Amaç: Dünya Sağlık Örgütü tarafından pandemi olarak ilan edilen, 10 Nisan 2020 itibarıyla dünyada yaklaşık 100.000 ölen, 1.700.000 doğrulanan, Türkiye'de ise yaklaşık 1.000 ölen, 50.000 doğrulanan vakası bulunan COVID-19 salgınına ilişkin verileri, 'COVID19Takip' adlı arayüz ile anlaşılır şekilde sunmak ve Türkiye'ye özel günlük değişimi ve salgının seyrini modellemektir. Gereç ve Yöntemler: Arayüz, Johns Hopkins Üniversitesi resmî web sitesinde gerçek zamanlı derlenen verileri, bu verilerden oluşan web servisleri ve salgın ile ilgili ulusal haberleri anlık güncellemektedir. Açık kaynaklı R yazılımı kullanılarak, SIR modeli ve Otomatik Regresif Entegre Hareketli Ortalama (ARIMA) modeli ile Türkiye'ye ilişkin modelleme ve tahmin, T.C. Sağlık Bakanlığı tarafından günlük sunulan verilerle yenilenmektedir. Önerilen web aracını geliştirmek için ve Asp.NET MVC C# #, Ajax, Javascript ve R dilleri kullanılmıştır. Bulgular: Dünyada, Amerika Birleşik Devletleri, İspanya, İtalya'nın salgından en çok etkilenen ülkeler olduğu; salgını en iyi kontrol eden ülkelerin başında Japonya, Singapur ve Güney Kore'nin geldiği, Türkiye'nin ilk 4 haftalık süreç itibarıyla toplam vaka sayısı açısından İspanya'ya, ölen sayısı açısından ise Almanya'ya benzediği gözlenmektedir. Epidemik modelimize göre günlük vaka sayısının önümüzdeki günlerde de artarak devam etmesi ve salgının 20 Haziran 2020'den sonra azalması beklenmektedir. Sonuç: Türkiye'deki salgın hakkında bilgi almak isteyen tüm kullanıcılar için tasarlanmış olan COVID19Takip sistemi tanıtılmıştır. Arayüz ile, tüm dünya hakkında gerçek zamanlı bilgilere ulaşmak ve Türkiye'deki salgın durumunu öngörmek mümkündür. Bu arayüzün, günden güne artacak verilerle, salgına ilişkin erken tedbirler almak konusunda sağlık otoritelerine ve topluma faydalı olacağına inanıyoruz.
Anahtar Kelimeler: COVID-19; koronavirüs; pandemik; arayüz; SIR; ARIMA
Objective: Declared as a pandemic by the World Health Organization, as of April 2; around 100.000 people, out of 1.700.000 confirmed cases out of the world have died because of COVID-19. In Turkey aroung 1.000 people have died out of 50.000 confirmed cases. In this study, we aim to introduce an interface, called 'COVID19Takip' to model the daily change and the epidemic trend in Turkey. Material and Methods: The interface updates the official data and web services, acquired from the website of the Johns Hopkins University in real time; along with the national news about this epidemic. SIR and Automatic Regressive Integrated Moving Average models are implemented in the open-source software, R; and the outputs are updated daily with as the Turkish Republic Ministry of Health reports mew cases. The web interface is built by using Asp. Net MVC C#, Ajax ve Javascript and R languages. Results: By 2020 April,10, USA, Spain and Italy are seem to have more cases, whereas the countries that best control the outbreak are Japan, Singapore, and South Korea. In the first four week period, Turkey's total case trend is similar to that observed in Spain and death toll is similar to that observed in Germany. The number of daily cases in Turkey is expected to increase in the upcoming days and drop as of June, 20 2020 based on our epidemic model. Conclusion: COVID19Takip is introduced, which is designed for users with various backgrounds, who want to get information about the outbreak in Turkey. With the interface, it is possible to access real-time information about the whole world and model-based forecasts for Turkey. We believe that this interface, with the data accummulated day by day, will be beneficial to health authorities and the society in taking early precautions regarding the epidemic.
Keywords: COVID-19; coronavirus; pandemic; graphical user interface; SIR; ARIMA
- Dong E, Du H, Gardner L. An interactive web-based dashboard to track COVID-19 in real time. Lancet Infect Dis. 2020 Feb 19. Doi:10.1016/S1473- 3099(20)30120-1. [Crossref]
- WHO, COVID-19 Dashboard. WHO. https://covid19.who.int/.
- COVID-19 (Coronavirus) Data Resource Hub, Tableau Software. https://www.tableau.com/covid-19-coronavirus-data-resources. Accessed April 7, 2020.
- Remuzzi A, Remuzzi G. COVID-19 and Italy: what next? Lancet. 2020 Mar 13. Doi:10.1016/S0140-6736(20)30627-9. [Crossref]
- Roosa K, Lee Y, Luo R, Kirpich A, Rothenberg R, Hyman JM, et al. Real-time forecasts of the COVID-19 epidemic in China from February 5th to February 24th, 2020. Infect Dis Model. 2020;5:256-63. [Crossref] [PubMed] [PMC]
- Fanelli D, Piazza F. Analysis and forecast of COVID-19 spreading in China, Italy and France. Chaos, Solitons & Fractals. 2020;134:109761. [Crossref] [PubMed] [PMC]
- Anastassopoulou C, Russo L, Tsakris A, Siettos C. Data-Based Analysis, Modelling and Forecasting of the novel Coronavirus (2019-nCoV) outbreak. medRxiv. 2020. [Crossref] [PMC]
- Ankaralı H, Ankaralı S, Erarslan N. [COVID-19, SARS-CoV2, infection: current epidemiological analysis and modeling of disease]. Anadolu Klin Tıp Bilim Derg. 2020;25(Suppl 1):1-22. [Crossref]
- Dehesh T, Mardani-Fard HA, Dehesh P. Forecasting of COVID-19 Confirmed Cases in Different Countries with ARIMA Models. medRxiv. 2020. [Crossref] [PubMed]
- Türkiye'de İl İl Koronavirüs Vaka Haritası - Hangi Şehirde Kaç Korona Virüs Vakası Var? Toplam Vaka Sayısı Kaç? http://www.kamuajans.com/temel-bilgiler/ turkiye-de-il-il-koronavirus-vaka-haritasi-hangi-sehirde-kac-korona-virus-vakasi-var-toplam-vaka-sayisi-kac-h548120.html. Accessed April 11, 2020.
- Rajkumar S. Novel Corona Virus 2019 Dataset. Kaggle. https://www.kaggle.com/sudalairajkumar/novel-corona-virus-2019-dataset. Published 2020.
- Box GEP, Jenkins GM, Reinsel GC, Ljung GM. Time Series Analysis: Forecasting and Control. 5th ed. Hoboken, New Jersey: John Wiley & Sons; 2015. p.712.
- Sarıyer G. [Modelling for forecasting demand in the emergency]. Uluslararası Mühendislik Araştırma ve Geliştirme Derg. 2018;10(1):66-77. [Crossref]
- Hyndman RJ, Khandakar Y. Automatic time series for forecasting: the forecast package for R. Monash University, Department of Econometrics and Business Statistics; 2007. [Crossref]
- Kermack WO, McKendrick AG. A contribution to the mathematical theory of epidemics. Proc R Soc london Ser A, Contain Pap a Math Phys Character. 1927;115(772):700-21. [Crossref]
- Anderson RM, May RM. Population biology of infectious diseases: Part I. Nature. 1979;280(5721):361-7. [Crossref] [PubMed]
- May RM, Anderson RM. Population biology of infectious diseases: Part II. Nature. 1979;280(5722):455-61. [Crossref] [PubMed]
- Çetin E, Kiremitci B, Yurt İD. [Mathematical epidemiology: pandemic A/H1N1 case]. Istanbul Univ J Sch Bus Adm. 2009;38(2):197-209.
- Keeling MJ, Rohani P. Modeling Infectious Diseases in Humans and Animals. 1st ed. Princeton: Princeton University Press; 2011. p.408. [Crossref]
- Soetaert KER, Petzoldt T, Setzer RW. Solving differential equations in R: package deSolve. J Stat Softw. 2010;33(9). [Crossref]
- Plumber: An Api Generator for R; 2017.
- Visualization: GeoChart. https://developers.google.com/chart/interactive/docs/gallery/geochart?hl=th&authuser=0. Accessed April 7, 2020.
- Sievert C, Parmer C, Hocking T, Chamberlain S, Ram K, Corvellec M, et al. plotly: Create interactive web graphics via Plotly's JavaScript Graphing Library; 2016.
.: Process List