Ateliers des cohortes

La prochaine séance de l'atelier inférence causale sera animée par Anne Helby Peterson, Assistant Professor à l’Université de Copenhague, et se tiendra le 16 octobre à 10 h, en ligne via ce lien Teams:

https://teams.microsoft.com/meet/3776199444826?p=gaidVvxQCGN4A4P2hZ

Title: Causal discovery: Data-driven witchcraft or a useful tool for constructing causal models for cohort studies?
 

Abstract 

In observational sciences (e.g., epidemiology), causal models such as DAGs are often used for describing causal mechanisms and informing effect estimation strategies. Especially in life course studies, where the same individuals are followed for long periods of time, constructing such models can be a cumbersome and difficult activity. Moreover, one must refer to established empirical or theoretical results to construct the DAGs, which gives the procedure little room for uncovering new causal pathways: It is fundamentally confirmatory.

Causal discovery constitutes a data-driven alternative to this traditional approach. Here, machine learning algorithms are applied to empirical data to deduce what information about the causal data generating mechanism can be recovered, and the results are typically represented as a family of possible DAGs. In recent years, we have developed modified causal discovery algorithms, including temporal PC and temporal GES, that are specifically tailored towards efficiently using the longitudinal temporal structure in cohort studies. 

In this presentation, I provide a general introduction to (temporal) causal discovery algorithms. I furthermore present a study investigating the utility of causal discovery in life course epidemiology by comparing their performance with a traditional approach to constructing causal models: namely experts drawing directed acyclic graphs with reference to previous study and general theory. This investigation focused on a life-course study concerning etiology of depression and heart disease in early old age for a cohort of Danish men followed from birth (1953) until 2018 (The Metropolit Cohort). We compared the resulting suggestions for causal models and used this application example to discuss when and how causal discovery algorithms may be useful in life course epidemiology and beyond. If time permits, I will conclude by showcasing a few additional applications of causal discovery to cohort datasets.

Le groupe de travail data science de France Cohortes a accueilli Meredith O’Connor, directrice de l'Infrastructure LifeCourse & Chercheuse au Murdoch Children’s Research Institute (MCRI), venue nous présenter l’initiative LifeCourse.

• Pour accéder au replay de sa présentation (EN), cliquer ici.

L'objectif de l’initiative LifeCourse est de permettre aux chercheurs de tirer parti de vastes données de cohortes afin de mieux comprendre les enjeux de santé qui émergent tout au long de la vie.

À cette fin, LifeCourse regroupe les informations de plus de 30 cohortes australiennes sur une plateforme commune. Chaque cohorte est gérée de manière indépendante par l’organisme académique ou de recherche responsable de l’étude, en conformité avec ses propres protocoles éthiques et de gouvernance.

Le Murdoch Children’s Research Institute (MCRI) pilote l’initiative LifeCourse et collabore avec ces organismes et les équipes responsables des cohortes pour encourager la réutilisation de ces données précieuses, notamment en :

• présentant les métadonnées des cohortes dans un format standardisé sur un site web accessible au public, et
• offrant une porte d’entrée centralisée pour les demandes d’accès aux données, lesquelles sont évaluées et traitées par les responsables désignés de chaque cohorte.

Sur l'intervenante

Le Dr Meredith O’Connor est une psychologue spécialisée en éducation et développement, actuellement Senior Research Fellow au Murdoch Children’s Research Institute (MCRI) à Melbourne, Australie. Elle joue un rôle clé dans l'initiative LifeCourse, une plateforme regroupant plus de 30 études longitudinales sur la santé et le développement des enfants et adolescents, impliquant plus de 70 000 participants.

Le groupe de travail data science de France Cohortes a accueilli Mohammed Sedki, Maître de conférence à l'université Paris-Saclay sur l’application du Deep learning aux données de santé.

• Pour accéder à la captation vidéo de la présentation de Mohammed Sedki, cliquer ici.

L’application du Deep learning aux données de santé

À travers un exemple concret, cette présentation permet à un large public de découvrir comment les Large Language Models (LLM) peuvent être utilisés pour exploiter des données textuelles médicales, par exemple. Ce webinaire illustre le potentiel de l’intelligence artificielle dans le domaine de la santé, tout en restant accessible aux non-spécialistes.

Sur l'intervenant

Mohammed Sedki est statisticien et enseignant-chercheur affilié au Centre de recherche en épidémiologie et santé des populations (CESP), une unité mixte de recherche de l’Inserm et de l’Université Paris-Saclay. Il occupe également le poste de maître de conférences à l’Université Paris-Saclay.

Mohammed Sedki possède une expertise en statistiques appliquées à la santé mentale, avec un accent particulier sur les méthodes d'apprentissage supervisé en grande dimension.

Contenu de l'atelier non disponible.