Resumen y agenda

En esta página encontrará las instrucciones y el código para las prácticas de R del Curso en ciencia de datos en salud pública y modelamiento de enfermedades infecciosas.

El horario real puede variar ligeramente dependiendo de los temas y ejercicios elegidos por la instructora.

El curso Ciencia de Datos en Salud Pública y Modelamiento de Enfermedades Infecciosas, ha sido desarrollado por la Pontificia Universidad Javeriana como parte de la estrategia de entrenamiento EpiTKit del proyecto Epiverse TRACE-LAC. Este curso está diseñado para impulsar el conocimiento y las habilidades en modelamiento de enfermedades y análisis de datos en el contexto de la salud pública.

¿Qué es el EpiTKit?

El EpiTKit es un kit de entrenamiento en modelamiento matemático de enfermedades infecciosas y ciencia de datos en salud pública. Su objetivo principal es proporcionar material educativo de acceso abierto en español, adaptado al contexto de América Latina y el Caribe para fortalecer las capacidades en ciencia de datos y modelamiento matemático de enfermedades infecciosas en la región. Además, promueve la equidad de género en estos campos, con el fin de garantizar un desarrollo más inclusivo y efectivo en la respuesta a emergencias de salud pública.

Epiverse TRACE: una colaboración global

Este curso forma parte de una colaboración internacional que incluye instituciones como la Pontificia Universidad Javeriana y la Universidad de los Andes en Colombia, el London School of Hygiene and Tropical Medicine en el Reino Unido, el Medical Research Council Unit en Gambia y data.org, con el respaldo financiero del International Development Research Center (IDRC) de Canadá.

¿Cuál es el objetivo de este curso?

Brindar herramientas clave para el modelamiento matemático de enfermedades infecciosas y el uso de R para el análisis de datos epidemiológicos. Con un enfoque práctico y teórico, adaptado a las necesidades de la región, este curso busca desarrollar competencias que permitan analizar y responder ante brotes y epidemias.

Para más información sobre el proyecto consulte nuestra página: Página del proyecto en github

Normas del curso

Conozca nuestro código de conducta TRACE-LAC.

Configuración del software

Siga estos dos pasos:

1. Instale o actualice R y RStudio

R y RStudio son dos piezas separadas de software:

  • R es un lenguaje de programación y software utilizado para ejecutar código escrito en R.
  • RStudio es un entorno de desarrollo integrado (IDE) que facilita el uso de R. Recomendamos utilizar RStudio para interactuar con R.

Para instalar R y RStudio, siga estas instrucciones https://posit.co/download/rstudio-desktop/.

¿Ya está instalado?

Espere: Este es un buen momento para asegurarse de que su instalación de R está actualizada.

Este tutorial requiere R versión 4.0.0 o posterior.

Para comprobar si tu versión de R está actualizada:

  • En RStudio tu versión de R se imprimirá en la ventana de la consola. O ejecute sessionInfo() allí.

  • Para actualizar R, descargue e instale la última versión desde el sitio web del proyecto R para su sistema operativo.

    • Después de instalar una nueva versión, tendrás que reinstalar todos tus paquetes con la nueva versión.

    • Para Windows, el paquete installr puede actualizar su versión de R y migrar su biblioteca de paquetes.

  • Para actualizar RStudio, abra RStudio y haga clic en Ayuda > Buscar actualizaciones`. Si hay una nueva versión disponible siga las instrucciones en pantalla.

Buscar actualizaciones regularmente

Aunque esto puede sonar aterrador, es mucho más común encontrarse con problemas debido al uso de versiones desactualizadas de R o de paquetes de R. Mantenerse al día con las últimas versiones de R, RStudio, y cualquier paquete que utilice regularmente es una buena práctica.

2. Instale los paquetes R necesarios

Abra RStudio y copie y pegue el siguiente fragmento de código en la ventana de la consola, luego presione < kbd>Enter (Windows y Linux) o Return (MacOS) para ejecutar el comando:

R 

# para episodios los primeros 4 episodios

if(!require("pak")) install.packages("pak")

new_packages <- c(
  "cleanepi",
  "rio",
  "tidyverse",
  "knitr"
)

pak::pkg_install(new_packages)

R 

# para episodio Construyendo un modelo deterministico simple

if(!require("pak")) install.packages("pak")

new_packages <- c(
  "deSolve",
  "cowplot",
  "tidyverse"
)

pak::pkg_install(new_packages)

Debería actualizar todos los paquetes necesarios para el tutorial, aunque los haya instalado hace relativamente poco. Las nuevas versiones traen mejoras y correcciones de errores importantes.

Cuando la instalación haya terminado, puedes intentar cargar los paquetes pegando el siguiente código en la consola:

R 

# para los primeros 4 episodios

library(tidyverse) # contiene ggplot2, dplyr, tidyr, readr, purrr, tibble
library(readxl) # para leer archivos Excel
library(knitr) # para crear tablas bonitas con kable()
library(cleanepi) # para limpieza de datos
library(rio) # para importar y exportar tablas de datos

R 

# para episodio sobre modelo matemático

library(deSolve)   # Paquete deSolve para resolver las ecuaciones diferenciales
library(tidyverse) # Paquetes ggplot2 y dplyr de tidyverse
library(cowplot) # Paquete gridExtra para unir gráficos.

Dataset

Recuerde almacenarlos en la carpeta data en la ubicación de su proyecto.

Episodio Introducción a R y Rstudio:

Episodio Reporte e informes técnicos en R Markdown:

Episodio Introducción a la visualización de datos en R con ggplot2:

  • Datos para la práctica
    (Son los mismos datos de la práctica de R Markdown)

Episodio Limpieza de datos epidemiológicos usando R:

  • Datos para la práctica Descomprima los archivos y ponga el contenido en su carpeta data