Quarante-sept cas sans date de début

La réunion de coordination du cluster est à seize heures et elle attend la courbe épidémique. Vous avez la liste linéaire, seize semaines, et quarante-sept cas sans date de début.

Les supprimer prend une ligne et personne ne le remarquera. C’est bien le problème.

Le fichier

cholera-line-list-2024.v1.csv — 975 cas dans trois districts, avec date de début, date d’admission lorsque le cas a été admis, et issue. Synthétique. district-population-2024.v1.csv porte la population par district et par tranche d’âge.

Le travail

Partie une. Tracez la courbe de trois façons sur un même repère, ou en trois panneaux si vous préférez : par date de début parmi les cas qui en ont une, par date d’admission parmi les cas admis, et par date de début avec les manquantes imputées depuis l’admission à partir du délai médian propre à chaque district. Pas hebdomadaires, et chaque série étiquetée avec son n.

Partie deux. Les trois courbes culminent à des semaines différentes et portent des totaux différents. Pour chacune, écrivez une ligne disant quelle population de cas elle décrit — non ce à quoi elle ressemble, ce qu’elle est.

Partie trois. Déterminez si les dates de début manquantes le sont au hasard. Ventilez les 47 par district, par issue et selon que le cas a été admis ou non, et dites en trois phrases quel motif vous trouvez et laquelle de vos trois courbes il abîme le plus.

Partie quatre. Choisissez la courbe que vous mettriez devant la réunion, et écrivez la légende qui l’accompagne. Trois phrases au plus, comprenant le total, le dénominateur, et la seule chose qu’un lecteur ne doit pas en conclure.

Ce qu’il faudra traiter

Trois choses, et aucune n’est une erreur de données.

• 327 cas n’ont jamais été admis. La courbe par date d’admission est donc tracée sur deux tiers de l’épidémie, et le tiers qu’elle laisse tomber n’est pas un tiers au hasard.
• Les dates de début d’un district sont rétro-remplies depuis le registre d’admission. Son délai médian début-admission vaut zéro jour avec environ 80 % de ses cas enregistrés le jour même. Imputer les dates manquantes de ce district à partir de son propre délai médian ne fera donc strictement rien, ce qu’il vaut mieux remarquer avant de présenter l’imputation comme une correction.
• Un cas n’a pas d’issue. Cela ne change rien dans cet exercice, et le dire fait partie de la réponse.

Trois points de repère

La courbe par date de début porte sur 928 cas et culmine à la septième semaine — celle qui s’achève le 23 juin — avec 111 cas. Les dates manquantes se répartissent en 21 à Centre, 18 à Nord et 8 à Sud. Si votre pic tombe ailleurs, vérifiez si vos pas hebdomadaires commencent au premier début de maladie ou à une frontière de calendrier, et dites lequel vous avez employé.

Les questions à traiter en prose

Trois phrases chacune.

1. Votre courbe par date d’admission culmine plus tard que celle par date de début. Expliquez les deux raisons distinctes de ce décalage — l’une est biologique et l’autre est une pratique d’enregistrement — et dites laquelle vous pouvez chiffrer à partir de ce fichier.

2. L’imputation par le délai médian de chaque district est défendable dans deux districts et inutile dans le troisième. Nommez le district, dites pourquoi, et décrivez ce qu’il vous faudrait pour imputer ses débuts de maladie honnêtement.

3. Un collègue propose de rapporter la courbe sur les 928 cas ayant une date de début et les taux d’attaque sur les 975. Dites si c’est acceptable, et ce qu’il faudrait dire au lecteur pour que ça le devienne.

À rendre

Un script ou un carnet Python produisant :

• les trois courbes hebdomadaires, tracées et imprimées en tableau semaine contre effectif, chacune avec son n énoncé
• la ventilation des données manquantes par district, par issue et selon l’admission
• la légende de la partie quatre en docstring ou en cellule markdown, non en commentaire de code
• les trois réponses en prose

Comment savoir que c’est fini

Chaque chiffre imprimé porte le nombre de cas sur lequel il a été calculé, et un lecteur peut dire d’après les seules étiquettes laquelle de vos trois courbes est laquelle. Supprimez les sorties, relancez depuis un noyau propre, les nombres sont identiques — y compris celui de la courbe imputée, ce qui signifie que vos délais médians ont été calculés avant l’imputation et non depuis une table qui la contient déjà.