CRAN 任务视图：流行病学

贡献者（按字母顺序）：Neale Batra，Solène Cadiou，Dylan Dijk，Christopher Endres，Rich FitzJohn，Hugo Gruson，Andreas Handel，Michael Höhle，Thibaut Jombart，Joseph Larmarange，Sebastian Lequime，Alex Spina，Tim Taylor，Sean Wu，Achim Zeileis。

概述

R 正在成为流行病学领域的标准工具，提供从研究设计到流行病学数据探索、建模、预测和模拟的广泛工具。本任务视图概述了专门为流行病学开发的软件包，包括传染病流行病学 (IDE) 和环境流行病学。它不包括

• 在这些领域中使用但不是专门为流行病学环境开发的通用工具，
• “组学”方法和全基因组关联研究 (GWAS)，这些方法可用于流行病学，但构成一个很大程度上独立的领域。

软件包按以下类别分组

1. 数据可视化：专门用于处理和可视化流行病学数据的工具，例如流行曲线（“流行曲线”）、接触者追踪网络的探索等。
2. 传染病建模：IDE 特定软件包，用于分析流行曲线（包括疫情检测/监测）、估计传播率、短期预测、隔室模型（例如 SIR 模型）、疫情模拟和传播树重建。
3. 环境流行病学：专门用于研究作为疾病决定因素的环境因素的工具。
4. 辅助工具：实现各种任务的工具，这些任务对于流行病学实践和教学很有用，例如样本量计算、拟合离散伽马分布或处理线列表数据。
5. 数据包：这些软件包提供对经验和模拟流行病数据的访问；包括关于 COVID-19 的特定部分。

任务视图的脚注中提供了指向非特定但非常有用的包（用于创建表格、操作日期等）的附加链接。

纳入标准

本任务视图中包含的包是通过专家流行病学家的推荐以及使用pkgsearch::pkg_search()和关键字：流行病学、流行病、epi、爆发和传播进行的自动 CRAN 搜索确定的。该列表经过手动整理，以满足上一段中描述的条件，最终确定了最终选择。

如果包提供明确针对传染病报告、建模或预测的工具或数据，则认为该包在范围内。

欢迎您的意见！如果您发现我们可能遗漏的包，请在 GitHub 存储库中提交问题或联系维护者。

数据可视化

本节包括提供用于可视化和探索流行病学数据的特定工具的包。

• epicontacts: 实现了一个专门用于接触数据的类，由病例线列表和病例之间的接触组成。还包括用于数据处理、交互式图形和表征接触模式（例如混合模式、序列间隔）的程序。 RECON 包。
• EpiContactTrace: 用于流行病学接触追踪和接触网络可视化的例程。
• EpiCurve: 为每小时、每天、每周或每月的结果数据创建简单或堆叠的流行病曲线。
• epiDisplay: 用于数据探索和结果展示的包。
• epiflows: 提供旨在处理和可视化人员在不同地点之间流行病学流动情况的函数和类。还包含一种统计方法，用于根据最初在 Dorigatti 等人 (2017) 中描述的流动数据预测疾病传播。 RECON 包。
• EpiReport: 为给定疾病起草以“Microsoft Word”格式的流行病学报告，类似于欧洲疾病预防与控制中心发布的年度流行病学报告。
• incidence: 函数和类，用于使用各种日期格式，根据定义的时间间隔从日期事件计算、处理和可视化发病率。还提供用于发病率对数线性模型和每日增长率估计的包装器。 RECON 包。此包计划弃用，并由 incidence2 替换。
• i2extras: 提供用于处理“incidence2”对象的函数，包括用于趋势拟合、增长率估计和峰值估计的简化接口。 RECON 包。

传染病建模

本节包含专门用于 IDE 建模的软件包。请注意，R 提供了大量用于通用时间序列建模的选项，其中许多列在 TimeSeries 和 Survival 任务视图中。

流行病监测

以下软件包实现了监测算法，但这些方法可以通过空间分析得到有效补充。我们建议查看 Spatial 任务视图，其中包含专门针对 疾病映射和区域数据分析 的部分。

• Epi: 用于 Lexis 图表中人口统计和流行病学分析的函数，即登记和队列随访数据，特别是多状态数据的表示、操作和模拟 - Lexis 函数套件，其中包括与 mstate、etm 和 cmprsk 软件包的接口。还包含用于年龄-时期-队列和李-卡特建模、区间删失数据、制表、绘图以及许多流行病学数据集的函数。
• episensr: 对观察到的相对风险进行基本敏感性分析，调整未测量的混杂因素和暴露/结局的误分类，或两者兼而有之。它遵循 Lash T.L.、Fox M.P. 和 Fink A.K. 的书籍“将定量偏差分析应用于流行病学数据” (‘Springer’, 2009) 中的偏差分析方法和示例。此工具还通过 apisensr 软件包以 API 形式提供。
• mem: 移动流行病方法，由 T Vega 和 JE Lozano 创建 (2012，2015)，允许每周评估流行病和强度状态，以帮助卫生系统进行常规呼吸道感染监测。允许比较不同流行病指标、时间和形状与过去流行病以及不同地区或不同监测系统的国家/地区。此外，它还提供了对方法性能的衡量，包括警报周的敏感性和特异性。此工具还通过 memapp 软件包以 shiny 应用程序形式提供。
• riskCommunicator: 使用参数化 G 公式估计灵活的流行病学效应指标，包括差异和比率，作为逆概率加权的替代方法。它有助于估计干预措施在存在治疗-混杂因素-反馈情况下的影响。G 计算最初由 Robbins (1986) 描述，并由 Ahern、Hubbard 和 Galea (2009)；Snowden、Rose 和 Mortimer (2011)；以及 Westreich 等人 (2012) 详细描述。
• RSurveillance: 提供一套多样化的函数，可用于疾病监测活动的設計和分析。
• trendeval: 为使用 trending 包拟合的模型提供一致的接口。 RECON 包。
• SpatialEpi: 用于聚类检测和疾病制图的方法和数据。
• surveillance: 用于对计数、比例和分类数据的时序进行建模和监测的统计方法，以及用于对流行现象的时空点过程进行灵活的协变量回归建模。监测方法侧重于公共卫生传染病监测中计数数据时序的异常检测。 Salmon 等人 (2016) 对可用监测程序进行了最近的概述，而 Meyer 等人 (2017) 对实施的流行现象时空建模框架进行了最近的概述。还包含反向投影方法，用于从疾病发病推断暴露时序，以及对观察到的时序进行报告延迟校正（现时预测）。
• trending: 为多种建模工具提供一致的接口，用于拟合趋势，以及生成置信区间和预测区间的标准化方法。 RECON 包。
• coarseDataTools: 用于分析粗略数据的函数。具体来说，它包含用于 (1) 将参数加速失效时间模型拟合到区间删失生存时间数据，以及 (2) 估计存在漏报情况下的病死率的函数。该包的开发是受传染病应用的推动：特别是估计给定疾病的潜伏期和病死率的问题。包中包含示例数据文件。参见 Reich 等人 (2009)、Reich 等人 (2012) 和 Lessler 等人 (2009)。
• cfr: 估计疾病严重程度和病例确定，如 Nishiura 等人 (2009) 中所述。
• EpiSignalDetection: 通过 Salmon 等人 (2016) 中描述的方法探索流行病学时间序列以进行信号检测。此包还提供了一个闪亮的界面和自动报告生成。

个体水平数据

• modelSSE: 提供全面的分析工具来表征来自接触者追踪监测数据的传染病超级传播。该工具包的理论基础包括具有传播异质性的分支过程 (Lloyd-Smith 等人 (2005))、病例簇大小分布 (Nishiura 等人 (2012)、Blumberg 等人 (2014) 和 Kucharski 和 Althaus (2015))，以及基本再生数的分解 (Zhao 等人 (2022)。
• nosoi: nosoi（发音为 no.si）的目的是提供一个灵活的基于代理的随机传播链/流行病模拟器 (Lequime 等人 2020)。该包可以考虑多个变量对传播过程的影响（例如，双宿主系统，如虫媒病毒，宿主内病毒动力学，运输，人口结构），单独或共同作用，以创建复杂但相对直观的流行病学模拟。

数字流行病学

• argo: 使用通用在线数据 (ARGO) 进行增强回归，以准确估计美国国家级和区域级的流感流行病。它复制了论文 Yang, S.，Santillana, M. 和 Kou, S.C. (2015) 和 Ning, S.，Yang, S. 和 Kou, S.C. (2019) 中介绍的方法。
• epitweetr: 从“Twitter”数据中早期发现公共卫生威胁。此包允许您自动监控推文随时间、地点和主题的变化趋势，旨在通过检测信号（例如，推文数量的异常增加）尽早发现公共卫生威胁。它旨在关注传染病，可以通过修改主题和关键词扩展到所有危害或其他研究领域。更多信息请参见 ‘epitweetr’同行评审出版物。

传播力的估计

• earlyR: 使用泊松分支过程实现基本再生数 (R0) 的简单、基于似然的估计。该模型需要了解系列间隔分布和症状发作日期。它是 Cori 等人 (2013) 介绍的模型的简化版本。
• endtoend: 计算考虑端到端传输模型的传输和接收次数的期望值，该模型对每个数据包的重传次数有限。它提供理论结果以及基于蒙特卡罗模拟的估计值。还可以考虑随机数据和 ACK 概率。
• EpiEstim: 提供工具，使用 Cori 等人 (2013) 中介绍的瞬时再生数 (Rt) 估计随时间变化的传播率。
• epimdr: Ottar N. Bjornstad 编著的“流行病：R 中的模型和数据” (ISBN 978-3-319-97487-3) 的函数、数据集和 Shiny 应用程序。该软件包包含用于研究 S(E)IR 模型、空间和年龄结构化 SIR 模型的函数；时间序列 SIR 和链二项式随机模型；催化疾病模型；空间传播的耦合映射格模型和社会感染传播的网络模型。该软件包也是 Coursera 流行病大规模开放式在线课程 的高级定量伴侣。
• epinet: 一组流行病/网络相关工具。模拟疾病通过接触网络的传播。在给定流行病数据的情况下，对网络和流行病参数进行贝叶斯推断。
• EpiNow2: 提供工具，使用 Abbott 等人 (2020) 和 Gostic 等人 (2020) 中介绍的方法，估计流行病的随时间变化的再生数、传播率和倍增时间，同时考虑各种延迟。
• nbTransmission: 使用 Leavitt 等人 (2020) 中介绍的朴素贝叶斯估计病例之间的相对传播概率。包括各种函数来估计传播参数，例如世代/系列间隔和再生数，以及查找协变量对传播概率的贡献并可视化结果。
• R0: 基于发病率数据估计疾病暴发的再生数，包括基本再生数 (R0) 和瞬时再生数 (R(t))，以及相应的 95% 置信区间。还包括用于绘制输出和执行敏感性分析的例程。
• tsiR: TSIR 建模框架允许用户将时间序列 SIR 模型拟合到累积病例数据，该模型使用回归方程根据报告期之间累积病例的差异来估计传播参数。该软件包支持使用 GLM 和轮廓似然技术对 TSIR 参数进行推断，以及基于拟合模型的正向模拟，如 Becker 和 Grenfell (2017) 中所述。
• Bernadette: 实现 Bouranis 等人 (2022) 描述的贝叶斯证据合成方法，用于基于每日死亡人数对 COVID-19 的年龄特异性传播动态进行建模。 Bernadette 的功能可用于从公开数据中重建流行病驱动因素，估计关键流行病学数量，如随时间变化的疾病传播率、感染的潜在计数和特定人群的繁殖数，以及使用信息标准进行模型比较。

隔室模型

• EpiILM: 提供用于从离散时间个体水平模型中模拟数据的工具，用于传染病数据分析。此流行病模型类别包含基于空间和接触网络的模型，具有两种疾病类型：易感-感染 (SI) 和易感-感染-移除 (SIR)。
• EpiILMCT: 提供用于从连续时间个体水平疾病传播模型中模拟数据，并使用相同模型进行传染病数据分析的工具。所考虑的流行病模型是在易感-感染-移除 (SIR) 或易感-感染-通知-移除 (SINR) 隔室框架内的基于距离和/或接触网络的模型。 Almutiry 和 Deardon (2019) 对实施的连续时间个体水平流行病模型进行了概述。
• EpiModel: 用于模拟传染病动力学数学模型的工具。流行病模型类别包括确定性隔室模型、随机个体接触模型和随机网络模型。网络模型使用 R 中 Statnet 软件包套件中稳健的指数族随机图模型 (ERGM) 统计方法。流行病建模的标准模板包括 SI、SIR 和 SIS 疾病类型。EpiModel 提供了一个 API，用于扩展这些模板以解决新颖的科学研究目标。 Jenness 等人 (2018) 详细介绍了 EpiModel 的完整方法。
• odin: 提供了一个通用的、快速且计算效率高的平台，用于实现任何确定性或随机隔室模型（例如 SIR、SEIR、SIRS 等），并且可以包括年龄分层或空间化。它使用特定领域语言 (DSL) 来指定常微分方程 (ODE) 系统并对其进行积分。DSL 使用 R 的语法，但编译为 C 以便使用 deSolve 和 dde 包的接口有效地解决系统。
• pomp 提供大量正向模拟算法和 MLE 或贝叶斯推理技术，用于处理状态空间模型。模型可以指定为确定性或随机性，通常遵循隔室模型结构。时间可以是离散的或连续的，具体取决于所选择的模拟算法。此外，模型可以在 C 中编程并在运行时编译成适合在包中使用的格式，以加快模拟和推理速度。R 包及其一些算法在 King、Nguyen 和 Ionides (2016) 中进行了描述。
• popEpi: 能够计算流行病学统计数据，包括使用参考人群的计数或死亡率的统计数据。目前支持：超额风险模型、比率、平均生存时间、相对生存率以及标准化发病率和死亡率比（SIR/SMR），所有这些都可以通过年龄等协变量轻松调整。使用 r pkg("Epi", priority = "core") 包中的“Lexis”对象进行快速拆分和聚合，以及使用 r pkg("data.table") 进行其他计算。
• SimInf: 提供了一个高效且灵活的框架，用于在现实的大规模疾病传播模拟中进行数据驱动的流行病学建模。该框架使用吉列斯皮随机模拟算法将亚群中的感染动力学整合为连续时间马尔可夫链，并将出生、死亡和迁移等可用数据作为预定义时间点的计划事件纳入。使用 C 代码进行数值求解器，并使用“OpenMP”（如果可用）将工作分配到多个处理器，确保在模拟样本结果时具有高性能。该包包含模板模型，并且可以使用用户定义的模型进行扩展。有关更多详细信息，请参阅 Widgren、Bauer、Eriksson 和 Engblom (2019) 的论文。
• socialmixr: 提供从日记数据中采样接触矩阵的方法，用于传染病建模，如 Mossong 等人 (2008) 所述。
• finalsize: 计算具有接触模式和疾病易感性的人口统计学差异的群体中易感-感染-恢复流行病的最终规模，如 Miller (2012) 所述。

传播树重建

• adegenet: 主要是一个群体遗传学包，adegenet 实现 seqtrack (Jombart 等人 2011)，这是一种使用 Edmonds/Chu-Liu 算法重建传播树的最大简约方法。
• o2geosocial (outbreaker2 模块): 使用常规收集的监测数据，对过去疫情中谁感染了谁进行贝叶斯重建。使用基因型、年龄特异性社会接触、病例之间的距离和报告病例的发病日期推断传播树 (Robert A、Kucharski AJ、Gastanaduy PA、Paul P、Funk S. 2020)。
• o2mod.transphylo 是 outbreaker2 的一个模块，它使用 TransPhylo 宿主内进化模型。
• outbreaker2: 一个模块化平台，用于使用流行病学和遗传信息对疾病暴发进行贝叶斯重建，如 Jombart T、Cori A、Didelot X、Cauchemez S、Fraser C 和 Ferguson N. 2014、Campbell F、Cori A、Ferguson N、Jombart T (2019) 中介绍。
• TransPhylo: 从带日期的系统发育树推断传播树。包括模拟和分析疫情的方法。该方法在 Didelot 等人 (2014)、Didelot 等人 (2017) 中有描述。

环境流行病学

环境流行病学致力于研究环境中作为疾病决定因素的物理、化学和生物因素。环境流行病学的目的是推断因果关系，识别环境疾病原因，例如来自空气和水污染物、膳食污染物、建筑环境等。

专门针对环境流行病学的 R 包包括处理污染物检测限（左删失问题）的工具，以及各种建模方法来解释暴露之间的多重相关性并推断因果关系。

• NADA: 环境数据的非检测和数据分析，该包包含从 Helsel (2011) 中的方法派生的所有函数。
• EnvStats: 环境统计包，包括美国环保署指南，环境数据的图形和统计分析，重点分析化学浓度和物理参数，通常是在强制性环境监测的背景下。文献和监管指南文件中发现的主要环境统计方法，以及广泛的帮助说明这些方法的作用、如何使用它们以及在文献中在哪里找到它们。来自监管指南文件和环境统计文献的众多内置数据集 (Millard 2013)。
• bkmr: 实现贝叶斯核机器回归，这是一种用于估计多个并发暴露的联合健康影响的统计方法，如 Bobb 等人 (2015) 所述。
• mediation: 实现参数和非参数中介分析，如 Imai 等人 (2010) 所述。
• mma: 实现多重中介分析，如 Yu 等人 (2017) 所述。
• HIMA: 允许基于高级中介筛选和惩罚回归技术估计和检验高维中介效应 (Zhang 等人 2021)。

助手

本节包括提供工具以促进流行病学分析以及培训（例如计算样本量、列联表等）的包。

• incidence2: 提供函数和类来计算、处理和可视化来自日期事件的发生率。以多种方式改进了原始的 incidence 包：在使用的时段中具有完全灵活性，允许进行多重分层，并且与 dplyr 和其他 tidyverse 工具完全兼容。 RECON 包。
• DSAIDE: 探索各种传染病传播动力学场景的模拟模型（应用程序）。该包的目的是帮助个人从动力系统角度了解传染病流行病学。所有应用程序都包括对基础模型的解释以及如何使用模型的说明。
• epibasix: 包含用于分析常见流行病学问题的基本工具，涵盖样本量估计、2x2 列联表分析和基本一致性度量（Kappa、敏感度/特异度）。尽可能地编写了适当的打印和摘要语句以方便解释。目标受众包括流行病学或生物统计学课程的高年级本科生和研究生，以及临床研究人员。
• epiR: 用于分析流行病学和监测数据的工具。包含用于直接和间接调整疾病频率度量、根据列联表中呈现的单一或多个分层计数数据量化关联度量、计算发病率风险和发病率估计值周围的置信区间以及横断面、病例对照和队列研究的样本量计算的函数。监测工具包括用于计算 1 级和 2 级代表性自由调查的适当样本量的函数、用于估计监测系统敏感度的函数以及用于支持情景树建模分析的函数。
• epitools: 用于培训和实践流行病学家的工具，包括用于双向和多向列联表的方法。
• epitrix: 一组对流行病分析和传染病建模有用的小型函数。这包括从每日增长率计算基本再生数 (R0)、生成哈希标签以匿名化数据以及拟合离散伽马分布。
• linelist: 实现 linelist 类用于存储病例列表数据，它扩展了 data.frame 和 tibble，通过添加对标记关键流行病学变量、验证它们以及提供防止意外删除或更改这些数据的保护措施，以帮助使数据管道更直接和更健壮。
• powerSurvEpi: 用于计算流行病学研究（非随机研究）生存分析中检验主效应或交互效应的功效和样本量的函数，同时考虑了感兴趣协变量与其他协变量之间的相关性。一些计算还考虑了竞争风险和分层分析。该包还包含一组用于计算随机临床试验生存分析中检验主效应的功效和样本量的函数。
• AMR: 使用基于证据的方法和可靠的参考数据（如 LPSN (Parte et al. 2020))，简化和标准化抗菌素耐药性 (AMR) 数据分析，并处理微生物和抗菌素特性。

数据

以下是一些提供不同流行病学数据集的包，这些数据集要么是模拟的，要么是真实的，对研究目的或特定 COVID-19 部分的现场应用很有用。

流行病爆发数据

• contactdata: Prem 等人 (2017) 补充数据的 数据包。提供 152 个国家/地区的接触数据的便捷访问，用于流行病学、人口统计学或社会科学研究。
• outbreaks: 以 RData 或文本文件形式提供的经验或模拟疾病爆发数据。
• cholera: 更正错误，补充数据并帮助分析约翰·斯诺 1854 年伦敦霍乱爆发的地图。
• malariaAtlas: 一套工具，允许您从 “疟疾地图项目” 服务器下载所有公开可用的寄生虫率调查点、蚊子发生点和栅格表面，以及用于绘制下载数据的实用程序函数。

COVID-19

• bets.covid19: 实现早期流行病分析的似然推断。BETS 是对正在建模的四个关键流行病学事件的缩写：暴露开始、暴露结束、传播时间和症状发作时间。该包包含冠状病毒病 (COVID-19) 早期爆发期间确诊病例轨迹的数据集。有关统计方法的更多详细信息，请参见 Zhao 等人 (2020)。
• corona: 在基本层面上操作和查看冠状病毒数据和其他与社会相关的數據。
• coronavirus: 按州/省份提供冠状病毒 (COVID-19) 病例的每日汇总。数据来源：约翰霍普金斯大学系统科学与工程中心 (JHU CCSE) 冠状病毒。
• COVID19: 下载跨政府来源的 COVID-19 数据，涵盖国家、地区和城市级别，如 Guidotti 和 Ardia (2020) 中所述。包括疫苗、检测、病例、死亡、康复、住院、重症监护和政策措施的时间序列，由“牛津 COVID-19 政府应对追踪器”提供。与“世界银行开放数据”、“谷歌出行报告”和“苹果出行报告](https://covid19.apple.com/mobility)”无缝集成。
• covid19.analytics: 从 约翰霍普金斯大学系统科学与工程中心 (JHU CSSE) 数据仓库 加载和分析全球范围内新型冠状病毒病 (CoViD-19) 报告病例的更新时间序列数据。数据集以两种主要模式提供，作为时间序列序列，并为最后一天以更高的空间分辨率进行汇总。该包中提供了多个分析、可视化和建模功能，允许用户计算和可视化全球或特定地理位置的病例总数、变化总数和增长率，同时使用这些趋势生成模型；生成交互式可视化并为疾病传播生成易感-感染-恢复 (SIR) 模型。
• covid19br: 一组将 COVID-19 大流行数据导入 R 的函数。巴西 COVID-19 数据从 https://covid.saude.gov.br/ 的巴西官方存储库获取，可用于国家、地区、州和城市级别。该包还从约翰霍普金斯大学的存储库下载全球 COVID-19 数据。
• covid19dbcand: 提供使用 dbparser 包从“Drugbank”数据库解析的不同数据集。它是 dbdataset 包的较小版本。它只包含有关 COVID-19 可能治疗的信息。
• covid19italy: 提供意大利冠状病毒 (COVID-19) 病例的每日汇总，按国家、地区和省份级别划分。数据来源：意大利总理府 - 民防部.
• covid19france: 导入并清理 https://github.com/opencovid19-fr/data 中关于法国 COVID-19 的数据。
• covid19mobility: 从不同来源抓取 COVID-19 爆发后出行趋势。目前，该包从谷歌 (https://www.google.com/covid19/mobility/)、苹果 (https://www.apple.com/covid19/mobility) 抓取数据，并将添加其他来源。返回的数据使用整洁的 Covid19R 项目数据标准 以及测量类型的受控词汇表。
• covid19nytimes: 获取美国纽约时报的县级新冠肺炎数据，该数据在 https://www.nytimes.com/article/coronavirus-county-data-us.html 中有描述，可在 https://github.com/nytimes/covid-19-data 中获取。然后，它根据 Covid19R 项目数据规范以整洁的数据格式返回数据。如果您计划使用该数据或公开展示该数据或结果，请确保引用原始的纽约时报来源。请阅读并遵守 https://github.com/nytimes/covid-19-data/blob/master/LICENSE 中规定的数据许可条款。
• covid19sf: 提供旧金山新冠肺炎病例的各种汇总表。数据来源：旧金山公共卫生部 - 人口健康部门。
• covid19swiss: 提供瑞士各州和列支敦士登公国的每日新冠肺炎 (COVID-19) 病例汇总。数据来源：苏黎世州开放政府数据专家组 https://www.zh.ch/de/politik-staat/opendata.html。
• covid19us: 围绕“COVID 跟踪项目 API” https://covidtracking.com/api/ 的包装器，提供美国新冠肺炎病例数据。
• CovidMutations: 一个可行的框架，用于新冠肺炎的突变分析和逆转录聚合酶链反应 (RT-PCR) 检测评估，包括突变谱可视化、统计和每个检测的突变率。突变率有助于评估 RT-PCR 检测在大样本中的覆盖率。 Mercatelli, D. 和 Giorgi, F. M. (2020)。
• CovidMutations: 一个可行的框架，用于新冠肺炎的突变分析和逆转录聚合酶链反应 (RT-PCR) 检测评估，包括突变谱可视化、统计和每个检测的突变率。突变率有助于评估 RT-PCR 检测在大样本中的覆盖率。 Mercatelli, D. 和 Giorgi, F. M. (2020)。
• covidregionaldata: 一个用于访问来自官方来源（如英国公共卫生署）和来自其他新冠肺炎数据收集（包括世界卫生组织 (WHO)、欧洲疾病预防控制中心 (ECDC)、约翰霍普金斯大学 (JHU)、谷歌开放数据等）的国家和次国家级新冠肺炎数据的接口。该软件包旨在以开放透明的方式简化来自各种数据源的新冠肺炎数据提取、清理和处理。对于所有支持的国家/地区，数据包括病例的每日时间序列，以及在可用情况下，关于死亡、住院和检测的数据。

其他数据包

• nhanesA: 提供对美国国家健康与营养检查调查 (NHANES) 数据表的便捷访问。

CRAN 包

相关链接

• R 流行病学联盟 (RECON)，一个致力于开发免费、开源疫情分析资源的非营利组织。
• Epiverse，由 data.org 创建的倡议，用于开发用于疫情准备和应对的开源资源。 Epiverse-TRACE 致力于创建一个用于疫情分析的 R 包生态系统。
• 流行病学家 R 手册.

其他资源

• CRAN 任务视图: Spatial
• CRAN 任务视图: Survival
• CRAN 任务视图: TimeSeries
• GitHub 项目: covid19mobility
• GitHub 项目: covid19nytimes
• GitHub 项目: covidregionaldata
• GitHub 项目: dbdataset
• GitHub 项目: o2mod.transphylo