differences for PR #10

Author: actions-user

delays-access.md

@@ -1,5 +1,5 @@
 ---
-title: Accéder aux distributions des retards épidémiologiques
+title: Accéder aux distribution des délais épidémiologiques
 teaching: 20
 exercises: 10
 editor_options:
@@ -15,7 +15,7 @@ editor_options:
 ::::::::::::::::::::::::::::::::::::: objectives
 
 - Obtenez les délais à partir d'une base de données de recherche documentaire avec `{epiparameter}`.
-- Obtenez les paramètres de distribution et les statistiques sommaires des distributions de retards.
+- Obtenez les paramètres de distribution et les statistiques sommaires des distributions de délais.
 
 ::::::::::::::::::::::::::::::::::::::::::::::::
 
@@ -79,7 +79,7 @@ Cela nous permet de nous souvenir des fonctions du paquet et d'éviter les confl
 
 ## Le problème
 
-Si nous voulons estimer la transmissibilité d'une infection, il est courant d'utiliser un package tel que `{EpiEstim}` ou `{EpiNow2}`. Le paquet `{EpiEstim}` permet d'estimer en temps réel le nombre de reproductions à l'aide des données relatives aux cas dans le temps, reflétant ainsi l'évolution de la transmission en fonction de la date d'apparition des symptômes. Pour estimer la transmission en fonction du moment où les personnes ont été effectivement infectées (plutôt que de l'apparition des symptômes), le logiciel `{EpiNow2}` étend cette idée en la combinant avec un modèle qui tient compte des retards dans les données observées. Les deux logiciels requièrent certaines informations épidémiologiques en entrée. Par exemple, dans `{EpiNow2}` nous utilisons `EpiNow2::Gamma()` pour spécifier un [temps de génération](../learners/reference.md#generationtime) sous la forme d'une distribution de probabilité ajoutant son `mean` l'écart-type (`sd`) et sa valeur maximale (`max`).
+Si nous voulons estimer la transmissibilité d'une infection, il est courant d'utiliser un package tel que `{EpiEstim}` ou `{EpiNow2}`. Le paquet `{EpiEstim}` permet d'estimer en temps réel le nombre de reproductions à l'aide des données relatives aux cas dans le temps, reflétant ainsi l'évolution de la transmission en fonction de la date d'apparition des symptômes. Pour estimer la transmission en fonction du moment où les personnes ont été effectivement infectées (plutôt que de l'apparition des symptômes), le logiciel `{EpiNow2}` étend cette idée en la combinant avec un modèle qui tient compte des délais dans les données observées. Les deux logiciels requièrent certaines informations épidémiologiques en entrée. Par exemple, dans `{EpiNow2}` nous utilisons `EpiNow2::Gamma()` pour spécifier un [temps de génération](../learners/reference.md#generationtime) sous la forme d'une distribution de probabilité ajoutant son `mean` l'écart-type (`sd`) et sa valeur maximale (`max`).
 
 Pour spécifier une valeur `generation_time` qui suit un *Gamma* avec une moyenne $\mu = 4$ écart-type $\sigma = 2$ et une valeur maximale de 20, nous écrivons :
 
@@ -195,7 +195,7 @@ Si nous mesurons les *intervalle sériel* dans des données réelles, nous const
 
 ![Intervalles sériels des paires de cas possibles dans (a) COVID-19 et (b) MERS-CoV. Les paires représentent un infecteur présumé et son contaminé présumé en fonction de la date d'apparition des symptômes ([Althobaity et al., 2022](https://www.sciencedirect.com/science/article/pii/S2468042722000537#fig6)).](fig/serial-interval-pairs.jpg)
 
-Pour résumer ces données relatives aux périodes individuelles et aux paires, il est donc utile de quantifier les **distribution statistique** des retards qui correspondent le mieux aux données, plutôt que de se concentrer sur la moyenne ([McFarland et al., 2023](https://www.eurosurveillance.org/content/10.2807/1560-7917.ES.2023.28.27.2200806)).
+Pour résumer ces données relatives aux périodes individuelles et aux paires, il est donc utile de quantifier les **distribution statistique** des délais qui correspondent le mieux aux données, plutôt que de se concentrer sur la moyenne ([McFarland et al., 2023](https://www.eurosurveillance.org/content/10.2807/1560-7917.ES.2023.28.27.2200806)).
 
 <!-- ajouter une référence sur les bonnes pratiques pour estimer les distributions -->
 
@@ -369,7 +369,7 @@ distribution[[4]]$metadata$inference_method
 
 ::::::::::::::::::::::::::::::::: challenge
 
-### Trouvez vos distributions de retard !
+### Trouvez vos distributions de délais !
 
 Prenez 2 minutes pour explorer les `{epiparameter}` bibliothèque.
 
@@ -392,7 +392,7 @@ Posez la question :
 L'analyse `epiparameter_db()` fonction avec `disease` compte à elle seule le nombre d'entrées comme :
 
 - études, et
-- les répartitions des retards.
+- les répartitions des délais.
 
 Les `epiparameter_db()` avec `disease` et `epi_name` obtient une liste de toutes les entrées avec :
 
@@ -409,7 +409,7 @@ La combinaison de `epiparameter_db()` plus `parameter_tbl()` permet d'obtenir un
 
 ::::::::::::::::: solution
 
-Nous avons choisi d'explorer les distributions des retards d'Ebola :
+Nous avons choisi d'explorer les distributions des délais d'Ebola :
 
 
 ``` r
@@ -958,9 +958,9 @@ la mettre à jour à partir du dernier test d'épiparamètre
 
 ::::::::::::::::::::::::::::::::::::: keypoints
 
-- Utilisez `{epiparameter}` pour accéder au catalogue des distributions de retards épidémiologiques.
+- Utilisez `{epiparameter}` pour accéder au catalogue des distributions de délais épidémiologiques.
 - Utilisez cette fonction pour accéder au catalogue de la littérature sur les distributions de délais épidémiologiques. `epiparameter_db()` pour sélectionner une seule distribution de délais.
-- Utilisez cette option pour sélectionner les distributions à retard unique. `parameter_tbl()` pour obtenir une vue d'ensemble des distributions de délais multiples.
+- Utilisez cette option pour sélectionner les distributions à délais unique. `parameter_tbl()` pour obtenir une vue d'ensemble des distributions de délais multiples.
 - Réutiliser les estimations connues pour une maladie inconnue au début d'une épidémie lorsqu'il n'y a pas de données sur la recherche des contacts.
 
 ::::::::::::::::::::::::::::::::::::::::::::::::

delays-functions.md

@@ -24,7 +24,8 @@ editor_options:
 
 ## Conditions préalables
 
-- Compléter le tutoriel [Quantifier la transmission](https://epiverse-trace.github.io/tutorials-middle/quantify-transmissibility.html)
+- Compléter le tutoriel [Accéder aux distribution des délais épidémiologiques](../episodes/delays-functions.md)
+- Compléter le tutoriel [Quantifier la transmission](../episodes/quantify-transmissibility.md)
 
 Pour cet épisode, vous devez vous familiariser avec :
 
@@ -38,7 +39,16 @@ Pour cet épisode, vous devez vous familiariser avec :
 
 ## Introduction
 
-`{epiparameter}` nous aide à *choisir* un ensemble spécifique de paramètres épidémiologiques issus de la littérature, au lieu de les copier/coller *à la main*:
+Cet épisode intégrera le contenu des deux épisodes précédents. Commençons par charger le package`{epiparameter}` et `{EpiNow2}` . Nous utiliserons le tube `%>%`, quelques verbes de `{dplyr}` et `{ggplot2}` et donc appelons aussi à le package `{tidyverse}` :
+
+
+``` r
+library(epiparameter)
+library(EpiNow2)
+library(tidyverse)
+```
+
+Pour résumer, nous avons appris que `{epiparameter}` nous aide à *choisir* un ensemble spécifique de paramètres épidémiologiques issus de la littérature, au lieu de les copier/coller *à la main*:
 
 
 ``` r
@@ -51,7 +61,7 @@ covid_serialint <-
   )
 ```
 
-Nous avons maintenant un paramètre épidémiologique que nous pouvons utiliser dans notre analyse ! Dans le bloc de code ci-dessous, nous avons remplacé un des paramètres **statistiques sommaires** en `EpiNow2::LogNormal()`
+Nous avons maintenant un paramètre épidémiologique que nous pouvons utiliser dans notre analyse ! Par exemple, pour quantifier la transmission, nous pouvons utiliser l'intervalle sériel comme approximation du temps de génération. Dans le bloc de code ci-dessous, nous avons remplacé un des paramètres **statistiques sommaires** en `EpiNow2::LogNormal()`
 
 ```r
 generation_time <- 
@@ -62,18 +72,7 @@ generation_time <-
   )
 ```
 
-Dans cet épisode, nous utiliserons les **fonctions de distribution** qui `{epiparameter}` fournit pour obtenir une valeur maximale (`max`) pour ce package et tout autre package en aval dans votre pipeline d'analyse !
-
-Chargeons le package`{epiparameter}` et `{EpiNow2}` . Pour `{EpiNow2}` nous mettrons 4 cœurs à utiliser pour les calculs parallèles. Nous utiliserons le tube `%>%`, quelques verbes de `{dplyr}` et `{ggplot2}` et donc appelons aussi à le package `{tidyverse}` :
-
-
-``` r
-library(epiparameter)
-library(EpiNow2)
-library(tidyverse)
-
-withr::local_options(list(mc.cores = 4))
-```
+Dans cet épisode, nous utiliserons les **fonctions de distribution** qui `{epiparameter}` fournit pour obtenir une médiane, valeur maximale (`max`), percentiles ou quantiles pour tout objet de classe `<epiparameter>`. Ils vous seront utiles en aval dans votre pipeline d'analyse !
 
 ::::::::::::::::::: checklist
 
@@ -100,9 +99,9 @@ En R, toutes les distributions statistiques disposent de fonctions qui permettan
 
 ### Fonctions pour la loi normale
 
-Si vous en avez besoin, lisez en détail la rubrique [Fonctions de probabilité R pour la loinormale](https://sakai.unc.edu/access/content/group/3d1eb92e-7848-4f55-90c3-7c72a54e7e43/public/docs/lectures/lecture13.htm#probfunc) Pour en savoir plus sur les fonctions de probabilité de la loi normale, lisez les définitions de chacune d'entre elles et identifiez la partie de la loi dans laquelle elles se situent !
+Si vous en avez besoin, lisez en détail la rubrique [Fonctions de probabilité R pour la loinormale](https://web.archive.org/web/20240210121034/https://sakai.unc.edu/access/content/group/3d1eb92e-7848-4f55-90c3-7c72a54e7e43/public/docs/lectures/lecture13.htm#probfunc) Pour en savoir plus sur les fonctions de probabilité de la loi normale, lisez les définitions de chacune d'entre elles et identifiez la partie de la loi dans laquelle elles se situent !
 
-![Les quatre fonctions de probabilité de la loi normale ([Jack Weiss, 2012](https://sakai.unc.edu/access/content/group/3d1eb92e-7848-4f55-90c3-7c72a54e7e43/public/docs/lectures/lecture13.htm#probfunc))](fig/fig5a-normaldistribution.png)
+![Les quatre fonctions de probabilité de la loi normale ([Jack Weiss, 2012](https://web.archive.org/web/20240210121034/https://sakai.unc.edu/access/content/group/3d1eb92e-7848-4f55-90c3-7c72a54e7e43/public/docs/lectures/lecture13.htm#probfunc))](fig/fig5a-normaldistribution.png)
 
 ::::::::::::::::::::
 
@@ -111,9 +110,13 @@ Si vous regardez `?stats::Distributions`, chaque type de distribution possède u
 
 ``` r
 # plot this to have a visual reference
-plot(covid_serialint, day_range = 0:20)
+
+# continuous distribution
+plot(covid_serialint, xlim = c(0, 20))
 ```
 
+<img src="fig/delays-functions-rendered-unnamed-chunk-3-1.png" style="display: block; margin: auto;" />
+
 
 ``` r
 # the density value at quantile value of 10 (days)
@@ -126,7 +129,7 @@ density(covid_serialint, at = 10)
 
 ``` r
 # the cumulative probability at quantile value of 10 (days)
-cdf(covid_serialint, q = 10)
+epiparameter::cdf(covid_serialint, q = 10)
 ```
 
 ``` output
@@ -145,12 +148,12 @@ quantile(covid_serialint, p = 0.6)
 ``` r
 # generate 10 random values (days) given
 # the distribution family and its parameters
-generate(covid_serialint, times = 10)
+epiparameter::generate(covid_serialint, times = 10)
 ```
 
 ``` output
- [1]  4.759338  6.289728  4.294399  2.739490  3.163588  4.367772  6.247139
- [8]  3.735905 20.076741  5.234137
+ [1] 2.797530 2.783424 6.818287 9.376313 4.309099 2.039614 3.148002 4.669432
+ [9] 2.268098 3.584356
 ```
 
 ::::::::: instructor
@@ -176,7 +179,7 @@ Avec l'intervalle sériel COVID-19 (`covid_serialint`), calculez :
 
 ::::::::::::::::: hint
 
-Dans la figure 5 du [Fonctions de probabilité R pour la loi normale](https://sakai.unc.edu/access/content/group/3d1eb92e-7848-4f55-90c3-7c72a54e7e43/public/docs/lectures/lecture13.htm#probfunc) la partie ombrée représente une probabilité cumulée de `0.997` pour la valeur du quantile à `x = 2`.
+Dans la figure 5 du [Fonctions de probabilité R pour la loi normale](https://web.archive.org/web/20240210121034/https://sakai.unc.edu/access/content/group/3d1eb92e-7848-4f55-90c3-7c72a54e7e43/public/docs/lectures/lecture13.htm#probfunc) la partie ombrée représente une probabilité cumulée de `0.997` pour la valeur du quantile à `x = 2`.
 
 ::::::::::::::::::::::
 
@@ -189,15 +192,15 @@ plot(covid_serialint)
 
 
 ``` r
-cdf(covid_serialint, q = 2)
+epiparameter::cdf(covid_serialint, q = 2)
 ```
 
 ``` output
 [1] 0.1111729
 ```
 
 ``` r
-cdf(covid_serialint, q = 6)
+epiparameter::cdf(covid_serialint, q = 6)
 ```
 
 ``` output
@@ -275,13 +278,12 @@ Alors que pour une distribution **continue** nous traçons la courbe de la *Fonc
 
 
 ``` r
-# continuous
-plot(covid_serialint)
-
-# discrete
+# discrete distribution
 plot(covid_serialint_discrete)
 ```
 
+<img src="fig/delays-functions-rendered-unnamed-chunk-9-1.png" style="display: block; margin: auto;" />
+
 Pour obtenir enfin une `max`, accédons à la valeur du quantile du 99e percentile ou `0.99` de la distribution à l'aide de la fonction `prob_dist$q` de la même manière que nous accédons à les valeurs `summary_stats`.
 
 
@@ -309,19 +311,19 @@ Les fonctions de probabilité pour les distributions `<epiparameter>` **discrèt
 
 ``` r
 # plot to have a visual reference
-plot(covid_serialint_discrete, day_range = 0:20)
+plot(covid_serialint_discrete, xlim = c(0, 20))
 
 # density value at quantile value 10 (day)
 density(covid_serialint_discrete, at = 10)
 
 # cumulative probability at quantile value 10 (day)
-cdf(covid_serialint_discrete, q = 10)
+epiparameter::cdf(covid_serialint_discrete, q = 10)
 
 # In what quantile value (days) do we have the 60% cumulative probability?
 quantile(covid_serialint_discrete, p = 0.6)
 
 # generate random values
-generate(covid_serialint_discrete, times = 10)
+epiparameter::generate(covid_serialint_discrete, times = 10)
 ```
 
 ::::::::::::::::::::::
@@ -449,11 +451,14 @@ Dans l'hypothèse d'un scénario COVID-19, utilisons les 60 premiers jours de l
 
 
 ``` r
-epinow_estimates_cg <- epinow(
+# Set 4 cores to be used in parallel computations
+withr::local_options(list(mc.cores = 4))
+
+epinow_estimates_cg <- EpiNow2::epinow(
   # cases
   data = example_confirmed[1:60],
   # delays
-  generation_time = generation_time_opts(serial_interval_covid)
+  generation_time = EpiNow2::generation_time_opts(serial_interval_covid)
 )
 
 base::plot(epinow_estimates_cg)
@@ -471,6 +476,12 @@ L'utilisation de l'intervalle sériel au lieu du temps de génération est une a
 
 ::::::::::::::::::
 
+::::::::::::::::::: instructor
+
+We can stop the livecoding at this stage and move on with the practical.
+
+:::::::::::::::::::
+
 ## Ajustement pour tenir compte des délais de déclaration
 
 L’estimation de $R_t$ nécessite des données sur le nombre quotidien de nouvelles infections. En raison des délais dans le développement de charges virales détectables, l'apparition des symptômes, la recherche de soins et la déclaration, ces chiffres ne sont pas facilement disponibles. Toutes les observations reflètent des événements de transmission survenus dans le passé. En d'autres termes, si $d$ est le délai entre l'infection et l'observation, alors les observations au temps $t$ informent $R_{t−d}$ et non $R_t$. [(Gostic et al., 2020)](https://journals.plos.org/ploscompbiol/article?id=10.1371/journal.pcbi.1008409#sec007)
@@ -494,12 +505,12 @@ Utilisez le dernier calcul d’ `epinow()` à l'aide de l’argument `delays` et
 L'argument `delays` et la fonction d’aide`delay_opts()` sont analogues à l’argument `generation_time` et à la fonction d’aide `generation_time_opts()`.
 
 ```r
-epinow_estimates <- epinow(
+epinow_estimates <- EpiNow2::epinow(
   # cases
   reported_cases = example_confirmed[1:60],
   # delays
-  generation_time = generation_time_opts(covid_serial_interval),
-  delays = delay_opts(covid_incubation_time)
+  generation_time = EpiNow2::generation_time_opts(covid_serial_interval),
+  delays = EpiNow2::delay_opts(covid_incubation_time)
 )
 ```
 
@@ -563,12 +574,12 @@ covid_incubation_time <-
 # epinow ------------------------------------------------------------------
 
 # run epinow
-epinow_estimates_cgi <- epinow(
+epinow_estimates_cgi <- EpiNow2::epinow(
   # cases
   data = example_confirmed[1:60],
   # delays
-  generation_time = generation_time_opts(covid_serial_interval),
-  delays = delay_opts(covid_incubation_time)
+  generation_time = EpiNow2::generation_time_opts(covid_serial_interval),
+  delays = EpiNow2::delay_opts(covid_incubation_time)
 )
 
 base::plot(epinow_estimates_cgi)
@@ -705,12 +716,12 @@ incubation_period_ebola <-
 # epinow ------------------------------------------------------------------
 
 # run epinow
-epinow_estimates_egi <- epinow(
+epinow_estimates_egi <- EpiNow2::epinow(
   # cases
   data = ebola_confirmed,
   # delays
-  generation_time = generation_time_opts(serial_interval_ebola),
-  delays = delay_opts(incubation_period_ebola)
+  generation_time = EpiNow2::generation_time_opts(serial_interval_ebola),
+  delays = EpiNow2::delay_opts(incubation_period_ebola)
 )
 
 plot(epinow_estimates_egi)
@@ -858,12 +869,12 @@ influenza_cleaned <-
   select(date, confirm = in_bed)
 
 # Run epinow()
-epinow_estimates_igi <- epinow(
+epinow_estimates_igi <- EpiNow2::epinow(
   # cases
   data = influenza_cleaned,
   # delays
-  generation_time = generation_time_opts(generation_time_influenza),
-  delays = delay_opts(incubation_time_influenza)
+  generation_time = EpiNow2::generation_time_opts(generation_time_influenza),
+  delays = EpiNow2::delay_opts(incubation_time_influenza)
 )
 
 plot(epinow_estimates_igi)

fig/delays-functions-rendered-unnamed-chunk-16-1.png

@@ -4,9 +4,9 @@
 "config.yaml" "823cd515b78b57be0c6ed75c0a357b26" "site/built/config.yaml" "2025-09-24"
 "index.md" "32bc80d6f4816435cc0e01540cb2a513" "site/built/index.md" "2025-09-22"
 "links.md" "8184cf4149eafbf03ce8da8ff0778c14" "site/built/links.md" "2025-09-22"
-"episodes/delays-access.Rmd" "89f15596d3a7fbcf0649770086f81110" "site/built/delays-access.md" "2025-09-23"
+"episodes/delays-access.Rmd" "5524226a814ce17229d6036171c49a09" "site/built/delays-access.md" "2025-10-08"
 "episodes/quantify-transmissibility.Rmd" "e6b6eff8139d8c2914ffee015abe6007" "site/built/quantify-transmissibility.md" "2025-09-29"
-"episodes/delays-functions.Rmd" "7bc90c3b453e614691a6959c6770ae4d" "site/built/delays-functions.md" "2025-09-24"
+"episodes/delays-functions.Rmd" "fddee719dd2f72208816b2646572a44f" "site/built/delays-functions.md" "2025-10-08"
 "instructors/instructor-notes.md" "ca3834a1b0f9e70c4702aa7a367a6bb5" "site/built/instructor-notes.md" "2025-09-22"
 "learners/reference.md" "9aada1c331ee11f38e078457ba343c62" "site/built/reference.md" "2025-09-22"
 "learners/setup.md" "d472955b863de4966288e2ee7c583ab4" "site/built/setup.md" "2025-10-01"