Analyse de l’incidence du syndrôme grippal
+Alexandre Changenet
+02/04/2021
+ +Préparation des données
+Les données de l’incidence du syndrome grippal sont disponibles du site Web du Réseau Sentinelles. Nous les récupérons sous forme d’un fichier en format CSV dont chaque ligne correspond à une semaine de la période demandée. Nous téléchargeons toujours le jeu de données complet, qui commence en 1984 et se termine avec une semaine récente. L’URL est:
+data_url = "http://www.sentiweb.fr/datasets/incidence-PAY-3.csv"Voici l’explication des colonnes donnée sur le sur le site d’origine:
+| Nom de colonne | +Libellé de colonne | +
|---|---|
week |
+Semaine calendaire (ISO 8601) | +
indicator |
+Code de l’indicateur de surveillance | +
inc |
+Estimation de l’incidence de consultations en nombre de cas | +
inc_low |
+Estimation de la borne inférieure de l’IC95% du nombre de cas de consultation | +
inc_up |
+Estimation de la borne supérieure de l’IC95% du nombre de cas de consultation | +
inc100 |
+Estimation du taux d’incidence du nombre de cas de consultation (en cas pour 100,000 habitants) | +
inc100_low |
+Estimation de la borne inférieure de l’IC95% du taux d’incidence du nombre de cas de consultation (en cas pour 100,000 habitants) | +
inc100_up |
+Estimation de la borne supérieure de l’IC95% du taux d’incidence du nombre de cas de consultation (en cas pour 100,000 habitants) | +
geo_insee |
+Code de la zone géographique concernée (Code INSEE) http://www.insee.fr/fr/methodes/nomenclatures/cog/ | +
geo_name |
+Libellé de la zone géographique (ce libellé peut être modifié sans préavis) | +
La première ligne du fichier CSV est un commentaire, que nous ignorons en précisant skip=1. ### Téléchargement la ligne suivante n’est pas exécuté
data = read.csv(data_url, skip=1)Afin que l’analyse soit complètement reproductible, plutot que de télécharger les données à chaque fois, nous chargeons le fichier téléchargé en local (pour être sur qu’il ne change pas, ou pour que l’on puisse s’assurer qu’il a changer ou pas.)
+data <- read.csv("~/Google Drive/Cours/mooc-rr/module3/incidence-PAY-3.csv", comment.char="#")Regardons ce que nous avons obtenu:
+head(data)## week indicator inc inc_low inc_up inc100 inc100_low inc100_up geo_insee
+## 1 202112 3 36542 30199 42885 55 45 65 FR
+## 2 202111 3 25206 20860 29552 38 31 45 FR
+## 3 202110 3 19539 15951 23127 30 25 35 FR
+## 4 202109 3 17572 13926 21218 27 21 33 FR
+## 5 202108 3 20882 16907 24857 32 26 38 FR
+## 6 202107 3 22393 18303 26483 34 28 40 FR
+## geo_name
+## 1 France
+## 2 France
+## 3 France
+## 4 France
+## 5 France
+## 6 Francetail(data)## week indicator inc inc_low inc_up inc100 inc100_low inc100_up
+## 1895 198449 3 101073 81684 120462 184 149 219
+## 1896 198448 3 78620 60634 96606 143 110 176
+## 1897 198447 3 72029 54274 89784 131 99 163
+## 1898 198446 3 87330 67686 106974 159 123 195
+## 1899 198445 3 135223 101414 169032 246 184 308
+## 1900 198444 3 68422 20056 116788 125 37 213
+## geo_insee geo_name
+## 1895 FR France
+## 1896 FR France
+## 1897 FR France
+## 1898 FR France
+## 1899 FR France
+## 1900 FR FranceY a-t-il des points manquants dans nos données ?
+na_records = apply(data, 1, function (x) any(is.na(x)))
+data[na_records,]## week indicator inc inc_low inc_up inc100 inc100_low inc100_up geo_insee
+## 1664 198919 3 0 NA NA 0 NA NA FR
+## geo_name
+## 1664 FranceLes deux colonnes qui nous intéressent sont week et inc. Vérifions leurs classes:
class(data$week)## [1] "integer"class(data$inc)## [1] "integer"Ce sont des entiers, tout va bien !
+Conversion des numéros de semaine
+La gestion des dates est toujours un sujet délicat. Il y a un grand nombre de conventions différentes qu’il ne faut pas confondre. Notre jeux de données utilise un format que peu de logiciels savent traiter: les semaines en format ISO-8601. En R, il est géré par la bibliothèque parsedate:
library(parsedate)Pour faciliter le traitement suivant, nous remplaçons ces semaines par les dates qui correspondent aux lundis. Voici une petite fonction qui fait la conversion pour une seule valeur:
+convert_week = function(w) {
+ ws = paste(w)
+ iso = paste0(substring(ws, 1, 4), "-W", substring(ws, 5, 6))
+ as.character(parse_iso_8601(iso))
+}Nous appliquons cette fonction à tous les points, créant une nouvelle colonne date dans notre jeu de données:
data$date = as.Date(convert_week(data$week))Vérifions qu’elle est de classe Date:
class(data$date)## [1] "Date"Les points sont dans l’ordre chronologique inverse, il est donc utile de les trier:
+data = data[order(data$date),]C’est l’occasion pour faire une vérification: nos dates doivent être séparées d’exactement sept jours:
+all(diff(data$date) == 7)## [1] TRUEInspection
+Regardons enfin à quoi ressemblent nos données !
+plot(data$date, data$inc, type="l", xlab="Date", ylab="Incidence hebdomadaire")
Un zoom sur les dernières années montre mieux la localisation des pics en hiver. Le creux des incidences se trouve en été.
+with(tail(data, 200), plot(date, inc, type="l", xlab="Date", ylab="Incidence hebdomadaire"))
L’incidence annuelle
+Calcul
+Étant donné que le pic de l’épidémie se situe en hiver, à cheval entre deux années civiles, nous définissons la période de référence entre deux minima de l’incidence, du 1er août de l’année \(N\) au 1er août de l’année \(N+1\). Nous mettons l’année \(N+1\) comme étiquette sur cette année décalée, car le pic de l’épidémie est toujours au début de l’année \(N+1\). Comme l’incidence de syndrome grippal est très faible en été, cette modification ne risque pas de fausser nos conclusions. L’argument na.rm=True dans la sommation précise qu’il faut supprimer les points manquants. Ce choix est raisonnable car il n’y a qu’un seul point manquant, dont l’impact ne peut pas être très fort.
pic_annuel = function(annee) {
+ debut = paste0(annee-1,"-08-01")
+ fin = paste0(annee,"-08-01")
+ semaines = data$date > debut & data$date <= fin
+ sum(data$inc[semaines], na.rm=TRUE)
+ }Nous devons aussi faire attention aux premières et dernières années de notre jeux de données. Les données commencent en octobre 1984, ce qui ne permet pas de quantifier complètement le pic attribué à 1985. Nous l’enlevons donc de notre analyse. Par contre, pour une exécution en octobre 2018, les données se terminent après le 1er août 2018, ce qui nous permet d’inclure cette année.
+annees = 1986:2020Nous créons un nouveau jeu de données pour l’incidence annuelle, en applicant la fonction pic_annuel à chaque année:
inc_annuelle = data.frame(annee = annees,
+ incidence = sapply(annees, pic_annuel))
+head(inc_annuelle)## annee incidence
+## 1 1986 5100540
+## 2 1987 2861556
+## 3 1988 2766142
+## 4 1989 5460155
+## 5 1990 5233987
+## 6 1991 1660832Inspection
+Voici les incidences annuelles en graphique:
+plot(inc_annuelle, type="p", xlab="Année", ylab="Incidence annuelle")
Identification des épidémies les plus fortes
+Une liste triée par ordre décroissant d’incidence annuelle permet de plus facilement repérer les valeurs les plus élevées:
+head(inc_annuelle[order(-inc_annuelle$incidence),])## annee incidence
+## 4 1989 5460155
+## 5 1990 5233987
+## 1 1986 5100540
+## 28 2013 4182265
+## 25 2010 4085126
+## 14 1999 3897443Enfin, un histogramme montre bien que les épidémies fortes, qui touchent environ 10% de la population française, sont assez rares: il y en eu trois au cours des 35 dernières années.
+hist(inc_annuelle$incidence, breaks=10, xlab="Incidence annuelle", ylab="Nb d'observations", main="")
On voit ici le déséquilibre flagrant entre tranche d’âge pour les vivants comme pour les morts. Dans la tranche d’âge la plus élevée on voit clairement que les non fumeurs morts sont surreprésentés en nombre (alors qu’ils représentent une proportion semblables chez les fumeurs).
On remarque que les fumeurs ont une probbailité plus grande de mort que les non fumeurs. On remarque aussi que la probabilité de mort augmente drastiquement avec l’âge (c’est la sénéscence).
On voit ici le déséquilibre flagrant entre tranche d’âge pour les vivants comme pour les morts. Dans la tranche d’âge la plus élevée on voit clairement que les non fumeurs morts sont surreprésentés en nombre (alors qu’ils représentent une proportion semblables chez les fumeurs).