfrmonth<-select(world, Month, Cases, Deaths) %>%
group_by(Month) %>%
summarise(CasesSum = sum(Cases), DeathsSum = sum(Deaths), FatalityRate= sum(Deaths)/sum(Cases)*1000)
formattable(worldfrmonth,
align = c("l","c", "c", "c"),
list('Date' = formatter("span", style = ~ style(color = "grey", font.weight = "bold")),
'FatalityRate' = color_bar("#FA614B")))
Dünyadaki Aylık Fatalite Hızları (Çıktı)
Dünyadaki Vaka Sayılarının Aylara Göre Dağılımı (R Kod Bloğu)
world %>% ggplot(aes("", Cases, col=as.factor(Month)))+
geom_point()+
geom_jitter()+
facet_grid(~Month, scales="free")+
labs(title="Dünyadaki Vakaların Aylar İçindeki Dağılımı")+
xlab("") + ylab("Vaka Sayısı")+
labs(caption = "Analyzed by Tevfik Bulut, Data Source:https://www.ecdc.europa.eu/, 2020-03-25")+
theme(plot.caption = element_text(color = "blue", face="italic", hjust=0.5))+
theme(legend.position = "none")
Dünyadaki Vaka Sayılarının Aylara Göre Dağılımı (Çıktı)
Dünyadaki Ölüm Vakalarının Aylara Göre Dağılımı (R Kod Bloğu)
world %>% ggplot(aes("", Deaths, color=as.factor(Month)))+
geom_point()+
geom_jitter()+
facet_grid(~Month, scales="free")+
labs(title="Dünyadaki Ölüm Vakalarının Aylar İçindeki Dağılımı")+
xlab("") + ylab("Ölüm Sayısı")+
labs(caption = "Analyzed by Tevfik Bulut, Data Source:https://www.ecdc.europa.eu/, 2020-03-25")+
theme(plot.caption = element_text(color = "blue", face="italic", hjust=0.5)) +
theme(legend.position = "none")
Dünyadaki Ölüm Vakalarının Aylara Göre Dağılımı (Çıktı)
Dünyadaki Onaylanmış Vakalar ile Ölüm Vakalarının Aylara Göre Dağılımı (R Kod Bloğu)
world %>% ggplot(aes(Deaths, Cases))+
geom_line(col="red")+
facet_wrap(~Month, scales="free")+
labs(title="Dünyadaki Onaylanmış Vakalar ile Ölüm Vakalarının Aylara Göre Dağılımı")+
xlab("Ölen Sayısı") + ylab("Vaka Sayısı")+
labs(caption = "Analyzed by Tevfik Bulut, Data Source:https://www.ecdc.europa.eu/, 2020-03-25")+
theme(plot.caption = element_text(color = "blue", face="italic", hjust=0.5))
Dünyadaki Onaylanmış Vakalar ile Ölüm Vakalarının Aylara Göre Dağılımı (Çıktı)
Dünyadaki Fatalite Hızlarının Aylara Göre Dağılımı (R Kod Bloğu)
world %>% ggplot(aes("", FatalityRate, color=as.factor(Month)))+
geom_point()+
geom_jitter()+
facet_grid(~Month, scales="free")+
labs(title="Dünyadaki Fatalite Hızlarının Aylara Göre Dağılımı")+
xlab("") + ylab("Fatalize Hızı (Bin)")+
labs(caption = "Analyzed by Tevfik Bulut, Data Source:https://www.ecdc.europa.eu/, 2020-03-25")+
theme(plot.caption = element_text(color = "blue", face="italic", hjust=0.5)) +
theme(legend.position = "none")
Dünyadaki Fatalite Hızlarının Aylara Göre Dağılımı (Çıktı)
İtalyadaki Fatalite Hızlarının Aylara Göre Dağılımı (R Kod Bloğu)
italy<-df %>%
filter(Cases>0, Country=="Italy") %>%
group_by(Date, Month, Country, Cases, Deaths) %>%
mutate(ActiveCases=Cases-Deaths, FatalityRate=(Deaths/Cases)*1000) %>%
arrange(desc(Date))
italy<- as_tibble(italy)
italy
italy %>% ggplot(aes("", FatalityRate, color=as.factor(Month)))+
geom_point()+
geom_jitter()+
facet_grid(~Month, scales="free")+
labs(title="İtalyadaki Fatalite Hızlarının Aylara Göre Dağılımı")+
xlab("") + ylab("Fatalize Hızı (Bin)")+
labs(caption = "Analyzed by Tevfik Bulut, Data Source:https://www.ecdc.europa.eu/, 2020-03-25")+
theme(plot.caption = element_text(color = "blue", face="italic", hjust=0.5)) +
theme(legend.position = "none")
İtalyadaki Fatalite Hızlarının Aylara Göre Dağılımı (Çıktı)
İtalyada Aylık Fatalite Hızları (R Kod Bloğu)
italyfrmonth<-select(italy, Month, Cases, Deaths) %>%
group_by(Month) %>%
summarise(CasesSum = sum(Cases), DeathsSum = sum(Deaths), FatalityRate= sum(Deaths)/sum(Cases)*1000)
formattable(italyfrmonth,
align = c("l","c", "c", "c"),
list('Date' = formatter("span", style = ~ style(color = "grey", font.weight = "bold")),
'FatalityRate' = color_bar("#FA614B")))
İtalyada Aylık Fatalite Hızları (Çıktı)
Ortaya konulan fatalite hızlarına göre 3. ayda İtalya’da Koronavirüs hastalığına yakalanan her 1000 kişinden yaklaşık 100’ünün hayatını kaybettiğini ortaya koymaktadır.
İspanyadaki Fatalite Hızlarının Aylara Göre Dağılımı (R Kod Bloğu)
spain<-df %>%
filter(Cases>0, Country=="Spain") %>%
group_by(Date, Month, Country, Cases, Deaths) %>%
mutate(ActiveCases=Cases-Deaths, FatalityRate=(Deaths/Cases)*1000) %>%
arrange(desc(Date))
spain<- as_tibble(spain)
spain
spain %>% ggplot(aes("", FatalityRate, color=as.factor(Month)))+
geom_point()+
geom_jitter()+
facet_grid(~Month, scales="free")+
labs(title="İspanyadaki Fatalite Hızlarının Aylara Göre Dağılımı")+
xlab("") + ylab("Fatalize Hızı (Binde)")+
labs(caption = "Analyzed by Tevfik Bulut, Data Source:https://www.ecdc.europa.eu/, 2020-03-25")+
theme(plot.caption = element_text(color = "blue", face="italic", hjust=0.5)) +
theme(legend.position = "none")
İspanyadaki Fatalite Hızlarının Aylara Göre Dağılımı (Çıktı)
İspanyadaki Aylık Fatalite Hızları (R Kod Bloğu)
Ortaya konulan fatalite hızlarına göre 3. ayda İspanya’da Koronavirüs vakaları çok ani ve keskin bir yükseliş göstermiştir. Fatalize hızları, Koronavirüs hastalığına yakalanan her 1000 kişinden 68’inin hayatını kaybettiğini ortaya koymaktadır.
spainfrmonth<-select(spain, Month, Cases, Deaths) %>%
group_by(Month) %>%
summarise(CasesSum = sum(Cases), DeathsSum = sum(Deaths), FatalityRate= sum(Deaths)/sum(Cases)*1000)
formattable(spainfrmonth,
align = c("l","c", "c", "c"),
list('Date' = formatter("span", style = ~ style(color = "grey", font.weight = "bold")),
'FatalityRate' = color_bar("#FA614B")))
İspanyadaki Aylık Fatalite Hızları (Çıktı)
Fransadaki Fatalite Hızlarının Aylara Göre Dağılımı (R Kod Bloğu)
france<-df %>%
filter(Cases>0, Country=="France") %>%
group_by(Date, Month, Country, Cases, Deaths) %>%
mutate(ActiveCases=Cases-Deaths, FatalityRate=(Deaths/Cases)*1000) %>%
arrange(desc(Date))
france<- as_tibble(france)
france
#Fransadaki Fatalite Hızlarının Aylara Göre Dağılımı
france %>% ggplot(aes("", FatalityRate, color=as.factor(Month)))+
geom_point()+
geom_jitter()+
facet_grid(~Month, scales="free")+
labs(title="Fransadaki Fatalite Hızlarının Aylara Göre Dağılımı")+
xlab("") + ylab("Fatalize Hızı (Binde)")+
labs(caption = "Analyzed by Tevfik Bulut, Data Source:https://www.ecdc.europa.eu/, 2020-03-25")+
theme(plot.caption = element_text(color = "blue", face="italic", hjust=0.5)) +
theme(legend.position = "none")
francefrmonth<-select(france, Month, Cases, Deaths) %>%
group_by(Month) %>%
summarise(CasesSum = sum(Cases), DeathsSum = sum(Deaths), FatalityRate= sum(Deaths)/sum(Cases)*1000)
formattable(francefrmonth,
align = c("l","c", "c", "c"),
list('Date' = formatter("span", style = ~ style(color = "grey", font.weight = "bold")),
'FatalityRate' = color_bar("#FA614B")))
Fransadaki Fatalite Hızlarının Aylara Göre Dağılımı (Çıktı)
Fransadaki Aylık Fatalite Hızları (Çıktı)
Ortaya konulan fatalite hızlarına göre 3. ayda Fransa’da Koronavirüs hastalığına yakalanan her 1000 kişinden yaklaşık 49’unun hayatını kaybettiğini ortaya koymaktadır.
Güney Koredeki Fatalite Hızlarının Aylara Göre Dağılımı (R Kod Bloğu)
South_Korea<-df %>%
filter(Cases>0, Country=="South_Korea") %>%
group_by(Date, Month, Country, Cases, Deaths) %>%
mutate(ActiveCases=Cases-Deaths, FatalityRate=(Deaths/Cases)*1000) %>%
arrange(desc(Date))
South_Korea<- as_tibble(South_Korea)
South_Korea
# Güney Koredeki Aylık Fatalite Hızlarının Dağılımı
South_Korea %>% ggplot(aes("", FatalityRate, color=as.factor(Month)))+
geom_point()+
geom_jitter()+
facet_grid(~Month, scales="free")+
labs(title="Güney Koredeki Fatalite Hızlarının Aylara Göre Dağılımı")+
xlab("") + ylab("Fatalize Hızı (Binde)")+
labs(caption = "Analyzed by Tevfik Bulut, Data Source:https://www.ecdc.europa.eu/, 2020-03-25")+
theme(plot.caption = element_text(color = "blue", face="italic", hjust=0.5)) +
theme(legend.position = "none")
#Güney Koredeki Aylık Fatalite Hızları
South_Koreafrmonth<-select(South_Korea, Month, Cases, Deaths) %>%
group_by(Month) %>%
summarise(CasesSum = sum(Cases), DeathsSum = sum(Deaths), FatalityRate= sum(Deaths)/sum(Cases)*1000)
formattable(South_Koreafrmonth,
align = c("l","c", "c", "c"),
list('Date' = formatter("span", style = ~ style(color = "grey", font.weight = "bold")),
'FatalityRate' = color_bar("#FA614B")))
Güney Koredeki Fatalite Hızlarının Aylara Göre Dağılımı (Çıktı)
Güney Koredeki Aylık Fatalite Hızları (Çıktı)
Ortaya konulan fatalite hızlarına göre 3. ayda Güney Korede Koronavirüs hastalığına yakalanan her 1000 kişinden yaklaşık 18’inin hayatını kaybettiğini ortaya koymaktadır.
Dünyada Fatalite Hızının En Yüksek Olduğu 12 Ülke (R Kod Bloğu)
top<-df %>%
filter(Cases>0) %>%
group_by(Date, Month, Country, Cases, Deaths) %>%
mutate(ActiveCases=Cases-Deaths, FatalityRate=(Deaths/Cases)*1000) %>%
arrange(desc(Month))
top<- as_tibble(top)
top
topfrmonth<-select(top, Country, Cases, Deaths) %>%
group_by(Country) %>%
summarise(CasesSum = sum(Cases), DeathsSum = sum(Deaths), FatalityRate= round((sum(Deaths)/sum(Cases)*1000),1))%>%
arrange(desc(FatalityRate)) %>%
top_n(12)
formattable(topfrmonth,
align = c("l","c", "c", "c"),
list('Date' = formatter("span", style = ~ style(color = "grey", font.weight = "bold")),
'FatalityRate' = color_bar("#66CDAA")))
Dünyada Fatalite Hızının En Yüksek Olduğu 12 Ülke (Sonuç)
Dünyada Fatalite Hızının En Düşük Olduğu 12 Ülke/Bölge (R Kod Bloğu)
bottom<-df %>%
filter(Cases>0) %>%
group_by(Date, Month, Country, Cases, Deaths) %>%
mutate(ActiveCases=Cases-Deaths, FatalityRate=(Deaths/Cases)*1000) %>%
arrange(desc(Month))
bottom<- as_tibble(bottom)
bottom
bottomfrmonth<-select(bottom, Country, Cases, Deaths) %>%
group_by(Country) %>%
summarise(CasesSum = sum(Cases), DeathsSum = sum(Deaths), FatalityRate= round((sum(Deaths)/sum(Cases)*1000),1)) %>%
arrange(desc(FatalityRate)) %>%
top_n(-12)
formattable(bottomfrmonth,
align = c("l","c", "c", "c"),
list('Date' = formatter("span", style = ~ style(color = "grey", font.weight = "bold")),
'FatalityRate' = color_bar("#FA8072")))
Dünyada Fatalite Hızının En Düşük Olduğu 12 Ülke/Bölge (Çıktı)
Sonuç
Özetle keşifsel veri analizi ile koronavirüs pandemisinin trendi epidemiyolojik hızlarla ele alınarak farkındalık oluşturulması amaçlanmıştır.
Fırsat buldukça yukarıda elde edilen sonuçların güncellenmesi düşünülmektedir.
Faydalı olması ve farkındalık oluşturması dileğiyle.
Bilimle ve teknolojiyle kalınız.
Saygılarımla.
Note: It can not be cited or copied without referencing.
Not: Kaynak gösterilmeden alıntı yapılamaz veya kopyalanamaz.
Yararlanılan Kaynaklar
- World Health Organization (2020). Report of the WHO-China Joint Mission on Coronavirus Disease 2019 (COVID-19). Available online at: https://www.who.int/docs/default-source/coronaviruse/who-china-joint-mission-on-covid-19-final-report.pdf
- https://www.who.int/health-topics/coronavirus
- https://www.ecdc.europa.eu/en/publications-data/download-todays-data-geographic-distribution-covid-19-cases-worldwide
- http://www.hastane.hacettepe.edu.tr/_948.html
- https://www.youtube.com/watch?v=mOV1aBVYKGA&t=42s
- Humanitarian Data Exchange (HDX), https://data.humdata.org/. 19.03.2020
- http://www.halksagligi.hacettepe.edu.tr/sunumlar_ve_seminerler/OLCUTLERTB18MART2015.pdf
- https://www.youtube.com/watch?v=4KFP3tay5vM
- De Livera, A. M., Hyndman, R. J., & Snyder, R. D. (2011). Forecasting time series with complex seasonal patterns using exponential smoothing. J American Statistical Association, 106(496), 1513–1527. https://robjhyndman.com/publications/complex-seasonality/
- http://tagteam.harvard.edu/hub_feeds/1981/feed_items/273923
- https://robjhyndman.com/papers/ComplexSeasonality.pdf
- https://www.medicalpark.com.tr/zaturre-nedir-belirtileri-ve-tedavileri-nelerdir/hg-152
- https://www.who.int/topics/epidemiology/en/
- https://www.grip.gov.tr/depo/saglik-calisanlari/ulusal_pandemi_plani.pdf
- https://www.r-project.org/
- https://www.who.int/docs/default-source/coronaviruse/getting-workplace-ready-for-covid-19.pdf