gms | German Medical Science

64. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie e. V. (GMDS)

Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie

08. - 11.09.2019, Dortmund

Article

Send article

Intensiv-Journal Club Causal Inference

Meeting Abstract

Search Medline for

  • André Karch - Westfälische Wilhelms-Universität Münster, Münster, Germany
  • Stefanie Castell - Helmholtz-Zentrum für Infektionsforschung, Braunschweig, Germany
  • Nicole Jankovic - Institut für Medizinische Informatik, Biometrie und Epidemiologie, Universitätsklinikum Essen, Essen, Germany
  • Andreas Stang - Universitätsklinikum Essen, Essen, Germany

Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie. 64. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie e.V. (GMDS). Dortmund, 08.-11.09.2019. Düsseldorf: German Medical Science GMS Publishing House; 2019. DocAbstr. 14

doi: 10.3205/19gmds197, urn:nbn:de:0183-19gmds1973

Published: September 6, 2019

© 2019 Karch et al.
This is an Open Access article distributed under the terms of the Creative Commons Attribution 4.0 License. See license information at http://creativecommons.org/licenses/by/4.0/.

Outline

Text

Dieser Workshop richtet sich an Promotionsstudierende der Epidemiologie. Er basiert auf aktuellen methodischen Diskussionen zum Themenbereich „Kausale Inferenz in der Epidemiologie“, wie sie in der Dezemberausgabe 2016 des International Journals of Epidemiology (Volume 45, Issue 6) präsentiert wurden. Der Workshop wird durch einen Vortrag von Prof. Dr. med. Andreas Stang, MPH (Zentrum für Klinische Epidemiologie, UK Essen) eingeleitet. Anschließend werden alle teilnehmenden Studierenden jeweils in einem fünf- bis zehnminütigen Vortrag eine der ausgesuchten Publikationen (einschließlich der relevanten methodischen Grundlagen) vorstellen und mit den betreuenden Wissenchaftler_innen kritisch diskutieren. Ziel des Workshops ist es, den Promotionsstudierenden zu ermöglichen, aktuelle methodische Diskussionen zum Themenbereich „Kausale Inferenz in der Epidemiologie“ und deren methodischen sowie philosophischen Grundlagen zu erläutern und zu bewerten sowie die formellen Grundlagen der Debattenkultur in wissenschaftlichen Fachzeitschriften zu beschreiben.

Teilnahmevoraussetzungen:

Grundlegendes Verständnis moderner Kausalitätsprinzipe in der Epidemiologie

Erste Erfahrungen mit DAGs und dem Potential Outcome Approach

Literaturgrundlage: 13 Artikel und Kommentare aus der Dezemberausgabe 2016 des International Journals of Epidemiology, Volume 45, Issue 6, December 2016

Die Autoren geben an, dass kein Interessenkonflikt besteht.

Die Autoren geben an, dass kein Ethikvotum erforderlich ist.

Outline

Literatur

1.
Ebrahim S, Ferrie J, Davey Smith G. The future of epidemiology: methods or matter? International Journal of Epidemiology. 2016;45(6):1699-1716.
2.
Vandenbroucke J, Broadbent A, Pearce N. Causality and causal inference in epidemiology: the need for a pluralistic approach. International Journal of Epidemiology. 2016;45(6):1776-1786.
3.
Krieger N, Davey Smith G. The tale wagged by the DAG: broadening the scope of causal inference and explanation for epidemiology. International Journal of Epidemiology. 2016;45(6):1787–1808.
4.
VanderWeele T. Commentary: On Causes, Causal Inference, and Potential Outcomes. International Journal of Epidemiology. 2016;45(6):1809–1816.
5.
Daniel R, De Stavola B, Vansteelandt S. Commentary: The formal approach to quantitative causal inference in epidemiology: misguided or misrepresented? International Journal of Epidemiology. 2016;45(6):1817–1829.
6.
Robins J, Weissman M. Commentary: Counterfactual causation and streetlamps: what is to be done? International Journal of Epidemiology. 2016;45(6):1830–1835.
7.
Blakely T, Lynch J, Bentley R. Commentary: DAGs and the restricted potential outcomes approach are tools, not theories of causation. International Journal of Epidemiology. 2016;45(6):1835–1837.
8.
Weed D. Commentary: Causal inference in epidemiology: potential outcomes, pluralism and peer review. International Journal of Epidemiology. 2016;45(6):1838–1840.
9.
Broadbent A, Vandenbroucke J, Pearce N. Response: Formalism or pluralism? A reply to commentaries on ‘Causality and causal inference in epidemiology’. International Journal of Epidemiology. 2016;45(6):1841–1851.
10.
Krieger N, Smith G. Response: FACEing reality: productive tensions between our epidemiological questions, methods and mission. International Journal of Epidemiology. 2016;45(6):1852–1865.
11.
Lawlor D, Tilling K, Smith G. Triangulation in aetiological epidemiology. International Journal of Epidemiology. 2016;45(6):1866–1886.
12.
Textor J, van der Zander B, Gilthorpe M, Liśkiewicz M, Ellison G. Robust causal inference using directed acyclic graphs: the R package ‘dagitty’. International Journal of Epidemiology. 2016;45(6):1887–1894.
13.
Pearce N, Lawlor D. Causal inference - so much more than statistics. International Journal of Epidemiology. 2016;45(6):1895–1903.
14.
Ding P, VanderWeele T, Robins J. Instrumental variables as bias amplifiers with general outcome and confounding. International Journal of Epidemiology. 2017;104(2):291-302.