Routinematig verzamelde gezondheidsgegevens worden steeds
meer gebruikt om het effect van een behandeling op een uitkomst te
schatten, met als doel interventies bij te sturen. Omdat behandelde
en onbehandelde patiënten vaak zeer verschillend zijn, moet elke
statistische analyse dan rekening houden met confounders die de
associatie tussen behandeling en uitkomst verstoren. Het is
verleidelijk om dit te doen via bestaande machine learning methoden.
Deze zijn echter gevoelig voor regularisatiebias, maken het
aanzienlijk moeilijker om de onzekerheid op de resultaten in kaart te
brengen, en zijn niet ontworpen voor effectschatting en daarom suboptimaal.
Bovendien is het typisch noodzakelijk om meer
patiëntspecifieke informatie in de besluitvorming in rekening te
brengen.
We zullen eerst onderzoeken hoe we machine learning methoden
kunnen afstemmen om de schatting en besluitvorming voor het
behandelingseffect te optimaliseren. We zullen daartoe strategieën
ontwikkelen die efficiënte schatters voor behandelingseffecten
opleveren, samen met eerlijke betrouwbaarheidsintervallen onder
zwakkere aannames. Omdat sommige confounders vaak niet
gemeten zijn, zullen we nieuwe effectschatters voorstellen voor caseonly
designs, dewelke automatisch rekening houden met
confounders die niet wijzigen over de tijd. Om vervolgens tot een
praktische besluitvorming te komen, zullen we deze inzichten
uitbuiten om causale voorspellingen te doen voor nieuwe patiënten
onder geplande interventies.