Samenvatting Lecture 13

Lecture 13: causality and causal
inference
Causaliteit
Causaliteit is als je onderzoek doet wil je een oorzaak van gevolg onderscheiden, dit is vaak lasting.
Causaliteit is dat er een relatie is dat de reden is voor wat er gebeurt, niks gebeurd zonder oorzaak.
Causatie is een proces waarbij het ene het andere veroorzaakt, wat is nu oorzaak en wat is gevolg?
Met name in analytisch onderzoek zoals cross-sectionieel onderzoek, bij clinimetrisch onderzoek
doet zoals de betrouwbaarheid van meetinstrumenten dan is causaliteit niet relevant.
Een ‘cause’ is een gebeurtenis, conditie of kenmerk dat:
 Speelt een essentiële rol in het produceren van een effect
 Het moet voorafgaan aan het gevolg
 Als het er niet was geweest dan was de uitkomst niet uitgetreden (op dat moment)
Een oorzaak hoeft dus niet één ding te zijn, het kan een ophoping van gebeurtenissen zijn of
combinaties van genetische aanleg en gebeurtenissen, het is een brede definitie.

Een causaal effect is een effect op een bepaalde gezondheidsuitkomst dat de oorzaak is of preventief
voor het effect.
 Individueel causaal effect  deterministisch
Lastig te onderzoeken, uitkomst gebeurt wel of gebeurt niet in een individu.
 Populatie causaal effect  probabilistisch
Frequentie (of kans) van de gebeurtenis van de uitkomst in een groep individuen

Associatie versus Causatie
Associatie = epidemiologisch onderzoek bestudeer je blootstellingen/risicofactor en je bekijkt of de
uitkomst in populaties veranderd of niet, je kijkt dan bijvoorbeeld naar twee verschillende groepen
die wel/niet zijn blootgesteld. De onderliggende vraag is, is de blootstelling de oorzaak van een
bepaald effect? Is er een relatie tussen blootstelling en uitkomst? Er is sprake van een associatie als
er een verschil is tussen de twee groepen die je vergelijkt, je kan het uitdrukken in RR, OR,
risicoverschillen etc. Als je een associatie vind, is dit dan valide, of wordt het veroorzaakt door toeval
of bias? Daarom ga je altijd eerst opzoek naar alternatieve verklaringen voor de uitkomst die je vind.
Hierna kijk je of de associatie die je hebt gevonden ook causaal is, dit is een beredeneringsproces of
inference gebaseerd op meerdere studies.
Vs.
Causatie = heeft de maken met kansen. Je moet enorm veel onderzoek doen om te kunnen bewijzen
dat er sprake is van causatie, er is altijd enige twijfel bij epidemiologisch onderzoek. Causatie is
namelijk ook context afhankelijk, het hangt af van tijd, populatie en situatie.
 Causatie is object van het meeste epimediologische onderzoek en wetenschappelijk
redeneren
 Causatie is de fundering van de meeste evidence-based geneeskunde en
gezondheidspraktijken
 Causatie is de basis voor beleidmakers betreft onderzoek en gezondheidsbronnen

Modellen van causaliteit
COUNTERFACTUAL MODEL

, Deze manier van denken hebben wij eigenlijk allemaal. Het is het denken in hypothetische
contrasten. Als je denkt aan een oorzaak dan denk je altijd aan de situatie waarin de oorzaak er niet
was geweest. ‘Als de trein geen vertraging had, was ik wel optijd geweest’. Welk contrast je kiest,
bepaalt ook je antwoord (the truth maker) van de causale relatie. Het bepaald of je kan concluderen
het is een oorzaak gevolg of niet.

Het heet ook wel eens het potentieel uitkomst model, omdat in een simpele situatie er twee
mogelijke uitkomsten zijn op individueel niveau:
 Factual/observeerbare uitkomst
iemand is wel/niet blootgesteld en wel/niet de uitkomst. Wat heeft plaatsgevonden in ‘the
real world’?
 Counterfactual/onobserveerbare uitkomst
Iets wat je niet kan observeren, iemand is niet blootgesteld en heeft niet de uitkomst
gekregen. Had iemand wel de uitkomst gekregen als diegene niet was blootgesteld. Wat zou
hebben plaatsgevonden in de ‘parallele universe’?

Individueel niveau causaal effect volgens dit model:
- Voor een dichotome bloostelling X en uitkomst Y
Je kijkt naar individu(i) op een fixed time en iemand kan wel/niet (x=0 of x=1) blootgesteld
zijn en kan mogelijk wel/niet de uitkomst hebben (y=1 of y=0). Wanneer is er dan sprake van
een causaal effect op individueel niveau? Als de uitkomst optreed in de ene situatie, waar de
persoon wel is blootgesteld, maar niet zou optreden in dezelfde persoon op dezelfde tijd, als
de persoon niet blootgesteld zou zijn geweest. Dus als uitkomsten verschillen in deze
situatie, dan is er sprake van causatie. Dit is hoe iedereen standaard denkt over oorzaak-
gevolg relaties.




Het probleem bij individueel niveau is dat er maar één situatie is, iemand kan niet wel en niet
roken tegelijkertijd. Op individueel niveau zijn er daarin 4 counterfactual subtypes mogelijk:
o Doomed  Iemand heeft uitkomst (y=1) bij blootstelling en niet blootstelling (x=1 &
x=0)
o Causative  uitkomst (y=1) hebben als je bent blootgesteld (x=1) maar niet uitkomst
(y=0) als je niet bent blootgesteld (x=0)
o Preventief  uitkomst heb je wel (y=1) als je niet blootgesteld bent (x=0), maar niet
de uitkomst als je wel blootgesteld bent
o Immuun  Nooit de uitkomst krijgen (y=0), zowel wel als niet blootgesteld (x=1
&x=0)
Alleen bij causative en preventief is er sprake van een causaal effect op de uitkomst!!

Populatie niveau causaal effect volgens dit model:
Individueel causaal effect is niet te observeren, maar je kan het populatie gemiddelde schatten! Je
kan dan het proportie van het aantal individuen die de uitkomst krijgen bepalen (Pr[yi=1]).
- Voor een dichotome bloostelling X en uitkomst Y