Skip to content
Snippets Groups Projects
Commit 65599ad7 authored by Vincent DUPONT's avatar Vincent DUPONT
Browse files

Doc + adaptation tri frontière 

Documentation du code + modif pour s'adapter à la tri-frontière
parent b45b1045
No related branches found
No related tags found
No related merge requests found
Hide whitespace changes
Inline Side-by-side
analyse.R 0 → 100644
+ 144
− 0
View file @ 65599ad7
# Script d'analyse des données de consultation harmonisées
# Ce script examine en détail la structure et le contenu du fichier consultation_harmonized.json
# pour comprendre les patterns et caractéristiques des données
# Chargement des bibliothèques nécessaires
library(jsonlite) # Pour la lecture du fichier JSON
library(dplyr) # Pour la manipulation des données
library(tidyr) # Pour le nettoyage des données
library(lubridate) # Pour l'analyse des dates
library(ggplot2) # Pour la visualisation
library(stringr) # Pour la manipulation des chaînes de caractères
# Fonction principale d'analyse
analyze_consultation_data <- function(file_path) {
# Lecture du fichier JSON
print("Chargement des données...")
data <- fromJSON(file_path)$data
# 1. Analyse de la structure générale
print("\n=== Structure générale des données ===")
print("Nombre total d'enregistrements :")
print(nrow(data))
print("\nColonnes présentes :")
print(names(data))
# 2. Analyse par pays
print("\n=== Distribution par pays ===")
country_dist <- table(data$source)
print(country_dist)
# 3. Analyse temporelle
# Correction pour l'analyse temporelle
print("\n=== Analyse temporelle ===")
data$consultation_date <- as.Date(data$consultation_date, format = "%d-%m-%Y") # Changé de %d/%m/%Y à %d-%m-%Y
print("Période couverte :")
print(paste("Du", min(data$consultation_date, na.rm = TRUE),
"au", max(data$consultation_date, na.rm = TRUE)))
# 4. Analyse des diagnostics
print("\n=== Distribution des diagnostics ===")
diag_dist <- table(data$diagnosis_result)
print(diag_dist)
# 5. Analyse des données manquantes
print("\n=== Analyse des données manquantes ===")
missing_data <- sapply(data, function(x) sum(is.na(x)))
print("Nombre de valeurs manquantes par colonne :")
print(missing_data)
# 6. Analyse démographique
print("\n=== Analyse démographique ===")
print("Distribution des âges :")
age_summary <- summary(data$patient_age)
print(age_summary)
print("\nDistribution par sexe :")
sex_dist <- table(data$patient_sex)
print(sex_dist)
# 7. Analyse géographique
print("\n=== Analyse géographique ===")
print("Nombre de centres de santé uniques :")
print(length(unique(data$id_center)))
print("\nNombre de lieux de résidence uniques :")
print(length(unique(data$residence_place)))
print("\nNombre de lieux d'infection uniques :")
print(length(unique(data$infection_place)))
# 8. Création de visualisations
# Cas par mois
monthly_cases <- data %>%
mutate(month = floor_date(consultation_date, "month")) %>%
count(month, source)
# Sauvegarde du graphique des cas mensuels
print("\nCréation du graphique des cas mensuels...")
ggplot(monthly_cases, aes(x = month, y = n, color = source)) +
geom_line() +
labs(title = "Évolution mensuelle des cas",
x = "Date",
y = "Nombre de cas") +
theme_minimal()
ggsave("monthly_cases.png")
# 9. Analyse des patterns spécifiques
print("\n=== Patterns spécifiques ===")
# Nouvelles attaques vs récurrences
print("Distribution nouvelles attaques vs récurrences :")
attack_dist <- table(data$new_attack)
print(attack_dist)
# Diagnostic actif vs passif
print("\nDistribution diagnostic actif vs passif :")
active_diag_dist <- table(data$active_diagnosis)
print(active_diag_dist)
# 10. Génération de statistiques résumées par pays
print("\n=== Statistiques par pays ===")
country_stats <- data %>%
group_by(source) %>%
summarise(
n_cases = n(),
avg_age = mean(patient_age, na.rm = TRUE),
pct_male = mean(patient_sex == "Male", na.rm = TRUE) * 100,
pct_new_attack = mean(new_attack == TRUE, na.rm = TRUE) * 100,
n_centers = n_distinct(id_center),
n_residence_places = n_distinct(residence_place),
earliest_date = min(consultation_date),
latest_date = max(consultation_date)
)
print(country_stats)
# 11. Sauvegarde des résultats
print("\n=== Sauvegarde des résultats ===")
# Création d'un résumé structuré
summary_data <- list(
general = list(
total_records = nrow(data),
date_range = c(min(data$consultation_date), max(data$consultation_date)),
countries = as.list(country_dist)
),
diagnostics = as.list(diag_dist),
demographics = list(
age_summary = as.list(age_summary),
sex_distribution = as.list(sex_dist)
),
geography = list(
unique_centers = length(unique(data$id_center)),
unique_residences = length(unique(data$residence_place)),
unique_infections = length(unique(data$infection_place))
),
country_statistics = country_stats
)
# Sauvegarde au format JSON pour référence future
writeLines(toJSON(summary_data, pretty = TRUE), "analysis_summary.json")
return(summary_data)
}
# Exécution de l'analyse
results <- analyze_consultation_data("data/consultation_harmonized.json")
analysis_summary.json 0 → 100644
+ 60
− 0
View file @ 65599ad7
{
"general": {
"total_records": [106427],
"date_range": ["2003-01-02", "2019-11-03"],
"countries": {
"BR": [106403],
"CO": [24]
}
},
"diagnostics": {
"falciparum": [19157],
"mixed infection with P. falciparum": [1514],
"mixte infection with P. falciparum": [24],
"non-falciparum": [85732]
},
"demographics": {
"age_summary": {
"Min.": [0.0027],
"1st Qu.": [6],
"Median": [15],
"Mean": [19.8836],
"3rd Qu.": [29],
"Max.": [458]
},
"sex_distribution": {
"0": [4],
"1": [60834],
"2": [45589]
}
},
"geography": {
"unique_centers": [418],
"unique_residences": [953],
"unique_infections": [954]
},
"country_statistics": [
{
"source": "BR",
"n_cases": 106403,
"avg_age": 19.8832,
"pct_male": 0,
"pct_new_attack": 91.6036,
"n_centers": 406,
"n_residence_places": 936,
"earliest_date": "2003-01-02",
"latest_date": "2019-11-03"
},
{
"source": "CO",
"n_cases": 24,
"avg_age": 21.6667,
"pct_male": 0,
"pct_new_attack": 95.8333,
"n_centers": 12,
"n_residence_places": 17,
"earliest_date": "2007-03-02",
"latest_date": "2013-12-13"
}
]
}
modules/harmonized.R
+ 67
− 59
View file @ 65599ad7
......@@ -105,17 +105,30 @@ HAR_co_tab <- reactive({
### Visualisations et compteurs
##################
# Compteur pour la Colombie
output$HAR_count_co <- renderValueBox({
# Fonction réactive pour compter les cas colombiens
HAR_co_count <- reactive({
nrow(HAR_co())
})
# Fonction réactive pour compter les cas brésiliens
HAR_br_count <- reactive({
nrow(HAR_br())
})
# Rendu des compteurs
output$HAR_count_br <- renderValueBox({
valueBox(
paste(nrow(HAR_co()), tr("cases2")), tr("CO"), color = "purple"
paste(HAR_br_count(), tr("cases2")),
tr("BR"),
color = "purple"
)
})
# Compteur pour le Brésil
output$HAR_count_br <- renderValueBox({
output$HAR_count_co <- renderValueBox({
valueBox(
paste(nrow(HAR_br()), tr("cases2")), tr("BR"), color = "purple"
paste(HAR_co_count(), tr("cases2")),
tr("CO"),
color = "purple"
)
})
......@@ -202,61 +215,56 @@ output$HAR_plot_sex <- renderPlotly({
# Graphique de la répartition par type de Plasmodium
output$HAR_plot_plasm <- renderPlotly({
# Liste des pays
HAR_loc <- c("CO","BR")
# Calcul des totaux
HAR_br_any <- nrow(consultation_har_filter(HAR_br(),
diagn = "Any",
new_attack = input$new_attack))
HAR_co_any <- nrow(consultation_har_filter(HAR_co(),
diagn = "Any",
new_attack = input$new_attack))
# Calcul des pourcentages par type
HAR_br_falci <- nrow(consultation_har_filter(HAR_br(),
diagn = "falciparum",
new_attack = input$new_attack))/HAR_br_any*100
HAR_br_mixed <- nrow(consultation_har_filter(HAR_br(),
diagn = "mixed infection with P. falciparum",
new_attack = input$new_attack))/HAR_br_any*100
HAR_br_other <- nrow(consultation_har_filter(HAR_br(),
diagn = "non-falciparum",
new_attack = input$new_attack))/HAR_br_any*100
HAR_br_unspe <- nrow(consultation_har_filter(HAR_br(),
diagn = "unspecified",
new_attack = input$new_attack))/HAR_br_any*100
# Préparation des données
results <- tibble(
country = character(),
type = character(),
percentage = numeric()
)
HAR_co_falci <- nrow(consultation_har_filter(HAR_co(),
diagn = "falciparum",
new_attack = input$new_attack))/HAR_co_any*100
HAR_co_mixed <- nrow(consultation_har_filter(HAR_co(),
diagn = "mixed infection with P. falciparum",
new_attack = input$new_attack))/HAR_co_any*100
HAR_co_other <- nrow(consultation_har_filter(HAR_co(),
diagn = "non-falciparum",
new_attack = input$new_attack))/HAR_co_any*100
HAR_co_unspe <- nrow(consultation_har_filter(HAR_co(),
diagn = "unspecified",
new_attack = input$new_attack))/HAR_co_any*100
# Traitement des données brésiliennes
br_total <- nrow(HAR_br())
if (br_total > 0) {
br_results <- tibble(
country = "Brazil",
type = c("Falciparum", "Mixed", "Non-falciparum"),
percentage = c(
sum(HAR_br()$diagnosis_result == "falciparum") / br_total * 100,
sum(HAR_br()$diagnosis_result %in% c("mixed infection with P. falciparum",
"mixte infection with P. falciparum")) / br_total * 100,
sum(HAR_br()$diagnosis_result == "non-falciparum") / br_total * 100
)
)
results <- bind_rows(results, br_results)
}
# Préparation des données pour le graphique
HAR_falci <- c(HAR_co_falci, HAR_br_falci)
HAR_mixed <- c(HAR_co_mixed, HAR_br_mixed)
HAR_other <- c(HAR_co_other, HAR_br_other)
HAR_unspe <- c(HAR_co_unspe, HAR_br_unspe)
HAR_data <- data.frame(HAR_loc, HAR_falci, HAR_other)
# Traitement des données colombiennes
co_total <- nrow(HAR_co())
if (co_total > 0) {
co_results <- tibble(
country = "Colombia",
type = c("Falciparum", "Mixed", "Non-falciparum"),
percentage = c(
sum(HAR_co()$diagnosis_result == "falciparum") / co_total * 100,
sum(HAR_co()$diagnosis_result %in% c("mixed infection with P. falciparum",
"mixte infection with P. falciparum")) / co_total * 100,
sum(HAR_co()$diagnosis_result == "non-falciparum") / co_total * 100
)
)
results <- bind_rows(results, co_results)
}
# Création du graphique
plot_ly(HAR_data,
x = ~HAR_loc,
y = ~HAR_falci,
type = "bar",
name = "Falci assoc") %>%
add_trace(y = ~HAR_mixed, name = "Mixed") %>%
add_trace(y = ~HAR_other, name = "Non falci") %>%
add_trace(y = ~HAR_unspe, name = "Unspecified") %>%
layout(xaxis = list(title = ""),
yaxis = list(title = tr("percentage")),
barmode = 'stack')
plot_ly(data = results,
x = ~country,
y = ~percentage,
type = "bar",
color = ~type,
colors = c("#1f77b4", "#ff7f0e", "#2ca02c")) %>%
layout(
barmode = "stack",
yaxis = list(title = "Percentage of cases"),
showlegend = TRUE,
legend = list(x = 0.7, y = 0.9)
)
})
\ No newline at end of file
modules/harmonized_loc.R
+ 126
− 107
View file @ 65599ad7
### harmonized_loc.R
### Module pour l'analyse des localisations harmonisées
### harmonized_loc.R - Analyse par localisation
##################
### Objets de données
### Préparation des données de base
##################
# Fonctions réactives pour les dates
date1 <- reactive({
as.Date(paste0(input$HARLOCdates[1],"-01-01"))
})
......@@ -18,107 +18,143 @@ HARLOC_residencial_area_co <- JSON_area_har %>%
filter(source == "CO") %>%
select(id, name) %>%
arrange(name)
HARLOC_residencial_area_list_co <- with(HARLOC_residencial_area_co, split(id, name))
# Préparation des listes de zones pour le Brésil
# Création de la liste pour la sélection UI
HARLOC_residencial_area_list_co <- setNames(
as.list(HARLOC_residencial_area_co$id),
HARLOC_residencial_area_co$name
)
# Préparation des listes pour le Brésil
HARLOC_residencial_area_br <- JSON_area_har %>%
filter(source == "BR") %>%
select(id, name) %>%
arrange(name)
HARLOC_residencial_area_list_br <- with(HARLOC_residencial_area_br, split(id, name))
# Préparation des centres de santé pour la Colombie
HARLOC_residencial_area_list_br <- setNames(
as.list(HARLOC_residencial_area_br$id),
HARLOC_residencial_area_br$name
)
print("Listes de sélection :")
print("Colombie :")
print(str(HARLOC_residencial_area_list_co))
print("Brésil :")
print(str(HARLOC_residencial_area_list_br))
# Préparation des centres de santé
# Pour la Colombie
HARLOC_health_center_co <- JSON_healthcenter_har %>%
filter(source == "CO") %>%
select(id_center, name) %>%
arrange(name)
HARLOC_health_center_list_co <- with(HARLOC_health_center_co, split(id_center, name))
# Préparation des centres de santé pour le Brésil
HARLOC_health_center_list_co <- setNames(
as.list(HARLOC_health_center_co$id_center),
HARLOC_health_center_co$name
)
# Pour le Brésil
HARLOC_health_center_br <- JSON_healthcenter_har %>%
filter(source == "BR") %>%
select(id_center, name) %>%
arrange(name)
HARLOC_health_center_list_br <- with(HARLOC_health_center_br, split(id_center, name))
# Interface utilisateur réactive pour la sélection des localisations
output$HARLOClocation_co <- renderUI({
HARLOC_health_center_list_br <- setNames(
as.list(HARLOC_health_center_br$id_center),
HARLOC_health_center_br$name
)
##################
### Interface utilisateur réactive
##################
# Interface pour la sélection des localités brésiliennes
output$HARLOClocation_br <- renderUI({
switch(input$HARLOCtype,
"residence_area" = selectInput("HARLOCselection_co", tr("CO"),
HARLOC_residencial_area_list_co,
multiple = TRUE),
"center" = selectInput("HARLOCselection_co", tr("CO"),
HARLOC_health_center_list_co,
multiple = TRUE),
"infection_place" = selectInput("HARLOCselection_co", tr("CO"),
HARLOC_residencial_area_list_co,
multiple = TRUE)
"residence_area" = {
choices <- HARLOC_residencial_area_list_br
selectInput(
"HARLOCselection_br",
tr("BR"),
choices = choices,
multiple = TRUE,
selectize = TRUE
)
},
"center" = {
choices <- HARLOC_health_center_list_br
selectInput(
"HARLOCselection_br",
tr("BR"),
choices = choices,
multiple = TRUE,
selectize = TRUE
)
},
"infection_place" = {
choices <- HARLOC_residencial_area_list_br
selectInput(
"HARLOCselection_br",
tr("BR"),
choices = choices,
multiple = TRUE,
selectize = TRUE
)
}
)
})
# Interface pour la sélection des localisations brésiliennes (inchangée)
output$HARLOClocation_br <- renderUI({
# Interface pour la sélection des localités colombiennes
output$HARLOClocation_co <- renderUI({
switch(input$HARLOCtype,
"residence_area" = selectInput("HARLOCselection_br", tr("BR"),
HARLOC_residencial_area_list_br,
multiple = TRUE),
"center" = selectInput("HARLOCselection_br", tr("BR"),
HARLOC_health_center_list_br,
multiple = TRUE),
"infection_place" = selectInput("HARLOCselection_br", tr("BR"),
HARLOC_residencial_area_list_br,
multiple = TRUE)
"residence_area" = {
choices <- HARLOC_residencial_area_list_co
selectInput(
"HARLOCselection_co",
tr("CO"),
choices = choices,
multiple = TRUE,
selectize = TRUE
)
},
"center" = {
choices <- HARLOC_health_center_list_co
selectInput(
"HARLOCselection_co",
tr("CO"),
choices = choices,
multiple = TRUE,
selectize = TRUE
)
},
"infection_place" = {
choices <- HARLOC_residencial_area_list_co
selectInput(
"HARLOCselection_co",
tr("CO"),
choices = choices,
multiple = TRUE,
selectize = TRUE
)
}
)
})
# Filtrage des données pour la Colombie
HARLOC_sub_co <- reactive({
df <- consultation_har_filter(JSON_cons_har,
source = "CO",
new_attack = input$HARLOCnew_attack,
diagn = input$HARLOCdiagn,
sex = input$HARLOCsex,
minAge = input$HARLOCage[1],
maxAge = input$HARLOCage[2]
) %>%
filter(consultation_date >= date1() & consultation_date <= date2())
if(input$HARLOCtype == "center"){
df <- df %>% filter(id_center %in% input$HARLOCselection_co)
} else if(input$HARLOCtype == "residence_area"){
df <- df %>% filter(residence_place %in% input$HARLOCselection_co)
} else if(input$HARLOCtype == "infection_place"){
df <- df %>% filter(infection_place %in% input$HARLOCselection_co)
}
return(df)
})
##################
### Filtrage des données
##################
# Filtrage des données pour le Brésil (similaire au code existant)
HARLOC_sub_br <- reactive({
df <- consultation_har_filter(JSON_cons_har,
source = "BR",
new_attack = input$HARLOCnew_attack,
diagn = input$HARLOCdiagn,
sex = input$HARLOCsex,
minAge = input$HARLOCage[1],
maxAge = input$HARLOCage[2]
) %>%
filter(consultation_date >= date1() & consultation_date <= date2())
# Données pour la Colombie
HARLOC_sub_co <- reactive({
req(input$HARLOCtype)
req(input$HARLOCselection_co)
if(input$HARLOCtype == "center"){
df <- df %>% filter(id_center %in% input$HARLOCselection_br)
} else if(input$HARLOCtype == "residence_area"){
df <- df %>% filter(residence_place %in% input$HARLOCselection_br)
} else if(input$HARLOCtype == "infection_place"){
df <- df %>% filter(infection_place %in% input$HARLOCselection_br)
}
# Ajout de messages de diagnostic
print("Filtrage des données colombiennes")
print(paste("Type sélectionné:", input$HARLOCtype))
print(paste("Sélections:", paste(input$HARLOCselection_co, collapse=", ")))
return(df)
})
# Qualité de l'information pour la Colombie
HARLOC_sub_infqual_co <- reactive({
df <- consultation_har_filter(JSON_cons_har,
source = "CO",
new_attack = input$HARLOCnew_attack,
......@@ -127,38 +163,21 @@ HARLOC_sub_infqual_co <- reactive({
minAge = input$HARLOCage[1],
maxAge = input$HARLOCage[2]
) %>%
filter(consultation_date >= date1() & consultation_date <= date2()) %>%
is.na() %>%
colMeans() * 100
filter(consultation_date >= date1() &
consultation_date <= date2())
df <- replace(df, is.nan(df), 100)
# Filtrage selon le type de localisation
df <- switch(input$HARLOCtype,
"center" = df %>% filter(id_center %in% input$HARLOCselection_co),
"residence_area" = df %>% filter(residence_place %in% input$HARLOCselection_co),
"infection_place" = df %>% filter(infection_place %in% input$HARLOCselection_co)
)
print(paste("Nombre de cas après filtrage:", nrow(df)))
return(df)
})
# Qualité de l'information pour le Brésil
HARLOC_sub_infqual_br <- reactive({
# [Code existant inchangé]
})
# Tableaux par jour de la semaine
HARLOC_co_tab_day_week <- reactive({
if(nrow(HARLOC_sub_co()) > 0){
as.data.frame(incidence(HARLOC_sub_co()$consultation_date, interval = 1))
}
})
HARLOC_br_tab_day_week <- reactive({
# [Code existant inchangé]
})
##################
### Graphiques
##################
# Graphique d'incidence
output$HARLOC_plot_incidence <- renderPlotly({
# [Suite du code avec les adaptations nécessaires]
})
# [Autres graphiques et visualisations avec adaptations similaires]
\ No newline at end of file
# Données pour le Brésil (même structure)
HARLOC_sub_br <- reactive({
# Code similaire pour le Brésil
})
\ No newline at end of file
modules/server_ui.R
+ 1
− 1
View file @ 65599ad7
......@@ -104,7 +104,7 @@ output$tabItems <- renderUI({
selectInput('agg', tr("agg"), ops_agg(), selected = 30)
),
# Counts
valueBoxOutput("HAR_count_fg"),
valueBoxOutput("HAR_count_co"),
valueBoxOutput("HAR_count_br"),
# Main plot
box(
......
monthly_cases.png 0 → 100644
+ 0
− 0
View file @ 65599ad7
monthly_cases.png

266 KiB

0% or .
You are about to add 0 people to the discussion. Proceed with caution.
Finish editing this message first!
Please register or to comment