Covid19 en France : combien de jeunes à l'hôpital ?
il y a des données officielles sur les hospitalisations par classe d'âge, mais elles sont rarement représentées graphiquement. data.gouv.fr/fr/datasets/do…
Pourtant, à l'heure où une bonne partie des clusters ont lieu en milieu scolaire et universitaire, où les protocoles sanitaires sont discutés, il peut être utile de suivre les données hospitalières par classe d'âge.
J'ai fait une visualisation de ces données en deux figures. La première présente les hospitalisations *en cours*. D'après le fichier publié par Santé Publique France, il y a actuellement 33 enfants (0-9ans), 18 ados (10-19ans) et 100 "vingtenaires" (20-29 ans) hospitalisés.
*Attention* l'échelle verticale change volontairement d'une classe d'âge à l'autre. Cette échelle est calée sur la hauteur de la vague d'avril de chaque classe d'âge, afin de visualiser l'évolution temporelle pour chaque classe.
Ainsi, comme il est régulièrement rappelé, la grande majorité des patients hospitalisés sont âgés : 4800 ce soir ont plus de 60ans (78%).
Cette variable "hospitalisation en cours" est pertinente par rapport au problème de la saturation des services, mais elle ne dit pas tout. En effet elle dépend à la fois des admissions et des sorties quotidiennes.
Si par exemple demain 20 personnes entrent à l'hôpital, et 20 en sortent le même jour, on ne verra rien sur cette première figure : le nombre d'hospitalisations en cours ne changera pas. Même chose si ce n'est pas 20 mais 50 entrées/sorties.
Pour en savoir plus, on s'intéresse aux hospitalisations "cumulées". La somme des hospitalisations en cours, de tous les retours à domiciles, et de tous les décès enregistrés, donne le total des patients *passés à l'hôpital* depuis le début du comptage.
Les chiffres totaux sont frappants. Je n'avais pas idée que plus de 1000 enfants et presque 900 ados sont déjà passés à l'hôpital pour Covid depuis mars (même s'il peut s'agir de courts séjours).
A nouveau on change d'échelle pour les séniors : 85000 patients hospitalisés depuis mars, dont 19500 décès (n.b. ne sont comptabilisés dans ce fichier SPF que les décès à l'hôpital).
Sur cette seconde figure qui montre des cumuls, l'échelle verticale est centrée sur le total au 1er juillet (repère central), pour comparer première vague et évolution actuelle pour chaque classe d'âge, et aussi comparer visuellement les dynamiques entres classes.
Cette variable "hospitalisations totales" a une autre utilité : de ses augmentations on peut logiquement déduire le nombre des *admissions* à l'hôpital.
En effet, si un jour donné il y a 10 patients de plus que la veille dans un service covid, et qu'il y a eu aussi 5 retours à domiciles et 1 décès dans la journée, cela implique normalement que 16 nouveaux patients sont entrés dans le service.
Ces "admissions" sont une variable de choix pour surveiller l'évolution des nouveaux cas de covid suffisamment graves pour passer à l'hôpital.
Les admissions sont d'ailleurs directement donnés par SPF dans un autre fichier, mais malheureusement pas par classe d'âge.
Pour comparer les progressions par classe d'âge, je trace donc ces admissions *déduite des hospitalisations cumulées* dans une troisième figure. Chaque barre représente une semaine (par ex. 232 trentenaires admis au cours de la semaine passée).
On voit que la reprise d'hospitalisations n'épargne aucune classe d'âge, avec même pour les "jeunes" des nombres d'admissions qui sont plus proches de leur première vague (~35% du pic d'avril pour les 0-30 ans, contre ~20% pour les plus de 30 ans).
Je mettrai à jour ces graphiques tous les dimanches soir. Si vous détectez un bug ou une erreur, merci de me le signaler.
• • •
Missing some Tweet in this thread? You can try to
force a refresh
Do current Delta🦠waves in Europe correlate with temperature change?🌡️
Here's a graph for all 35 countries with > 1M population 👇
thread 🧵, 1/n
🔵Blue is the 7-day mean outdoor temperature.
⚪️White is the 7-day case ratio (i.e. new cases detected on a given date, divided by new cases detected 7 days earlier). This ratio can also be used as a rough estimation of R (i.e. the number of persons infected by a single case).
There are a couple tricks to align both variables :
👉 the temperature is plotted on a reversed axis (low temp. on top), as cold air is suspected to facilitate virus transmission (more on this below).
Météo ⛅️ + mobilité🚗: une carte 🗺️ pour essayer de ne plus naviguer à vue avec le #covid19.
Un fil (très) exploratoire 🔽🔽🔽
Comme vous avez pu le lire ici dans de multiples fils, en suivant de près le R de l’épidémie (le nombre de personnes contaminées par malade) et les courbes de température et d’humidité, il semble qu’un air froid et sec favorise la transmission.
Le “problème” c’est que ce qui détermine le R en premier lieu, ce sont les mesures de restrictions sociales, confinements etc.
On peut voir que les corrélations climatiques se “cassent la gueule” dès que le niveau des restrictions varie. germain-forestier.info/covid/meteo.ht…
Here's a quick-and-dirty attempt at transposing plots of covid transmission vs. weather to another country : Germany 🇩🇪
Plots for R vs. Temperature, and R vs. Absolute Humidity during summer :
As I don't have access to new hospitalization data, I had to estimate R from new cases, and shifted it by a delay of ~12 days to account for incubation, testing and reporting delays.
Remember the weather axes are flipped upside down.
The bottom plot is 1-month floating-window correlation (Pearson's r, y axis also inverted). Note how the correlation varies but remains always negative.
[disclaimer: I work as a biologist, but am no epidemiologist, so please use results with caution]
If weather influences covid19 transmission, it should show in reported cases with a delay, that is ~5 days from infection to symptoms + maybe 1 week for getting tested, receiving the results and get reported in state data.
The variable putatively influenced by weather is not directly case count, but Reproduction number R, the number of people infected by each sick person.
Par ex le 15/09, pour que le n d'hospit en cours augmente de 181, alors qu'il y a eu 384 retours et 36 décès depuis la veille, il faudrait que le nombre d'entrées à l'hopital ait été de (181 + 384 + 36) = 601. Or le chiffre de nouvelles hospit donné pour ce jour là est de 642.
Cette différence sur le site d'information, je la retrouve dans les fichiers (fichier "nouveaux" vs. fichier "classe d'âge" en prenant la classe total "0") : la somme des var. journalières d'hospit en cours + retours + décès n'atteint en moyenne que 90% des nouvelles hospit.