add edits from update after delivery

episodes/quantify-transmissibility.Rmd

@@ -95,7 +95,7 @@
 
 Faites référence à la distribution de probabilité a priori et à la [probabilité a posteriori](https://en.wikipedia.org/wiki/Posterior_probability) a posteriori.
 
 Dans la ["`Expected change in reports`", l'appel](#expected-change-in-daily-cases) par "la probabilité a posteriori que $R_t < 1$"nous nous référons spécifiquement à la [aire sous la courbe de distribution de la probabilité a posteriori](https://www.nature.com/articles/nmeth.3368/figures/1).
 
 ::::::::::::::::::::::::::::::::::::::::::::::::
 
@@ -103,7 +103,7 @@
 
 ### Données de cas
 
-Pour illustrer les fonctions des `EpiNow2` nous utiliserons les données relatives au début de la pandémie de COVID-19 au Royaume-Uni. Les données sont disponibles dans le package R `{incidence2}`.
+Pour illustrer les fonctions des `EpiNow2` nous utiliserons les données relatives au début de la pandémie de COVID-19 au Royaume-Uni, mais uniquement pour les 90 premiers jours observés. Les données sont disponibles dans le package R `{incidence2}`.
 
 ```{r}
 dplyr::as_tibble(incidence2::covidregionaldataUK)
@@ -117,7 +117,8 @@
 Utilisons `{tidyr}` et `{incidence2}` pour cela :
 
 ```{r, warning=FALSE, message=FALSE}
-cases <- incidence2::covidregionaldataUK %>%
+cases_sliced <- incidence2::covidregionaldataUK %>%
+  dplyr::as_tibble() %>%
   # Preprocess missing values
   tidyr::replace_na(base::list(cases_new = 0)) %>%
   # Compute the daily incidence
@@ -128,12 +129,8 @@
     date_names_to = "date",
     complete_dates = TRUE
   ) %>%
-  # Drop column for {EpiNow2} input format
-  dplyr::select(-count_variable) %>%
   # Keep the first 90 dates
   dplyr::slice_head(n = 90)
-
-cases
 ```
 
 Avec `incidence2::incidence()` nous agrégeons des cas sur différentes périodes de temps (*intervalles*, c'est-à-dire des jours, des semaines ou des mois) ou par groupe. Nous pouvons également obtenir les dates complètes pour tous les intervalles de dates par catégorie de groupe à l'aide de la fonction
@@ -142,7 +139,7 @@
 
 ::::::::::::::::::::::::: spoiler
 
-### Pouvons-nous reproduire {incidence2} avec {dplyr}?
+**Pouvons-nous reproduire {incidence2} avec {dplyr}?**
 
 Nous pouvons obtenir un objet similaire à `cases` à partir de l'objet `incidence2::covidregionaldataUK` à l'aide du package `{dplyr}`.
 
@@ -162,13 +159,17 @@
 Dans une situation d'épidémie, il est probable que nous n'ayons accès qu'au début de l'ensemble des données d'entrée. Nous supposons donc que nous ne disposons que des 90 premiers jours de ces données.
 
 ```{r, echo=FALSE}
-cases %>%
-  # use ggplot2
-  ggplot(aes(x = date, y = confirm)) +
-  geom_col() +
-  theme_grey(
-    base_size = 15
-  )
+plot(cases_sliced)
+```
+
+Pour transmettre les résultats de `{incidence2}` à `{EpiNow2}`, nous devons supprimer une colonne de l'objet `cases_filter` :
+
+```{r}
+# Drop column for {EpiNow2} input format
+cases <- cases_sliced %>%
+  dplyr::select(-count_variable)
+
+cases
 ```
 
 ### Distribution des délais
@@ -216,6 +217,13 @@
 
 L'argument `max` est la valeur maximale que la distribution peut prendre ; dans cet exemple, 20 jours.
 
+Nous pouvons tracer les distributions générées par `{EpiNow2}` en utilisant `plot()`.
+
+```{r}
+plot(incubation_period_fixed)
+```
+
+
 ::::::::::::::::::::::::::::::::::::: callout
 
 ### Pourquoi une distribution gamma ?
@@ -250,6 +258,11 @@
 incubation_period_variable
 ```
 
+Traçons la distribution que nous venons de configurer :
+```{r}
+plot(incubation_period_variable)
+```
+
 #### Retards dans l'établissement des rapports
 
 Après la période d'incubation, il s'écoule un délai supplémentaire entre l'apparition des symptômes et la notification du cas : le délai de déclaration. Nous pouvons le spécifier comme une distribution fixe ou variable, ou estimer une distribution à partir de données.
@@ -268,7 +281,7 @@
 
 :::::::::::::::::::::: spoiler
 
-### Visualisez une distribution log-normale en utilisant {epiparameter}
+**Visualisez une distribution log-normale en utilisant {epiparameter}**
 
 En utilisant `epiparameter::epiparameter()` nous pouvons créer une distribution personnalisée. La distribution normale à logarithme fixe aura l'aspect suivant :
 
@@ -294,24 +307,31 @@
 
 ::::::::::::::::::::::
 
-Nous pouvons tracer les distributions simples et combinées générées par `{EpiNow2}` en utilisant `plot()`. Combinons dans un même graphique le délai entre l'infection et la déclaration, qui comprend la période d'incubation et le délai de déclaration :
+:::::::::::::::::: spoiler
 
-```{r}
-plot(incubation_period_variable + reporting_delay_variable)
-```
-
-:::::::::::::::::: callout
+**Comment obtenir le délai de reporting à partir des données ?**
 
 Si l'on dispose de données sur le délai entre l'apparition des symptômes et la déclaration, on peut utiliser la fonction `estimate_delay()` pour estimer une distribution log-normale à partir d'un vecteur de délais. Le code ci-dessous illustre comment utiliser la fonction `estimate_delay()` avec des données synthétiques sur les délais.
 
 ```{r, eval=FALSE}
-delay_data <- rlnorm(500, log(5), 1) # synthetic delay data
+library(tidyverse)
 
-reporting_delay <- EpiNow2::estimate_delay(
-  delay_data,
-  samples = 1000,
-  bootstraps = 10
-)
+# Steps:
+# - get Ebola data from package {outbreaks}
+# - keep a subset of columns for this example only
+# - calculate the time difference between two dates in linelist
+# - extract the time difference as a vector class object
+# - estimate the delay parameters using {EpiNow2}
+
+outbreaks::ebola_sim_clean$linelist %>%
+  tibble::as_tibble() %>%
+  dplyr::select(case_id, date_of_onset, date_of_hospitalisation) %>%
+  dplyr::mutate(reporting_delay = date_of_hospitalisation - date_of_onset) %>%
+  dplyr::pull(reporting_delay) %>%
+  EpiNow2::estimate_delay(
+    samples = 1000,
+    bootstraps = 10
+  )
 ```
 
 ::::::::::::::::::
@@ -572,7 +592,7 @@
 estimates_regional$summary$plots$R
 ```
 
 ![](fig/quantify-transmissibility-regional.png)
 
 ::::::::::::