DSIR 0.13.0 utilise backend = 'auto' par défaut et
privilégie le service public xMart de l’OMS. Il essaie legacy uniquement
si le code exact est absent d’un répertoire lu avec succès ou si le
nombre d’observations de l’indicateur entier est confirmé comme nul. Une
petite requête vérifie cette disponibilité avant les filtres de pays,
d’année ou de dimension. Un résultat filtré vide ou une couverture
partielle ne déclenche aucun basculement et ne combine pas les versions.
Les valeurs explicites backend = 'xmart' et
backend = 'legacy' fixent toujours le service. Les
estimations sanitaires mondiales (GHE) utilisent toujours xMart. Un
échec de téléchargement ne provoque jamais de changement de service. Les
exemples nécessitant le réseau sont affichés sans exécution lors de la
construction du tutoriel.
Le code est commun à la version anglaise. Les codes, les noms de champs et les libellés des sources restent inchangés. Pour commencer, consultez les premiers pas avec DSIR.
Rechercher les codes GHO et conserver les dimensions nommées
gho_indicators('mortality', backend = 'xmart')
gho_dimensions('NCDMORT3070', 'DIM_SEX', backend = 'xmart')
ncd <- gho_data('NCDMORT3070', area = 'PHL', year_from = 2020,
year_to = 2021, dimensions = list(DIM_SEX = 'TOTAL'),
backend = 'xmart')
gho_clean(ncd, keep_dimensions = TRUE, keep_metadata = TRUE)Le répertoire public fournit une route publiée et un identifiant
d’indicateur. Les tables larges contiennent des dimensions nommées et
des groupes de mesures numériques ; les tables longues contiennent des
paires explicites de types et de membres de dimensions. DSIR convertit
les deux formats vers ses colonnes brutes habituelles.
gho_clean() conserve 15 colonnes par défaut. Les champs
nommés facultatifs préservent le sens des catégories ; les métadonnées
facultatives conservent les unités et une colonne provider
pour chaque ligne.
Les observations GHO brutes contiennent Provider et
l’attribut who_provenance. Les libellés manquants sont
recherchés auprès du service enregistré, même si l’option de session a
changé. Les origines inconnues de données importées restent à
NA. Les positions peuvent différer des anciennes colonnes
Dim1–Dim3 ; préférez les filtres nommés.
Le répertoire xMart et l’ancien catalogue peuvent couvrir des codes
et des versions de publication différents. Un code inconnu provoque un
avertissement ; il n’est jamais remplacé par un code similaire. Les
fonctions de requête GHO, y compris les horodatages, acceptent
backend. Un argument explicite est prioritaire sur
DSIR.who_backend, sans modifier cette option. Si l’option
n’est pas définie, auto est utilisé. La recherche par mots-clés en mode
auto consulte uniquement xMart. Utilisez
gho_indicators(backend = 'legacy') pour explorer les codes
propres à legacy et accéder au catalogue intégré daté si sa requête en
ligne échoue. Employez le même backend pour rechercher les codes, les
dimensions, les comptes, la couverture et les données.
Un basculement automatique émet un avertissement et enregistre
requested_backend, le backend utilisé et
fallback_reason dans l’attribut
who_provenance, y compris pour les résultats scalaires de
comptage et de disponibilité. Il conserve les codes ISO3 ou régionaux
connus de l’OMS et les filtres d’année, mais ne traduit ni les
dimensions nommées ou positionnelles, ni les codes de zone M49 ou
natifs. Ces filtres empêchent le basculement ; ils ne sont jamais
supprimés. Pour la recherche de dimensions, seuls
SpatialDim, SpatialDimType,
TimeDim et TimeDimType permettent un
basculement. Fixez le service pour utiliser ses conventions propres. Un
horodatage manquant ne provoque pas de changement. La sélection est
vérifiée à chaque appel.
financial <- gho_data('FINANCIALHARDSHIP_PROPORTIONOFPOP', area = 'PHL',
backend = 'legacy')
gho_clean(financial, keep_dimensions = TRUE, keep_metadata = TRUE)
# Optional session default; explicit arguments still take precedence.
options(DSIR.who_backend = 'xmart')
gho_indicators('mortality', backend = 'legacy')Une requête réussie sans observation correspondante produit un
message d’information. Dans ce cas, gho_has_data() renvoie
FALSE et gho_count() renvoie 0L.
Les échecs de requête ou de lecture produisent un avertissement et une
table vide ou NA. Un code inconnu du répertoire xMart
produit un avertissement. Après une réponse HTTP 404 de l’ancien
service, DSIR vérifie le catalogue avant de signaler l’absence d’un
indicateur. L’échec de cette vérification ne prouve pas l’absence. Les
échecs de requête et de lecture ne déclenchent jamais de basculement
automatique.
Explorer les choix disponibles dans les GHE
ghe_dimensions('year')
ghe_dimensions('area')
ghe_dimensions('sex')
ghe_dimensions('age')
ghe_dimensions('measure')
ghe_causes('diabetes')
ghe_causes('stroke')Les références officielles des années et des sexes sont petites. La
liste géographique utilise les observations toutes causes, tous âges et
sexes réunis de l’année la plus récente. Les listes d’âges et de causes
utilisent un petit extrait du premier État Membre disponible selon
l’ordre ISO3, afin d’éviter des regroupements coûteux sur toute la base.
Ces listes servent à l’exploration ; ghe_coverage() vérifie
la couverture réelle de la sélection. Certains codes d’âge observés
n’ont pas de libellé dans la référence publiée ; leurs libellés restent
manquants.
Les champs de cause level, cause_group,
rankable et single_cause proviennent du
fournisseur. Celui-ci ne publie pas de code parent ; un code de groupe
ne constitue pas un code parent. N’additionnez pas un total hiérarchique
à ses sous-catégories.
Télécharger les mesures choisies
phl_deaths <- ghe_data('PHL', year = 2023, age = 'TOTAL', sex = 'TOTAL',
cause = 0, measure = 'deaths')
phl_rates <- ghe_data('PHL', year = 2023, age = 'Y40T44',
sex = c('FEMALE', 'MALE'), cause = 0,
measure = 'death_rate')
ghe_coverage('PHL', age = 'TOTAL', sex = 'TOTAL', cause = 0)
ghe_clean(phl_rates, keep_dimensions = TRUE)Les effectifs sont exprimés en décès ou en années, les taux pour 100 000 habitants et les proportions en pourcentage. Les effectifs conservent les bornes d’incertitude publiées. L’API ne fournit pas de bornes pour les taux ou les proportions ; DSIR ne les reconstitue pas par calcul.
Un taux pour l’âge TOTAL est un taux brut ; un groupe
quinquennal sélectionné donne un taux spécifique à l’âge. Les groupes
d’âge agrégés peuvent se chevaucher : n’additionnez pas tous les groupes
renvoyés pour obtenir un total.
measure = NULL renvoie toutes les mesures prises en
charge sur des lignes distinctes. Le nombre de lignes source diffère
donc du nombre de lignes de la table longue finale. La couverture compte
les observations source. Les requêtes dont tous les filtres sont
NULL sont refusées. Au-delà d’un million de lignes source,
réduisez les filtres ou définissez explicitement
DSIR.who_max_rows. Les filtres volumineux utilisent en
interne une requête POST avec un corps texte.
Téléchargements reproductibles et révisions des estimations
phl <- snapshot(
ghe_data('PHL', year = 2023, age = 'TOTAL', sex = 'TOTAL', cause = 0,
measure = 'deaths'),
'data/phl_ghe_2023.rds'
)
attr(phl, 'who_provenance')Les références sont mises en cache en mémoire pendant dix minutes.
snapshot() écrit uniquement dans le chemin choisi. Les
versions des GHE peuvent réviser les années antérieures : les
estimations de 2023 publiées par l’OMS en 2026 ne sont pas
automatiquement comparables à l’ancienne publication de 2021. DSIR
utilise DEX_CMS/GHE_FULL, et non les anciennes vues
GHE_FULL_FOCUS ou GHE_FULL_DD.
Population standard OMS 2026
Depuis DSIR 0.11.0, who_std_pop utilise la population
standard OMS 2026. Le tableau officiel comprend 18 groupes d’âge jusqu’à
85+. Les pourcentages arrondis totalisent 100,02 ; DSIR les
normalise à 100. std_million représente des effectifs
proportionnels ramenés à un million, sans arrondi à l’entier.
who_std_pop
#> # A tibble: 18 × 4
#> age_group age_start weight std_million
#> <chr> <int> <dbl> <dbl>
#> 1 0-4 0 7.21 72086.
#> 2 5-9 5 7.13 71286.
#> 3 10-14 10 7.11 71086.
#> 4 15-19 15 7.12 71186.
#> 5 20-24 20 7.15 71486.
#> 6 25-29 25 7.08 70786.
#> 7 30-34 30 6.89 68886.
#> 8 35-39 35 6.66 66587.
#> 9 40-44 40 6.35 63487.
#> 10 45-49 45 6.04 60388.
#> 11 50-54 50 5.75 57489.
#> 12 55-59 55 5.41 54089.
#> 13 60-64 60 4.97 49690.
#> 14 65-69 65 4.43 44291.
#> 15 70-74 70 3.77 37692.
#> 16 75-79 75 2.98 29794.
#> 17 80-84 80 2.08 20796.
#> 18 85+ 85 1.89 18896.
count <- seq_len(nrow(who_std_pop))
population <- rep(10000, nrow(who_std_pop))
age_standardize(count, population, who_std_pop$weight)
#> [1] 79.68206L’ancien objet est remplacé. Regroupez les âges observés selon les
groupes publiés avant d’appliquer les poids. Aucun découpage plus fin de
0-4 ou de 85+ n’est fourni. Source : WHO/HSA/DDA/GHE/2026.4,
tableau 1, page 6.
Étape suivante : visualiser les indicateurs.