Publicado | Última actualización:
¿Sabías que la función exponencial, exp(-5), es aproximadamente igual a 0.0067389? Esto demuestra el gran potencial de R en la investigación epidemiológica. R es un lenguaje de programación gratuito y de código abierto que ha transformado la forma en que realizamos la vigilancia epidemiológica y estudiamos la dinámica de las enfermedades infecciosas.
Ahora, gracias al fácil acceso a las herramientas de datos, los expertos en salud utilizan mucho R. Se diferencia del software comercial porque es un proyecto colaborativo y en constante mejora. R es ideal para crear gráficos complejos y de alta calidad que muestren tendencias importantes en la dinámica de las enfermedades infecciosas.

Para quienes se inician en el modelado epidemiológico , existen excelentes recursos como Logistic Regression Insights . El paquete Epicalc para R facilita tareas como la creación de gráficos, el cálculo del tamaño de la muestra y el trazado de curvas ROC.
Puntos Clave
- Programación R es clave para avances epidemiológicos Visualización de datos y modelado.
- R puede manejar muchos conjuntos de datos a la vez, lo que brinda información detallada sobre la dinámica de las enfermedades.
- R se diferencia del software comercial porque está impulsado por la comunidad y siempre mejora.
- Epicalc aumenta las capacidades de R, ofreciendo herramientas para el manejo de datos, gráficos y estadísticas.
- Hay recursos y talleres para ayudar a los expertos en salud a utilizar R plenamente para vigilancia de enfermedades y otros estudios.
Introducción a R para el análisis de datos epidemiológicos
El análisis de datos epidemiológicos es fundamental para mejorar la investigación en salud pública. Implica recopilar, organizar, visualizar y modelar datos de manera eficaz. Los métodos tradicionales que utilizan software comercial son costosos. Por ello, R, un software de código abierto , se convierte en una alternativa esencial.
La importancia del análisis de datos en epidemiología
El análisis de datos es crucial en epidemiología. Ayuda a comprender los patrones, causas y efectos de la salud y las enfermedades. Con datos complejos, son esenciales herramientas analíticas sólidas. R ayuda a los investigadores con datos complejos, modelos predictivos y estadísticas.
Desafíos en el uso de software comercial
El software estadístico comercial suele ser demasiado caro. Esto supone un obstáculo financiero para investigadores e instituciones, especialmente en países pobres. Muchos utilizan copias no autorizadas, lo que pone en riesgo la integridad de los datos y genera problemas legales. Además, estas herramientas pueden ser inflexibles, lo que limita su uso en diversos contextos de investigación. Esto pone de manifiesto la necesidad de alternativas de código abierto.
El surgimiento de R como herramienta clave
R se ha convertido en una opción predilecta gracias a su naturaleza gratuita y sus potentes funcionalidades. Se introdujo hace más de veinte años y ha evolucionado significativamente desde entonces. Con la actualización a R 4.0.0 en abril de 2020, se ha consolidado como una herramienta fundamental para el análisis de datos epidemiológicos.
R cuenta con el respaldo de expertos globales y ofrece herramientas como ggplot2 para visualización y Epicalc para cálculos epidemiológicos. Estas herramientas se utilizan en talleres en varios países, mejorando la calidad de la investigación y promoviendo la colaboración global.
| Elemento | R | Software comercial |
|---|---|---|
| Costo | Free | Alto |
| Flexibilidad | Alto | Moderado |
| Soporte Global | Cursos | Limitada |
| personalización | Alto | Minimo |
| Bibliotecas y paquetes | CRAN, bioconductor | Específico del proveedor |
Introducción a la programación en R
Para iniciarte en la programación con R, necesitas aprender sobre RStudio . RStudio es un entorno de desarrollo integrado (IDE) diseñado para R, que te ayuda a gestionar proyectos y código fácilmente. Es gratuito y excelente para cálculos estadísticos y la creación de gráficos. Los principiantes deben familiarizarse con la interfaz de línea de comandos (CLI) para aprovechar al máximo el potencial de R.
Introducción a R y RStudio
RStudio hace que trabajar con R sea fácil y divertido. Cuenta con una interfaz sencilla y herramientas para el análisis y la visualización de datos. Sus autores, con más de 30 años de experiencia docente, han simplificado el uso de R para estudiantes e investigadores. Cursos como estadística básica y avanzada se benefician enormemente del entorno intuitivo de RStudio.
Instalación de paquetes necesarios
Para empezar a programar en R , es necesario instalar paquetes de R. Estos paquetes de CRAN añaden herramientas adicionales para análisis específicos. El libro utiliza R 4.2.2 y RStudio 2022.07.2, manteniéndose al día con las últimas versiones de R. Por ejemplo, se utiliza Epipackage 1.1.49 para epidemiología, con métodos y datos importantes para la investigación en salud.
Comandos básicos y sintaxis
Conocer los comandos y la sintaxis básicos es fundamental para el cálculo estadístico en R. La hoja de comandos de R facilita la creación de datos, las funciones matemáticas, la representación gráfica y el análisis estadístico. El curso EPID 701 enseña R, RStudio y programación. Utiliza conjuntos de datos y preguntas familiares para ayudar a los estudiantes a aprender.
Uso de R para visualización y modelado de datos epidemiológicos
R es una herramienta poderosa para convertir datos complejos en visualizaciones claras. Ofrece una amplia gama de funciones para realizar gráficos y puede crear gráficos que estén listos para su publicación. Esto lo convierte en la mejor opción para los epidemiólogos.
Ventajas de R para visualización
R es uno de los favoritos entre los epidemiólogos por su amplia gama de herramientas de visualización. Con paquetes como ggplot2, puedes crear gráficos detallados e interactivos. Estas herramientas son esenciales para mostrar datos de una manera que ayude a comprender las tendencias de las enfermedades e informar las decisiones de salud.
Muchos expertos, incluidos los del Instituto de Graduados en Epidemiología y Bioestadística de Johns Hopkins, sugieren utilizar R por sus potentes herramientas de visualización.
Funciones gráficas clave en R
Las funciones gráficas de R ofrecen una amplia variedad de gráficos y gráficos. Puede crear de todo, desde simples gráficos de barras hasta complejos diagramas de dispersión y mapas de calor. Funciones como `plot()`, `ggplot()` y `hist()` son clave para crear estos elementos visuales.
Los epidemiólogos utilizan herramientas como "EpiModel", "EpiContactTrace" y "epiDisplay" para modelar y visualizar cómo se propagan las enfermedades.
Creación de gráficos con calidad de publicación
Crear gráficos que estén listos para su publicación es crucial en epidemiología. R es excelente para crear estos gráficos al ofrecer varias formas de refinarlos y personalizarlos. Agregar símbolos y temas personalizados es importante para que las tramas se destaquen en las publicaciones de primer nivel.
Cursos como el de Coursera del Imperial College London y el curso en línea de Frank Harrell enseñan cómo dominar estas habilidades.
| Recursos | Mareas Ideales para Lecciones |
|---|---|
| Manual del epidemiólogo R | Una introducción moderna a R para epidemiología aplicada y salud pública. |
| Ciencia de datos de salud poblacional con R | Recomienda utilizar R para un marco de sistema en salud de la población |
| Vista de tareas CRAN: Epidemiología | Una extensa lista de paquetes específicos para epidemiología, mantenida por expertos. |
| Recursos brillantes | Incluye el tutorial RStudio Shiny y el libro Mastering Shiny para interacción Visualización de datos |
Gestión y manipulación de datos con R
Trabajar con conjuntos de datos grandes y complejos requiere una buena gestión de datos. R ofrece potentes herramientas para la gestión de datos . Estas herramientas facilitan la importación, limpieza, transformación y análisis de los datos.
Manejo de grandes conjuntos de datos
R es excelente para manejar grandes conjuntos de datos. Paquetes como data.table facilitar el trabajo con grandes conjuntos de datos. Ayudan a ordenar, fusionar y seleccionar datos rápidamente.
- Usar
data.tablepara un mejor rendimiento en grandes conjuntos de datos. - Utilice la administración de memoria de R para manejar bien sus datos.
Técnicas de limpieza y transformación de datos
La limpieza y transformación de los datos es fundamental antes de poder analizarlos. R cuenta con potentes funciones para la manipulación y transformación de datos , lo que garantiza que estos estén limpios y listos para el análisis.
- Usar
dplyrpara la manipulación de datos: filtrar, seleccionar, mutar, resumir. - Usar
tidyrpara remodelar y ordenar conjuntos de datos. - Aplicar funciones de manipulación de cadenas desde el
stringrPack
R también es excelente para la manipulación avanzada de datos . Es una de las herramientas preferidas por los analistas de datos. Para más detalles, consulta esta guía sobre las mejores herramientas para investigadores de software estadístico . R es una herramienta clave para la ciencia de datos y el análisis estadístico.
En resumen:
- R es excelente para manejar grandes conjuntos de datos con
data.table. - La limpieza y transformación de datos se hace más fácil con
dplyrytidyr. - R tiene todo lo que necesita para un análisis de datos exhaustivo. Es esencial para los campos basados en datos.
Modelos epidemiológicos comunes en R
Comprender y utilizar diferentes modelos epidemiológicos es fundamental para un buen análisis de datos y una gestión eficaz de las enfermedades. Con R Predictive Models , los investigadores pueden usar la computación estadística para crear modelos robustos. Estos modelos son vitales para la salud pública.
Modelos Descriptivos
El modelado descriptivo es fundamental en epidemiología. Proporciona una primera aproximación a los datos mediante representaciones visuales y estadísticas descriptivas. El paquete EpiModel en R incluye herramientas para construir y simular modelos de manera eficaz. Esto garantiza que los investigadores puedan trabajar con datos descriptivos con precisión.
Uso de R para el modelado epidemiológico: R ayuda a mostrar y explorar conjuntos de datos con precisión.
Modelos analíticos
Los modelos analíticos son fundamentales para encontrar vínculos y causas en estudios epidemiológicos. Modelos como los modelos lineales generalizados y las regresiones de Poisson muestran cómo se relacionan las variables. Las amplias capacidades de R facilitan el modelado descriptivo y las tareas analíticas.
Los modelos de red, como los ERGM, muestran interacciones complejas. Ayudan a comprender enfermedades como el VIH y las ITS.
Modelos predictivos
Los modelos predictivos son fundamentales para pronosticar epidemias y gestionar intervenciones sanitarias. EpiModel utiliza métodos avanzados como los modelos de correlación cruzada (ICM) y los modelos de red. Con R, puede crear modelos predictivos para predecir la propagación de enfermedades. Estos modelos utilizan simulaciones de redes dinámicas para mejorar las predicciones epidemiológicas.
Los DCM en R son otro método potente para el modelado epidemiológico . Utilizan ecuaciones diferenciales para mostrar cómo las enfermedades evolucionan a través de diferentes estados. La capacidad de cálculo de R ayuda a desarrollar, simular y analizar estos importantes modelos.
"El paquete EpiModel integra avances recientes en métodos estadísticos para el análisis de redes, específicamente modelos de gráficos aleatorios exponenciales temporales, para modelar la propagación de epidemias en las redes".
Técnicas avanzadas de modelización epidemiológica
R es una herramienta poderosa para investigadores que necesitan comprender datos médicos complejos. Ofrece técnicas avanzadas como la regresión logística multinomial , la regresión logística ordinal y el análisis de supervivencia con el modelo de riesgos proporcionales de Cox. Estos métodos mejoran la precisión del modelo y brindan una comprensión más profunda de los resultados de salud.

Regresión logística multinomial
La regresión logística multinomial se utiliza cuando existen más de dos categorías de resultados. Por ejemplo, ayuda a estudiar cómo los diferentes factores de riesgo afectan a los distintos tipos de enfermedades. Este método forma parte de las técnicas epidemiológicas avanzadas . Permite controlar otros factores y comprender relaciones de datos complejas.
Regresión logística ordinal
La regresión logística ordinal es excelente para resultados como las etapas del cáncer o los niveles de gravedad de la enfermedad. Analiza cómo los factores influyen en la posibilidad de estar en una categoría superior o inferior. El uso de este método hace que sus modelos sean más precisos y detallados.
Análisis de supervivencia y modelo de riesgos proporcionales de Cox
El análisis de supervivencia , especialmente con el modelo de riesgos proporcionales de Cox, es fundamental para comprender cuándo ocurren los eventos. Muestra cómo los factores influyen en el tiempo transcurrido hasta un evento, como la muerte o una recaída. Este método es vital para estudiar los factores de riesgo y las tasas de supervivencia.
Cursos como Métodos Bioestadísticos para la Investigación Clínica II (BIOSTAT 208) enseñan a manejar múltiples factores simultáneamente. Utilizan la regresión logística para controlar las variables de confusión. El curso Uso de Datos de Registros Electrónicos de Salud para la Investigación (EPI 231) enseña a gestionar grandes conjuntos de datos y a formular las preguntas de investigación adecuadas. Estos cursos son esenciales para utilizar correctamente las técnicas epidemiológicas avanzadas.
Herramientas de visualización en R para epidemiología
En la investigación epidemiológica, mostrar datos complejos con claridad es fundamental. R cuenta con herramientas potentes para ello, especialmente ggplot2 , conocida por crear visualizaciones personalizables de alta calidad.
Usando ggplot2 para trazar
El paquete ggplot2 es una de las mejores opciones para la representación gráfica de datos en epidemiología . Es flexible y preciso a la hora de mostrar datos. Permite crear gráficos de barras, diagramas de dispersión y mapas detallados, lo que lo convierte en una herramienta fundamental para el análisis visual en epidemiología.
Creación de pirámides de población y curvas ROC
Las pirámides de población ofrecen información demográfica importante. Con ggplot2, puedes crear pirámides que muestren la edad y el sexo de una población. Las curvas ROC también son fundamentales para evaluar el rendimiento. ggplot2 facilita la creación de estas curvas, lo cual es ideal para estudios epidemiológicos.
Automatización de salidas gráficas con Epicalc
La automatización de la creación de gráficos es fundamental para la eficiencia. Epicalc en R lo hace muy bien, ofreciendo herramientas para la generación automática de gráficos epidemiológicos. Esto ahorra tiempo y garantiza que los datos se presenten de forma coherente y precisa. Con los resultados automatizados, los investigadores pueden profundizar en el análisis de datos de salud pública.
Estadísticas recientes muestran que R tiene 98 paquetes para epidemiología, con Epitools y Epi entre los más descargados. Esto resalta su importancia en el campo.
Estudios de casos y aplicaciones
R se ha convertido en una herramienta clave en el estudio de enfermedades, especialmente en el análisis de datos complejos. Los investigadores utilizan R para comprender y mostrar datos de situaciones del mundo real. Esto incluye el seguimiento de enfermedades y el análisis de brotes.
El conjunto de datos de Wuhan, China, sobre el nuevo coronavirus es un gran ejemplo. Tiene información sobre síntomas, fechas importantes, historial de viajes y detalles como edad y sexo. Estos datos ayudan a los expertos a utilizar R para analizar los brotes en profundidad.
Este conjunto de datos también incluye información geográfica hasta el nivel de distrito. Esto ayuda a compartir información sobre riesgos durante los brotes. Al utilizar herramientas como Google Maps, los investigadores pueden rastrear la propagación de enfermedades y mostrar datos en un mapa en tiempo real.
Los diferentes países comparten datos de diferentes maneras, lo que puede dificultar la comparación de los datos. Pero R ayuda a reunir y estandarizar estos datos. Esto facilita la observación de casos sin síntomas y otras tendencias.
"R ha cambiado la forma en que analizamos y modelamos los datos de enfermedades, permitiéndonos encontrar información importante rápidamente en un escenario de salud que cambia rápidamente", dice un experto en salud.
Los estudios en esta área tienen como objetivo responder grandes preguntas. Por ejemplo:
- P1: Analizar las tendencias de representación de datos epidémicos para identificar los propósitos de las técnicas de visualización.
- P2: Clasificación de artículos basándose en técnicas de visualización utilizadas para datos epidemiológicos espaciales.
- P3: Estudiar tendencias en la visualización de datos epidemiológicos temporales, incluidas series temporales y filtros interactivos.
El papel de R en estos estudios es claro. Mostrar casos por ubicación en línea ayuda a rastrear enfermedades. Los datos se actualizan con frecuencia gracias a lugares como Github, lo que permite el análisis en tiempo real.
Para quienes estén interesados en aprender más, consulten ejemplos y métodos detallados sobre cómo R aborda los desafíos de la salud.
| Aspecto | Detalles |
|---|---|
| Fuentes de conjuntos de datos | Fuentes gubernamentales, artículos científicos, informes en línea. |
| Metadatos geográficos | Estandarizado con Google Maps/Earth |
| Formatos de datos | Formato CSV accesible en figshare, Google Drive, Github |
| Preguntas de visualización | Tendencias en la visualización de datos temporales y espaciales, datos individuales versus datos agregados, herramientas utilizadas |
En resumen, la capacidad de R para manejar y mostrar datos de enfermedades ayuda enormemente a combatir los brotes y mejorar las respuestas sanitarias. Estos estudios de R muestran su papel clave en la comprensión y lucha contra las enfermedades.
Capacitación y recursos para aprender R
Learning R ofrece una amplia gama de recursos tanto para usuarios nuevos como experimentados. Estos recursos incluyen tutoriales interactivos y un fuerte apoyo de la comunidad. Proporcionan una formación integral que hace que el aprendizaje sea efectivo y continuo.
Tutoriales y cursos interactivos
Los tutoriales interactivos de R son fundamentales en el proceso de aprendizaje. Agencias de salud y universidades de todo el mundo los utilizan para capacitar a su personal. El Manual de Epidemiología ofrece una introducción práctica a R. Los talleres en las mejores universidades abarcan temas importantes como la regresión de cuantiles y el análisis de mediación causal.
Estos talleres, de 8:30 a 12:30 horas, están dirigidos a principiantes y a personas con cierta experiencia.
Soporte comunitario y recursos en línea
La comunidad R es conocida por su sólida red de apoyo. Es un lugar donde los usuarios comparten ideas y crean nuevos paquetes. Grupos como R-Ladies trabajan para aumentar la diversidad y el apoyo en la comunidad R.
El proyecto R4Epis proporciona herramientas para la limpieza, el análisis y la generación de informes de datos en entornos de emergencia. Dentro de RStudio, el panel Tutorial y varias hojas de referencia ofrecen guías rápidas sobre temas clave de R.

Libros y manuales sobre R para epidemiología
Los libros y manuales son fundamentales para el aprendizaje profundo. "R for Data Science", de Garrett Grolemund y Hadley Wickham, es un texto clave. Ofrece una introducción completa a R. Los recursos de RStudio, como las hojas de referencia descargables, facilitan la visualización y transformación de datos .
El crecimiento constante de la comunidad R significa que los materiales de aprendizaje se mantienen actualizados y relevantes.
A continuación se presenta un resumen de algunos talleres y recursos de capacitación clave:
| Taller | Duración de tiempo | Nivel objetivo | Contenido de los ensayos | Presentadores |
|---|---|---|---|---|
| Regresión cuantil | 8:30 am – 12:30 pm | Intermedio | Teoría de la regresión cuantil | Universidad de California San Francisco |
| Exposiciones mixtas | 8:30 am – 12:30 pm | Intermedio | Estudios de exposición mixta | Columbia Uiversity |
| Análisis de mediación causal | 8:30 am – 12:30 pm | Principiante | Análisis de mediación causal | Universidad de Stanford |
| Cuasi-experimentos | 8:30 am – 12:30 pm | Principiante | Diseños Cuasi-Experimentales | Instituto de Salud Global de Duke |
Conclusión
R ha cambiado la forma en que analizamos los datos de salud, haciéndolos más fáciles de entender y usar. Herramientas como las de la Universidad Johns Hopkins permiten a los investigadores trabajar con grandes conjuntos de datos. Esto ayuda a tomar decisiones rápidas y mejorar la atención médica.
La COVID-19 nos demostró la importancia de contar con buenas herramientas de análisis de datos. Sitios como COVID19-World evidencian la vital importancia de la información actualizada. Con R, los expertos pueden obtener una visión clara de la propagación de la enfermedad a nivel mundial. Esto ayuda a combatir los brotes al permitir saber qué medidas tomar, como mantener la distancia social, lavarse las manos y usar mascarillas.
R también ayuda con algo más que combatir enfermedades. Aclara las estrategias de salud mediante el uso de elementos visuales. Por ejemplo, analizar cómo los genes y el medio ambiente afectan las alergias muestra cuán complejos pueden ser los problemas de salud. Las herramientas de R, como mapas interactivos y modelos detallados, son clave para abordar los problemas de salud.
Preguntas Frecuentes
¿Cuáles son las ventajas de utilizar R para la visualización y modelado de datos epidemiológicos?
R es excelente para hacer gráficos y manejar muchos datos a la vez. Ayuda a crear tramas de aspecto profesional. Esto facilita la comprensión y el seguimiento de las enfermedades y mejora la forma en que detectamos los brotes.
¿Cómo beneficia la programación R a los investigadores de los países en desarrollo?
R es gratuito y de código abierto, lo que supone una gran ayuda para los investigadores de los países pobres que no pueden permitirse el lujo de adquirir software caro. Hace que trabajar con datos sea más eficiente y ayuda a presentar mejor los hallazgos, gracias a herramientas como Epicalc.
¿Cuál es la importancia del análisis de datos en epidemiología?
El análisis de datos es clave en la investigación en salud pública. Nos ayuda a ver patrones de enfermedades, encontrar factores de riesgo y tomar decisiones inteligentes para prevenir y controlar enfermedades. Un buen análisis significa que podemos utilizar mejor nuestros recursos y orientar bien los esfuerzos de salud.
¿Qué pasos iniciales son necesarios para comenzar con la programación en R?
Para comenzar con R, conozca la interfaz de RStudio y cómo instalar paquetes desde CRAN. Primero, aprenda los conceptos básicos de los comandos y la sintaxis de R. Estos pasos son importantes para trabajar con datos correctamente y analizarlos bien.
¿Cuáles son los desafíos comunes del software estadístico comercial en la investigación epidemiológica?
El software comercial puede resultar demasiado caro y difícil de conseguir para muchos investigadores, especialmente en los países pobres. El uso de software sin permiso también puede generar problemas legales y éticos, lo que dificulta la investigación.
¿Cómo mejora R la presentación de datos epidemiológicos?
R permite a los investigadores crear gráficos detallados y de aspecto profesional con fórmulas y símbolos matemáticos. Esto hace que compartir los resultados de las investigaciones sea claro y fácil de leer, lo que hace que los estudios epidemiológicos sean más eficaces.
¿Cuáles son algunas de las funciones gráficas clave en R que se utilizan para la visualización de datos epidemiológicos?
ggplot2 es un paquete de referencia para crear gráficos complejos como pirámides de población y curvas ROC . El paquete Epicalc también incluye herramientas para la creación sencilla de gráficos, lo que facilita la visualización de datos epidemiológicos.
¿Cómo se pueden gestionar y manipular grandes conjuntos de datos en R?
R es ideal para grandes conjuntos de datos. Permite a los usuarios limpiar, transformar y ordenar datos fácilmente. Los paquetes en R ayudan a crear y administrar marcos de datos, preparando los datos para el análisis.
¿Cuáles son algunos modelos epidemiológicos comunes aplicados en R?
R admite muchos modelos para diferentes necesidades epidemiológicas. Estos incluyen modelos descriptivos, analíticos y predictivos. Ayudan a los investigadores a comprender mejor los patrones de enfermedades.
¿Qué técnicas de modelado avanzadas están disponibles en R para investigaciones epidemiológicas?
Se dispone de técnicas avanzadas como la regresión logística multinomial y ordinal, y el análisis de supervivencia . Estos métodos ayudan a estudiar los factores de riesgo y las tasas de supervivencia, lo que permite una comprensión más profunda de las enfermedades infecciosas.
¿Qué recursos están disponibles para aprender R?
Hay muchas formas de aprender R, como tutoriales interactivos, cursos, soporte comunitario y libros. Estos recursos ayudan tanto a principiantes como a expertos a mejorar sus habilidades en el análisis epidemiológico.
Enlaces de origen
- https://cran.r-project.org/doc/contrib/Epicalc_Book.pdf – Análisis de Datos Epidemiológicos utilizando R y Epicalc
- https://learnr.web.unc.edu/r-for-epi-workshop/ – Taller R para Epi – EPID 701: R para Epidemiólogos
- https://epirhandbook.com/ – Manual del epidemiólogo R
- https://www.routledge.com/Data-Science-for-Infectious-Disease-Data-Analytics-An-Introduction-with-R/Wang/p/book/9781032187426 – Ciencia de datos para el análisis de datos de enfermedades infecciosas: una introducción con R
- https://ejurnal.r2z-scientificpublishing.com/index.php/jhse/article/download/9/9/75 - PDF
- https://bookdown.org/drki_musa/dataanalysis/ – Análisis de Datos en Medicina y Salud utilizando R
- https://bendixcarstensen.com/Epi/R-intro.pdf - PDF
- https://learnr.web.unc.edu/ – EPID 701: R para Epidemiólogos
- https://rviews.rstudio.com/2021/06/02/r-for-public-health/ – R de Salud Pública
- https://cran.r-project.org/view=Epidemiology – Vista de tareas CRAN: Epidemiología
- https://bitbaroda.in/home/course/data-analytics-using-r-course – Curso de análisis de datos usando R
- https://medium.com/@reza.shokrzad/r-programming-in-action-advancing-data-science-and-machine-learning-1c14a64cdd82 – Programación R en acción: avances en la ciencia de datos y el aprendizaje automático
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5931789/ – EpiModel: un paquete R para el modelado matemático de enfermedades infecciosas a través de redes
- https://academic.oup.com/jrsssa/article/186/4/895/7024688 – Epidemiología Con R
- https://epibiostat.ucsf.edu/individual-courses – Cursos individuales
- https://fdc-k.org/trainings/3211/Advanced-Epidemiology-and-Biostatistics-with-ODK-R-Python-Stata-SPSS-Excel-NVivo-Power-BI-and-GIS/Research-and-Data-Analysis/4561 – Epidemiología y Bioestadística avanzadas con ODK, R, Python, Stata, SPSS, Excel, NVivo, Power BI y GIS
- https://www.linkedin.com/pulse/simple-epidemiological-modeling-sas-r-python-samuel-croker – Modelado epidemiológico simple en SAS, R y Python
- https://rviews.rstudio.com/2020/05/20/some-r-resources-for-epidemiology/ – Una visión R de la epidemiología
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6509961/ – Curvas epidémicas simplificadas gracias al paquete de incidencia R
- https://www.gideononline.com/blogs/less-prep-more-insights-gideon-r-for-epidemiology-related-research/ – R de Investigación en Epidemiología | GEDEÓN
- https://www.nature.com/articles/s41597-020-0448-0 – Datos epidemiológicos del brote de COVID-19, información de casos en tiempo real – Datos científicos
- https://www.mdpi.com/2227-7080/12/3/31 – Visualización de datos epidemiológicos espaciales y temporales: una revisión del alcance
- https://epiresearch.org/annual-meeting/2024-meeting/2024-workshops/ – Talleres 2024 – Sociedad de Investigación Epidemiológica
- https://epirhandbook.com/new_pages/basics.html – Manual del epidemiólogo R – Conceptos básicos de las 3 R
- https://rviews.rstudio.com/2020/03/05/covid-19-epidemiology-with-r/ – Epidemiología de COVID-19 con R
- https://bookdown.org/jbrophy115/bookdown-clinepi/vis.html – Capítulo 3 Análisis exploratorio de datos – Visualización de datos | (Mayormente clínica) Epidemiología con R
- https://journal.r-project.org/archive/2018/RJ-2018-036/RJ-2018-036.pdf - PDF
