Utilizzo di R per l'analisi dei dati epidemiologici

Sapevate che R, un linguaggio per il calcolo statistico, ha 2000 pacchetti disponibili su CRAN? Questi pacchetti sono ottimi per gli studi epidemiologici e rendono R uno strumento fondamentale per l'analisi dei dati di salute pubblica. È gratuito, il che è un grande vantaggio per i ricercatori che operano in contesti in cui l'acquisto di software costosi non è un'opzione praticabile.

R è gratuito e funziona su Mac OS, Linux e Windows. Ha molte funzionalità per l'analisi e la visualizzazione dei dati. Epidemiologi, statistici e scienziati dei dati possono utilizzare le sue librerie per molti compiti, dalla regressione logistica alla creazione di grafici.

Questo articolo ti mostrerà come utilizzare R per l'analisi dei dati epidemiologici. È adatto sia ai principianti che agli esperti. Imparerai suggerimenti e tecniche per ottenere il massimo da questo potente strumento.

Punti chiave

• R ha molti pacchetti perfetti per studi epidemiologici and analisi dei dati di sanità pubblica.
• È open source, il che lo rende accessibile ai ricercatori ovunque, anche in luoghi con risorse limitate.
• R dispone di modelli statistici avanzati per l'analisi di dati complessi.
• RStudio migliora l'utilizzo di R con il suo ambiente di sviluppo che funziona su diversi sistemi.
• Gli strumenti grafici di R aiutano a creare visualizzazioni di alta qualità, importanti per presentare bene i dati.

Introduzione all'uso di R negli studi epidemiologici

Il linguaggio di programmazione R è una delle scelte migliori per gli studi epidemiologici grazie alla sua versatilità e robustezza. Gestisce efficacemente set di dati complessi. Questo software open-source offre strumenti per la manipolazione dei dati, il calcolo e l'analisi statistica, elementi fondamentali per prendere decisioni informate in materia di salute pubblica.

Perché R è una buona soluzione per l'epidemiologia

Gli epidemiologi adorano R per i suoi potenti strumenti. I pacchetti R come Epicalc semplificano l'analisi dei dati e la creazione di grafici. Epical riduce le voci ripetitive dei set di dati, semplificando la gestione della memoria.

Le funzioni grafiche di R sono ottime per mostrare dati epidemiologici, ma richiedono un po' di apprendimento. Il libro "Utilizzo di R per l'analisi dei dati epidemiologici" mostra come R aiuta con tutorial interattivi. È utilizzato da grandi nomi come il CDC statunitense e l'OMS, a dimostrazione dell'ampio utilizzo e della fiducia di R nell'epidemiologia.

Contesto storico e sviluppo

R è stato creato da Ross Ihaka e Robert Gentleman, dal nome della lingua "S" dei Bell Labs. È diventato uno strumento di punta per l’analisi epidemiologica con l’aiuto di esperti statistici globali.

Il manuale “Utilizzo di R per l’analisi dei dati epidemiologici” ha ricevuto il sostegno di un finanziamento COVID-19 da parte di TEPHINET. Migliaia di volontari e gruppi come EPIET Alumni Network e CDC hanno contribuito a realizzarlo.

Ecco alcuni dei prossimi corsi virtuali su R per l'epidemiologia:

Iniziare con R per l'analisi dei dati epidemiologici

Iniziare il tuo percorso con R per l'analisi dei dati epidemiologici significa configurare gli strumenti giusti. Questa guida ti aiuterà a installare il software R e RStudio per l'analisi dei dati . Imparerai anche come importare i dati in R e come gestirli al meglio.

Installazione di R e RStudio

Innanzitutto è necessario installare R e RStudio per gli studi epidemiologici. R è un linguaggio di programmazione gratuito ottimo per statistiche e grafica. Con RStudio ottieni un ambiente che rende il lavoro con R più semplice ed efficiente.

Inizia scaricando l'ultima R da CRAN. Quindi, installalo in base al tuo sistema (Windows, macOS o Linux). Dopo aver configurato R, scarica e installa RStudio dal suo sito. RStudio semplifica la scrittura di script, la gestione dei dati e la visualizzazione dei risultati.

Con R e RStudio pronti, sei pronto per l'analisi dei dati. Ora, impara come importare i dati in R. Questo ti permetterà di lavorare efficacemente con i set di dati epidemiologici.

Caricamento e gestione dei dati in R

Una volta che hai il software, carica e gestisci i tuoi dati in R. Puoi importare dati da CSV, Excel o SQL con semplici comandi. Ad esempio, usa read.csv() per file CSV o readxl per Excel.

Dopo l'importazione, utilizza gli strumenti di R per lavorare con i tuoi dati. Funzioni come dplyr::filter() and data.table::setDT() aiuto con la pulizia dei dati. Sapere come lavorare con vettori, frame di dati e matrici è fondamentale per gli epidemiologi.

Il corso “Statistical Practice in Epidemiology using R”, dal 3 al 7 giugno 2024, tratterà questi argomenti. Gli esperti ti insegneranno come analizzare i dati nella sanità pubblica in modo efficace.

Padroneggiare l'installazione del software R , la configurazione di RStudio per l'analisi dei dati e l'importazione dei dati in R ti prepara ad affrontare analisi complesse di dati epidemiologici. Questo ti aiuterà a trarre importanti conclusioni per le decisioni in materia di sanità pubblica.

Tecniche di gestione dei dati in R

Un’efficace discussione dei dati è fondamentale nella preparazione dei set di dati epidemiologici. L'uso di R per questa attività offre strumenti potenti per pulire, manipolare e gestire bene i dati.

Pulizia dei set di dati epidemiologici

Prima di iniziare l'analisi, la pulizia dei set di dati è fondamentale per garantire la precisione. Incoerenze e valori mancanti possono compromettere i risultati. IL is.na() la funzione del pacchetto base è ottima per trovare valori mancanti. Anche il filtro funzione dal dplyr Il pacchetto ti consente di concentrarti su parti specifiche dei tuoi dati.

Manipolazione dei frame di dati

R frame di dati sono ottimi per archiviare set di dati epidemiologici perché sono versatili. Funzioni come nrow() and ncol() dal pacchetto base ti aiutano a comprendere la struttura dei tuoi dati. Puoi facilmente aggiungere o rimuovere colonne, filtrare righe e unire set di dati con R frame di dati.

Gestione delle variabili di data e ora

Le variabili di data e ora sono cruciali negli studi epidemiologici. R ha funzioni speciali per la gestione di queste variabili. IL pacchetto TableOne crea un CreateTableOne funzione, utile per creare tabelle di riepilogo, comprese le statistiche di data e ora. Il pacchetto base è summary La funzione fornisce anche riepiloghi dettagliati delle variabili della data, semplificando l'analisi e la visualizzazione.

Utilizzando queste tecniche di elaborazione dati in R, è possibile semplificare la preparazione dei set di dati epidemiologici . Ciò garantisce che i dati siano pronti per un'analisi approfondita e per risultati significativi.

Statistiche descrittive per dati epidemiologici

Comprendere le caratteristiche di base dei set di dati epidemiologici è fondamentale in qualsiasi analisi descrittiva. Utilizzando R, è possibile calcolare statistiche riassuntive come medie, mediane e deviazioni standard. Queste statistiche forniscono informazioni vitali sul set di dati.

È fondamentale ordinare le variabili in tipi numerici e categoriali per un'analisi efficace. R semplifica la gestione dei dati categorici con i fattori. I fattori mantengono l'ordine e gestiscono bene i casi mancanti. È possibile creare fattori da vettori numerici o di caratteri, semplificando l'analisi.

Gestire i dati mancanti e comprendere la distribuzione del set di dati è più semplice con i calcoli della frequenza. Sapere con quale frequenza si verificano le variabili aiuta a individuare i modelli. Le percentuali basate su queste frequenze danno una visione più chiara dei dati. Per i numeri, guardando la media, la mediana e la moda si ottiene un quadro completo:

• Migliori significare è influenzato da valori anomali ma mostra la media.
• Migliori mediano è il valore medio, utile per qualsiasi dimensione di dati e meno influenzato dai valori anomali.
• Migliori modo è il valore più comune, che potrebbe avere molte o nessuna modalità, a dimostrazione della complessità dei dati.

R semplifica queste statistiche con funzioni come mean() and median(). Per esempio:

Per un campione di 100 maschi e 50 femmine, è utile tracciare una curva epidemica dal 26 luglio al 13 dicembre 2022. Tali grafici mostrano come la malattia si diffonde nel tempo. L'ordinamento dei dati per data e il livellamento della densità dei casi rendono le tendenze più chiare. Anche usare colori diversi per maschi e femmine aiuta. Segnare un evento il 31 ottobre 2022 può mostrare punti importanti dell’epidemia.

In un altro set di dati dal 24 febbraio 2020 al 20 luglio 2020, il numero più alto di casi è stato 1834. Una media mobile di 5 giorni mostra come i casi sono cambiati nel tempo. Questi metodi rendono l’analisi descrittiva forte e utile, ponendo le basi per studi statistici più approfonditi e test di ipotesi.

Visualizzazione dei dati epidemiologici con R

La visualizzazione dei dati è fondamentale in epidemiologia. Aiuta a tenere traccia di malattie come COVID-19 e a comprendere le tendenze sanitarie. Gli strumenti di R, in particolare le sue funzionalità di visualizzazione, rendono tutto ciò più semplice.

Creazione di grafici epidemiologici efficaci

Iniziare con dati validi è fondamentale. I dati sul COVID-19 della Johns Hopkins University sono un ottimo esempio. Include casi, guarigioni e decessi provenienti da molti paesi.

L'aggiunta di dati da Wikipedia fornisce uno sguardo più approfondito ai casi locali e importati. Questo ci aiuta a comprendere meglio le tendenze sanitarie.

Utilizzo di ggplot2 per la visualizzazione dei dati

ggplot2 è un'ottima scelta per creare grafici in R. Permette di realizzare diagrammi come istogrammi e diagrammi a dispersione, che ci aiutano a visualizzare chiaramente le tendenze sanitarie.

Ad esempio, mostra come i tassi di mortalità infantile e infantile cambiano nel tempo e per regione. Ciò rende i dati complessi facili da comprendere.

Grazie a gganimate , ggplot2 può anche creare grafici animati. Questo è ottimo per mostrare come si diffondono le malattie o come funzionano gli interventi nel tempo.

Automatizzare i grafici con Epicalc

Epicalc automatizza la creazione di grafici in R. Sfrutta le potenti funzionalità grafiche di R per creare rapidamente riepiloghi dei dati. Questo consente di risparmiare tempo e aiuta gli epidemiologi a individuare velocemente le tendenze più importanti.

Anche la scelta del giusto tipo di grafico è fondamentale. Ad esempio, i grafici a barre e i grafici a torta mostrano i dati in modo diverso. L’obiettivo è utilizzare questi strumenti per ottenere informazioni chiare che aiutino a migliorare la salute pubblica.

Analisi epidemiologica avanzata utilizzando R

L’analisi epidemiologica avanzata in R ci fornisce un potente strumento per ricerche complesse. Riguarda la valutazione del rischio e la modellizzazione delle epidemie. Questi sono fondamentali affinché gli epidemiologi possano prendere decisioni intelligenti con i dati.

Conduzione della valutazione del rischio

La valutazione del rischio in R ci aiuta a calcolare la probabilità di problemi di salute derivanti da determinati fattori di rischio. È fondamentale per la ricerca epidemiologica in R. Utilizzando R, i ricercatori possono analizzare i dati per comprendere le correlazioni tra rischi e malattie, garantendo risultati accurati e affidabili.

Modellazione delle epidemie di malattie

La modellazione delle epidemie in R è vitale per la ricerca epidemiologica. Permette ai ricercatori di simulare le epidemie e capire come si diffondono le malattie. Con R, i funzionari sanitari possono pianificare e agire per impedire la diffusione delle malattie. Gli strumenti di modellazione di R sono potenti per prevedere e gestire le epidemie.

Diamo un'occhiata al motivo per cui questi metodi avanzati sono importanti. Le migliori scuole offrono programmi dettagliati che coprono questi argomenti:

Modellazione statistica in R per l'epidemiologia

R è un potente strumento per la modellizzazione statistica in epidemiologia. Offre molte tecniche per analizzare dati complessi. L’analisi di regressione, i modelli di sopravvivenza e i quadri multilivello sono fondamentali per consentire agli epidemiologi di comprendere i propri dati.

Analisi Di Regressione

I modelli di regressione in R aiutano gli epidemiologi a individuare le correlazioni tra le variabili. Essi analizzano i fattori di rischio e gli esiti delle malattie. Tecniche come la regressione logistica e la regressione di Poisson sono fondamentali a questo scopo.

Esperti come la professoressa Janne Pitkäniemi e Martyn Plummer insegnano questi modelli. Si assicurano che gli studenti possano lavorare bene con i dati epidemiologici.

Analisi di sopravvivenza

L’analisi della sopravvivenza è fondamentale per studiare quando si verificano le malattie o quando le persone migliorano. R dispone di strumenti come modelli di rischio concorrenti per questo. Esperti come lo statistico senior Bendix Carstensen insegnano questi metodi.

Ciò garantisce che gli studenti possano comprendere bene i dati di sopravvivenza.

Modellazione multilivello

La modellazione multilivello in R esamina i dati con livelli diversi, come i pazienti nelle cliniche o i bambini nelle scuole. È importante per comprendere i risultati sanitari e realizzare interventi mirati. I corsi sulla modellazione statistica coprono bene queste tecniche.

Conoscere questi modelli è vitale per epidemiologi e statistici. Un corso che costa 1000 euro per gli accademici e 1200 euro per gli altri approfondisce questi argomenti. Ha un ottimo rapporto insegnante-studente per un aiuto personalizzato.

Pratiche di ricerca riproducibili in epidemiologia con R

La riproducibilità è fondamentale nel lavoro scientifico, soprattutto in epidemiologia, dove risultati chiari e validi sono di vitale importanza. L'utilizzo di R a questo scopo aumenta la fiducia nei risultati e migliora la documentazione della ricerca epidemiologica . R Markdown è di grande aiuto in questo senso, in quanto combina codice, risultati e testo in report facilmente replicabili.

Nello studio norvegese sulle donne e il cancro (NOWAC) , è stato utilizzato il linguaggio di programmazione R per analizzare dati raccolti nell'arco di oltre dieci anni. Questo studio ha coinvolto il 34% delle donne norvegesi nate tra il 1943 e il 1957. Il set di dati era enorme e comprendeva campioni di 50,000 donne e oltre 300 biopsie.

Questi dati sono stati utilizzati per studiare gli esiti sanitari. Lo studio ha analizzato l'espressione genica, i miRNA, la metilazione del DNA, la metabolomica e l'RNA-seq. Il team, composto da esperti di statistica e informatica, ha utilizzato R Markdown per creare report dettagliati. Questi report combinavano codice, risultati e narrazione , rendendo la ricerca in R più riproducibile e meglio documentata.

L'uso di R per la ricerca epidemiologica rende il tuo lavoro più efficiente. Con strumenti come R Markdown, puoi creare report che mostrano qualsiasi cosa, dalla pulizia dei dati a modelli complessi. Ciò rende i risultati facili da ripetere e aumenta la fiducia nelle tue scoperte.

Gestione di grandi set di dati epidemiologici in R

Lavorare con set di dati di grandi dimensioni in epidemiologia richiede modi intelligenti per elaborare e gestire la memoria in R. L'utilizzo di questi metodi aiuta il sistema a gestire bene dati di grandi dimensioni. Ciò porta a risultati di analisi più accurati e precisi.

Ottimizzazione delle prestazioni di elaborazione dei dati

È fondamentale ottimizzare le prestazioni quando si lavora con grandi set di dati. Strumenti come dplyr e data.table rendono la manipolazione dei dati più rapida ed efficiente. L'utilizzo di queste librerie può rendere più fluide le analisi complesse, evitando ritardi o blocchi. Per ulteriori suggerimenti, consulta la guida sulla gestione dei dati epidemiologici in R.

Tecniche di gestione della memoria

Una buona gestione della memoria è fondamentale per i dataset di grandi dimensioni. Controllando il modo in cui i dati vengono archiviati e acceduti in R, è possibile evitare problemi di memoria. Un uso oculato degli oggetti dati in memoria e la gestione della memoria (garbage collection) contribuiscono a una migliore gestione dei big data. Strumenti come Logistic Regression Insights offrono suggerimenti per il risparmio di memoria nei dati epidemiologici.

Soluzioni efficienti per l'archiviazione dei dati

Una corretta archiviazione di grandi set di dati può migliorare le prestazioni in R. L'utilizzo di formati come .feather o .fst velocizza la gestione dei dati. Questi formati contribuiscono a garantire che i vostri studi epidemiologici siano basati su dati solidi.

L’utilizzo di queste strategie rende efficiente la gestione di grandi set di dati epidemiologici. Ciò porta a conoscenze più approfondite e a conclusioni affidabili, nonostante le incertezze nella ricerca epidemiologica.

Utilizzo di R per la sorveglianza delle malattie infettive

R è fondamentale per monitorare le malattie infettive e monitorare la salute pubblica. Offre potenti strumenti per analizzare le tendenze e rilevare le epidemie. Ricercatori ed esperti sanitari lo utilizzano per comprendere e prevedere i modelli di malattia. Ciò aiuta a migliorare il modo in cui rispondiamo alle crisi sanitarie.

La ricerca di pacchetti relativi all'epidemiologia e alle epidemie ha prodotto 98 opzioni. Abbiamo ristretto il campo a 23 in base ai punteggi e ai download recenti. I primi cinque pacchetti (epitools, Epi, epiR, EpiEstim ed epiDisplay) sono stati scaricati tra 4707 e 8480 volte. Questi strumenti rendono R uno strumento prezioso per il monitoraggio della salute pubblica e la gestione di grandi set di dati in epidemiologia.

Dei 23 pacchetti selezionati, sei sono stati realizzati dal R Epidemics Consortium (RECON). Includono DSAIDE, epicontacts, EpiEstim, EpiModel, epitrix e sorveglianza. Questi strumenti aiutano a modellare e monitorare le malattie infettive. Ad esempio, EpiModel offre modelli dettagliati per comprendere la diffusione delle malattie.

Il pacchetto di videosorveglianza è ideale per analizzare i dati nel tempo e nello spazio. Include sette guide dettagliate per gli utenti.

Questi strumenti R sono vitali in molti campi come la sanità pubblica, la ricerca biomedica e l’analisi dei dati sanitari. Esperti come epidemiologi e data scientist li utilizzano per analisi e modellizzazioni urgenti. R funziona bene su diversi sistemi come Linux, Mac OS e Microsoft Windows, rendendolo ancora più utile.

Casi di studio e applicazioni pratiche

Come epidemiologi, spesso è necessario trasformare la teoria in pratica. In questa sezione, esaminiamo casi di studio specifici che mostrano come R viene utilizzato nell’analisi epidemiologica del mondo reale. Un esempio chiave è l’analisi dei dati COVID-19, che è stata al centro dell’attenzione a causa dell’impatto globale della pandemia.

Caso di studio: analisi dei dati COVID-19

La pandemia di COVID-19 è stata un’occasione per utilizzare R per un’analisi dettagliata dei dati. Molti studi hanno dimostrato come la R sia fondamentale per comprendere le tendenze e gli effetti del virus.

• Rischi di mortalità a breve termine: I ricercatori hanno utilizzato R per esaminare i rischi a breve termine di morire di anidride solforosa (SO2) in vari paesi e città. Ciò ha dimostrato come l’inquinamento atmosferico influisca immediatamente sulla salute durante la pandemia.
• Effetti sulla salute dei fattori di stress ambientale: Con il database National Morbidity, Mortality, and Air Pollution Study (NMMAPS), R ha contribuito a valutare gli effetti sulla salute derivanti da fattori ambientali durante la pandemia.
• Blocco e inquinamento atmosferico: Uno studio R ha rilevato che i lockdown hanno portato a una minore esposizione all’inquinamento atmosferico in Europa durante la prima ondata di COVID-19. Ciò ha mostrato come le azioni del governo influenzino la salute ambientale.
• Fattori meteorologici: R ha analizzato come il tempo influenza le infezioni da SARS-CoV-2 nelle città. Ha mostrato come i modelli meteorologici siano collegati ai tassi di infezione, aiutando a prevedere la diffusione del virus.
• Mortalità in eccesso: In Italia, R è stato utilizzato per studiare le morti in eccesso durante la prima ondata di COVID-19 nella primavera del 2020. Ha fornito una visione completa degli effetti della pandemia sulla salute pubblica.

Questi casi di studio evidenziano come la versatilità e la potenza di R siano utili nell'analisi dei dati epidemiologici durante le crisi sanitarie. Per ulteriori informazioni su come R migliora l'analisi dei dati in epidemiologia, consultare questo articolo di ricerca.

Caso di studio: sorveglianza dell’influenza

Le infezioni influenzali rappresentano un grave problema a livello globale, causando numerose malattie e decessi. Analizzando i dati, possiamo individuare importanti schemi ricorrenti che ci aiutano a elaborare piani sanitari più efficaci. Uno studio condotto in Messico tra il 2010 e il 2016 ha evidenziato alcune problematiche significative, come l'uso improprio dei farmaci, la scarsa copertura vaccinale e la tempistica di diffusione dei diversi tipi di influenza. Lo studio dimostra quanto sia fondamentale comprendere questi schemi per migliorare l'assistenza sanitaria.

L'uso di R per monitorare l'influenza ha mostrato come le statistiche avanzate possano aiutare a combattere le malattie. Lo studio ha rilevato che abbiamo bisogno che più persone si vaccinino e utilizzino i farmaci in modo saggio. Ciò mostra come la R possa portare ad azioni migliori per la salute.

L'aggiunta di ulteriori dati statistici allo studio lo rende ancora più efficace. Una guida di esperti afferma che l'utilizzo dell'analisi delle serie temporali e di altri metodi aiuta a prevedere e fermare le epidemie. Questi metodi sono fondamentali per monitorare l'influenza e il COVID-19, consentendoci di agire tempestivamente per fermare le malattie.

Osservare le tendenze dell’influenza e gli effetti dei vaccini in luoghi diversi ci fornisce più indizi. Ad esempio, uno studio condotto in Medio Oriente e Nord Africa dal 2010 al 2016 ci ha mostrato la varietà dei virus influenzali e quando colpiscono. Studi come questi pubblicati sulla rivista Lancet and Influenza Other Respir Viruses aiutano a elaborare politiche sanitarie migliori e a combattere l’influenza in tutto il mondo.

L’utilizzo di dati, modelli e analisi R fa luce su come funzionano le epidemie. Questo ci aiuta a rendere le azioni sanitarie tempestive e informate. Porta a risultati di salute migliori.

Conclusione

R ha cambiato il modo in cui analizziamo i dati epidemiologici. Offre strumenti potenti come il pacchetto epiR per la gestione dei dati sulle malattie. Questi strumenti ci aiutano ad affrontare grandi problemi sanitari, come la pandemia di COVID-19 che ha colpito oltre 750 milioni di persone e causato quasi 7 milioni di morti.

R gioca un ruolo fondamentale anche nel migliorare il monitoraggio della salute pubblica. Combinando statistiche ambientali e spaziali , i ricercatori possono comprendere il legame tra salute e ambiente. Strumenti come l'analisi geografica e i sistemi informativi geografici (GIS) ci aiutano a visualizzare e risolvere problemi sanitari, come ad esempio l'impatto della pandemia sull'economia e sulle risposte governative in America Latina.

Il futuro sembra luminoso per l’epidemiologia con R. Utilizzando l’apprendimento automatico, dalla semplice regressione logistica alle complesse reti neurali, possiamo prevedere e controllare meglio le malattie. Mentre continuiamo a utilizzare questi strumenti, R si assicurerà che le decisioni in materia di sanità pubblica siano basate su prove concrete. Ciò porterà a interventi migliori e a vite più sane in tutto il mondo.

Collegamenti di origine

• https://bookdown.org/medepi/phds/getting-started-with-r.html – Scienza dei dati sulla salute della popolazione con R
• https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3612300/ – Software R: uno strumento più recente nell’analisi dei dati epidemiologici
• https://www.springerpub.com/biostatistics-for-epidemiology-and-public-health-using-r-9780826110251.html – Biostatistica per l’epidemiologia e la sanità pubblica utilizzando R
• https://epirhandbook.com/ – Il Manuale dell’Epidemiologo R
• https://www.ndph.ox.ac.uk/study-with-us/practical-statistics-for-epidemiology-using-r – Statistiche pratiche per l’epidemiologia utilizzando R – Nuffield Department of Population Health
• https://cran.r-project.org/doc/contrib/Epicalc_Book.pdf – Analisi dei dati epidemiologici mediante R ed Epicalc
• https://training.iarc.who.int/training-statistical-practice-in-epidemiology-using-r/ – Formazione “Pratica statistica in epidemiologia utilizzando R”
• https://static1.squarespace.com/static/5e4a446cefbd632b0622f6ac/t/5e4b0b87a78e4d69b8972b29/1581976459768/7ab. Teaching Materials 2.pdf - PDF
• https://ehsanx.github.io/EpiMethods/wranglingF.html – Metodi Epidemiologici Avanzati – Funzioni R (W)
• https://ehsanx.github.io/EpiMethods/ – Metodi epidemiologici avanzati
• https://jonbra.github.io/resources/R/epidemiology – R per Epidemiologia
• https://cran.r-project.org/web/packages/epiR/vignettes/epiR_descriptive.html – epiR_descriptive.knit
• https://rviews.rstudio.com/2020/03/05/covid-19-epidemiology-with-r/ – Epidemiologia del COVID-19 con R
• https://bookdown.org/jbrophy115/bookdown-clinepi/vis.html – Capitolo 3 Analisi esplorativa dei dati – Visualizzazione dei dati | Epidemiologia (prevalentemente clinica) con R
• https://learnr.web.unc.edu/r-for-epi-workshop/ – R per Epi Workshop – EPID 701: R per Epidemiologi
• https://catalog.drexel.edu/coursedescriptions/quarter/grad/epi/ – Epidemiologia < Catalogo 2023-2024 | Università di Drexel
• https://epibiostat.ucsf.edu/programming-health-data-science-r-ii-biostat-214 – Programmazione per la scienza dei dati sanitari in R II (BIOSTAT 214)
• https://www.coursera.org/courses?query=epidemiology – I migliori corsi di epidemiologia online con certificati [2024] | Coursera
• https://bendixcarstensen.com/SPE/ – Pratica statistica in epidemiologia utilizzando R.
• https://catalog.umass.edu/gradbulletin/2021-2022/Page19441.html – Bollettino dei Laureati 2021/2022
• https://ki.se/en/meb/education/doctoral-courses/biostatistics-iii-survival-analysis-for-epidemiologists-using-r – Biostatistica III: analisi di sopravvivenza per epidemiologi (utilizzando R)
• https://academic.oup.com/book/33545/chapter/287915514 – Utilizzando R | Epidemiologia con R
• https://www.biorxiv.org/content/10.1101/644625v1.full.pdf – Gestione e analisi dei dati riproducibili utilizzando R
• https://www.researchgate.net/publication/333251266_Reproducible_data_management_and_analysis_using_R – (PDF) Gestione e analisi dei dati riproducibili utilizzando R
• https://www.r4epi.com/using-r-for-epidemiology – 41 Utilizzo di R per l'epidemiologia | R per Epidemiologia
• https://cran.r-project.org/web/packages/pubh/vignettes/introduction.html – Introduzione al pacchetto pubh
• https://rviews.rstudio.com/2020/05/20/some-r-resources-for-epidemiology/ – Una visione R dell’epidemiologia
• https://bookdown.org/taragonmd/phds/getting-started-with-r.html – Capitolo 1 Iniziare con R | Scienza dei dati sulla salute della popolazione con R
• https://www.linkedin.com/pulse/analyzing-infectious-disease-epidemiological-data-essential-kang – Analisi dei dati epidemiologici sulle malattie infettive: competenze essenziali e fonti di dati per gli analisti di dati
• http://www.ag-myresearch.com/r-code.html – Codice R
• https://sph.emory.edu/academics/courses/epi-courses/index.html – Corsi di Epidemiologia
• https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8742167/ – Una revisione sistematica dell’epidemiologia e della sorveglianza dell’influenza nella regione del Mediterraneo orientale e del Nord Africa
• https://www.cdc.gov/flu/weekly/overview.htm – Sorveglianza dell’influenza negli Stati Uniti: scopo e metodi
• https://www.nature.com/articles/s41598-020-63712-2 – Associazione tra influenza stagionale e umidità assoluta: analisi di serie temporali con dati di sorveglianza giornaliera in Giappone – Rapporti scientifici
• https://www.mdpi.com/2079-7737/12/6/887 – Un’analisi epidemiologica per valutare e valutare il COVID-19 basata sull’analisi dei dati nei paesi dell’America Latina
• https://www.studocu.com/en-us/document/western-michigan-university/intro-prof-nursing/epidemiological-data-analysis-paper/31768850 – Documento di analisi dei dati epidemiologici – Inoltre, il documento trarrà alcune conclusioni sulla base del – Studocu