Fysiotherapie, big data en causaliteit (BD)
In toenemende mate wordt het analyseren van big data gebruikt om de fysiotherapeutische zorg te verbeteren. Naast beschrijvend (diagnostisch en prognostisch) onderzoek leent big data zich ook voor het onderzoeken van causale verbanden in etiologisch en effectonderzoek. Het duiden van eventuele causaliteit van verbanden is echter niet eenvoudig terwijl dit (impliciet) wel vaak wordt gedaan, bijvoorbeeld bij het meten van de kwaliteit van zorg door middel van PROM’s. Voor het beoordelen van de causaliteit van verbanden kunnen de klassieke overwegingen opgesteld door sir Bradford Hill behulpzaam zijn. Daarnaast kan confounding (verwarring) door andere factoren het zicht op een causaal verband vertroebelen. Wanneer big data gebruikt wordt voor etiologisch of effectonderzoek moet hier in de onderzoeksopzet en analyse rekening mee worden gehouden. Voor effectonderzoek is het raadzaam met de analyse van big data zoveel mogelijk een gerandomiseerd interventieonderzoek, een zogenaamde ‘target trial’, na te bootsen.
Leerdoelen
Na het bestuderen van deze collectie:
- weet u wat bedoeld wordt met ‘big data’, ‘data science’ en ‘artificial intelligence’
- weet u wat bedoeld wordt met ‘causaliteit’ en kent u minimaal vier van de acht Bradford Hill-overwegingen
- kunt u het begrip ‘causaliteit’ toepassen op fysiotherapeutische vraagstukken
- kent u de kenmerken van het begrip ‘confounding’ en de gangbare manieren om dit probleem tegen te gaan
- weet u wat bedoeld wordt met een ‘target trial’ en wat de achterliggende reden is voor deze analysestrategie van big data