Presentaties en lezingen

Klinische praktijkrichtlijnen zijn bedoeld om de klinische praktijk te sturen en bevatten causaal taalgebruik. Soms maken richtlijnen sterkere causale uitspraken dan de referenties waarop ze gebaseerd zijn — een fenomeen dat we aanduiden als een ‘causation jump’. Hoe zien die “jump” eruit en wat kunnen de gevolgen zijn? 👉🔗

[30 apr 2025] Introductie tot de negatieve controlegroep 👉🔗

De negatieve controlegroep (NC-population) is een krachtig maar zelden gebruikt manier om niet-gemeten confounding uit te sluiten en om de uitsluitingsrestrictie in IV-analyses te weerleggen. Hoe werkt dat precies? Deze presentatie geeft enkele kernpunten mee uit dit artikel (Piccininni & Stensrud 2024).

[02 apr 2025] Voorspellen van behandelingseffecten in een eierstokkanker-screeningtrial 👉🔗

We proberen een trial te “redden” waarin het gemiddeld behandelingseffect (ATE) bijna nul is: ondanks veel programmeerwerk en verfijnd gebruik van g-methoden blijven de resultaten weinig hoopgevend. Dit is een tussentijds verslag van mijn lopende project.

[02 okt 2024] Inleiding tot proximale causale inferentie 👉🔗

Proximale causale inferentie gebruikt variabelen rond een bekende maar niet gemeten verstorende confounder om te proberen puntschattingen van causale effecten te krijgen. Hoe werkt het? Deze presentatie legt het uit in lekentaal.

[01 mei 2024] Inleiding tot standaardisatie 👉🔗

Een korte introductie over standaardisatie, een belangrijke klasse van g-methoden die veel worden gebruikt in moderne causale inferentie.

[07 feb 2024] Causaal taalgebruik in klinische richtlijnen diabetes mellitus: een evaluatie van causaliteit en afstemming 👉🔗

Presentatie van het onderzoeksvoorstel voor mijn masterscriptieproject. Hoe zien causale talen en koppelwoorden eruit in klinische richtlijnen, en of ze correct worden gebruikt en geïnterpreteerd?

[20 sep 2024] Data Cleaning: Detecteren, diagnosticeren en bewerken van data-abnormaliteiten

Data cleaning is een must, maar wordt nauwelijks genoemd, gerapporteerd en onderwezen in epidemiologische cursussen. Het beste artikel dat we konden vinden dat dit onderwerp besprak, werd ongeveer twee decennia geleden gepubliceerd. Moet data cleaning terug naar de aandacht van epidemiologen? Dit is een presentatie van het artikel Data Cleaning: Detecteren, diagnosticeren en bewerken van data-abnormaliteiten (van den Broeck et al., PLoS Medicine 2005;2(10):e267.)

[31 mei 2024] Causaal machinaal leren voor behandelresultaten 👉🔗

Het schatten van causaal effect, waar contrafactische werelden bij betrokken zijn, is altijd aantrekkelijk, met name met machinale leertechnieken. Wat kan ML doen voor causale inferentie en hoe moeten we erover denken? Dit is een presentatie van het artikel Causal machine learning for predicting treatment outcomes (Nature Medicine 2024;30:958–68).