Channel Title: Professor Fernando Hartwig Channel Description: O criador deste canal é professor de Epidemiologia da Faculdade de Medicina e docente permanente do Programa de Pós-Graduação em Epidemiologia (PPGEpi) da Universidade Federal de Pelotas (UFPel). seu currículo Lattes pode ser encontrado em: http://lattes.cnpq.br/0127634577820264. A motivação original para a criação deste canal foi possibilitar o andamento da disciplina de Inferência Causal em Epidemiologia (ofertada pelo PPGEpi) pela modalidade de ensino à distância devido à pandemia de COVID-19. Devido ao feedback positivo, resolveu-se continuar produzindo mais vídeos para contribuir, de alguma forma, na disseminação do conhecimento. Espero que aproveitem as aulas! <video> Causal Inference - Lecture 1.3.4 | Exposure variation irrelevance assumption for causal inference Description: This lecture discusses the assumption of irrelevance of varying forms of the exposure for estimating causal effects. An issue that may arise in practice is that each level of the exposure can have different versions (for example, someone may have high body mass index due to high levels of body fat or due to high levels of lean mass), and such versions can lead to different potential outcomes (for example, the outcome in an individual had he/she had with high levels of body fat may be different than the outcome in the same individual had he/she had high levels of lean mass, even though the body mass index is the same in both situations). This results in multiple potential outcomes being associated with a given exposure level, thus causing the individual level causal effect to be ill-defined, because the individual level causal effect assumes a single potential outcome per exposure level. The exposure variation irrelevance assumption postulates that, if there are multiple versions within a given exposure levels, their potential outcomes are the same in a given individual. This eliminates the ambiguity in the definition of the individual level causal effect. Of course, this assumption will be more plausible if exposed and unexposed groups were defined with enough detail. The assumption of exposure variation irrelevance is one of the conditions of the stable unit treatment value assumption (SUTVA) and is required for consistency of potential outcomes. ALL COURSE MATERIALS ARE FREELY AVAILABLE HERE: https://drive.google.com/drive/folders/1hwNIRgi557u2K-MPhRdZEah35E-NwC0h?usp=drive_link </video> <video> Causal Inference - Lecture 1.3.3 | No interference assumption for causal inference Description: This lecture discusses the assumption of no interference for estimating causal effects. No interference can be understood as the situation where the effect of the exposure on the outcome in a given individual is not affected by the exposure status of other individuals in the population. As a consequence, without this assumption, it is not possible to define potential outcomes based solely on the exposure status of a single individual, which in turn renders any causal contrast ill-defined. The assumption of no interference is one of the conditions of the stable unit treatment value assumption (SUTVA) and is required for consistency of potential outcomes. ALL COURSE MATERIALS ARE FREELY AVAILABLE HERE: https://drive.google.com/drive/folders/1hwNIRgi557u2K-MPhRdZEah35E-NwC0h?usp=drive_link </video> <video> Epidemiologia (aula 5, parte 3/3) | Vantagens e limitações dos estudos ecológicos Description: Esta aula trata sobre as vantagens e limitações dos estudos ecológicos. Dentre as vantagens, estão incluídos os seguintes pontos: - Delineamento adequado para estudar fatores que não variam entre indivíduos, mas variam entre grupos (por exemplo: clima, políticas nacionais de saúde etc.). - Tipicamente, utilizam dados secundários, tornando este delineamento rápido e barato. - Permite gerar hipóteses sobre fatores em nível individual, a serem confirmadas em estudos utilizando delineamentos mais adequados para este tipo de pergunta de pesquisa (como coortes ou estudos de casos e controles). Dentre as limitações, estão incluídos os seguintes pontos: - Por tipicamente utilizarem dados secundários, os estudos ecológicos podem ser limitados pela quantidade e qualidade dos dados disponíveis (tendo em vista que estes não foram coletados tendo em vista a pergunta de pesquisa). Esta limitação não é específica dos estudos ecológicos, pois estudos em nível individual utilizando dados secundários estariam sujeitos as mesmas limitações. - Ambiguidade temporal: dificuldade de saber se a exposição precede o desfecho. Esta limitação não é específica dos estudos ecológicos, pois também pode afetar estudos em nível individual, como estudos transversais e de casos e controles (principalmente se forem utilizados casos prevalentes ao invés de casos incidentes). - Falácia ecológica: limitação específica dos estudos ecológicos. Ocorre quando o pesquisador infere uma correlação a nível individual a partir de uma correlação em nível ecológico. </video> <video> Causal Inference - Lecture 1.4 | Summary of lecture 1 Description: This video briefly reviews the main concepts learned in Lecture 1. The goal is to provide a quick checklist that viewers can use to make sure all main concepts of lecture 1 are clear. Before moving on, all of the following should be clear: 1) What potential outcomes are and why only one of them can be observed in practice. 2) How to define individual level and average causal effects. 3) What is the fundamental problem of causal inference? How it relates to potential outcomes? 4) The set of three assumptions that is sufficient for consistent estimation of the average causal effect: positivity; exchangeability; and well-defined causal contrast (or SUTVA). ALL COURSE MATERIALS ARE FREELY AVAILABLE HERE: https://drive.google.com/drive/folders/1hwNIRgi557u2K-MPhRdZEah35E-NwC0h?usp=drive_link </video> <video> Causal Inference - Lecture 2.2 | Terminology and interpretation of DAGs Description: This lecture defines important concepts about DAGs and illustrates how DAGs are interpreted. The following concepts are defined: - Father of V: a direct cause of the variable V. - Son of V: a direct consequence of V. - Antecessor of V: any cause of V (either direct or indirect). - Predecessor of V: any consequence of V (either direct or indirect). - For any pair of variables in the DAG, their common causes must also be included in the DAG. - V is exogenous if it has no causes that need to be shown in the DAG. - V is endogenous if the DAG must include one or more of its causes. - A collider of V and W is a common effect of V and W. - A causal path is a set of arrows from X to Y that explain the effect of X on Y. Those paths start from an arrow leaving X, and all other arrows point in the same direction until reaching Y. - Any other path is non-causal and may be a source of bias. ALL COURSE MATERIALS ARE FREELY AVAILABLE HERE: https://drive.google.com/drive/folders/1hwNIRgi557u2K-MPhRdZEah35E-NwC0h?usp=drive_link </video> <video> Epidemiologia | Prova de residência médica - Acesso direto - HCPA 2021 - Questão 82 Description: Este vídeo corrige e comenta a segunda questão de epidemiologia (questão 82) da prova de residência médica de acesso direto do Hospital de Clínicas de Porto Alegre (HCPA), realizada em 2020, com início da residência em 2021. ENUNCIADO: Considere a tabela abaixo acerca dos resultados de um estudo. # tabela mostrada no vídeo # A medida de magnitude de efeito calculada como a x d / b x c é conhecida por (A) razão de chances. (B) razão de prevalência. (C) risco atribuível. (D) risco relativo. AULAS RELEVANTES: Medidas de ocorrência: https://www.youtube.com/watch?v=f5-akc50hG8 Medidas de efeito: https://www.youtube.com/watch?v=DVxZbJDHSSg Tabelas 2x2: https://www.youtube.com/watch?v=bm60JKUNyUg Como montar uma tabela 2x2: https://www.youtube.com/watch?v=eR_2Uexv_fU Como montar uma tabela 2x2 (avançado): https://www.youtube.com/watch?v=Xc_FH_yEpiw LINK PARA DOWNLOAD DE MATERIAIS: Prova completa: https://drive.google.com/file/d/1ad7tBEKlO8t4LplaXsdPNxhaOQCQ-W8s/view?usp=sharing Gabarito completo: https://drive.google.com/file/d/1ad7tBEKlO8t4LplaXsdPNxhaOQCQ-W8s/view?usp=sharing </video> <video> Epidemiologia (aula 5, parte 2/3) | Tipos de estudos ecológicos Description: Esta aula discute os diferentes tipos de estudos ecológicos: - Múltiplos grupos: delineamento ecológico que compara diferentes grupos (cidades, escolas etc.) quanto a ocorrência do desfecho, utilizando apenas uma medida de cada grupo. - Série temporal: delineamento ecológico que avalia apenas um grupo quanto à mudanças na ocorrência do desfecho ao longo do tempo. - Delineamento misto: delineamento ecológico que compara o quanto as mudanças na ocorrência do desfecho ao longo do tempo (componente de série temporal) entre diferentes grupos (componente de múltiplos grupos). </video> <video> Epidemiologia | Prova de residência médica - Acesso direto - HCPA 2021 - Questão 81 Description: Este vídeo corrige e comenta a primeira questão de epidemiologia (questão 81) da prova de residência médica de acesso direto do Hospital de Clínicas de Porto Alegre (HCPA), realizada em 2020, com início da residência em 2021. ENUNCIADO: No Rio Grande do Sul, a pandemia da COVID-19 teve seu primeiro caso confirmado em 10 de março de 2020 e o primeiro óbito em 24 do mesmo mês. Conforme o site do Ministério da Saúde (https://covid.saude.gov.br), as informações atualizadas sobre a doença no Estado em 21 de abril eram: - número de casos confirmados: 904 - número de óbitos: 27 Considerando que a população estimada do Rio Grande do Sul, no mês de abril de 2020, era de cerca de 11.500.000 habitantes, quais as taxas de incidência e de letalidade aproximadamente naquele momento? (A) 78,6/1.000 – 29,8% (B) 7,86/100.000 – 2,98% (C) 2,3/100.000 – 2,98/1.000 (D) 0,23/100.000 – 2,98% AULA RELEVANTE: Medidas de ocorrência: https://www.youtube.com/watch?v=f5-akc50hG8 LINK PARA DOWNLOAD DE MATERIAIS: Prova completa: https://drive.google.com/file/d/1ad7tBEKlO8t4LplaXsdPNxhaOQCQ-W8s/view?usp=sharing Gabarito completo: https://drive.google.com/file/d/1ad7tBEKlO8t4LplaXsdPNxhaOQCQ-W8s/view?usp=sharing </video> <video> Causal Inference - Lecture 1.3.5 | Stable Unit Treatment Value Assumption (SUTVA) and consistency Description: This lecture discusses (i) the Stable Unit Treatment Value Assumption (SUTVA) assumption, and (ii) the assumption of consitency of potential outcomes for estimating causal effects. SUTVA can be defined as the situation where potential outcomes for a given individual are unambiguous - therefore, the individual level causal effect is unique. This is the same implication that we arrived when discussing the components for a well-defined causal contrast. Indeed, SUTVA can be understood as the formal assumption that ensures that the causal contrast is well-defined. SUTVA is typically described as follows: for any individual in the population and for any level of the exposure, the potential outcome is not affected by (1) the exposure status of other individuals in the population, and (2) the assignment mechanism (i.e., the mechanism that resulted in the individual having the exposure level that he/she has). Component (1) is clearly absence of interference, while component (2) has the same implication as exposure variation irrelevance. That is, SUTVA holds if and only if there is no interference and exposure variation irrelevance - hence, it implies that the causal contrast is well-defined. Consistency is the assumption that postulates that the observed outcome in a given individual equals the potential outcome under the exposure level that the individual has. Although this is a rather intuitive notion, it should be noted it is only formally justified if SUTVA holds. ALL COURSE MATERIALS ARE FREELY AVAILABLE HERE: https://drive.google.com/drive/folders/1hwNIRgi557u2K-MPhRdZEah35E-NwC0h?usp=drive_link </video> <video> Epidemiologia | Relação entre prevalência da doença e acurácia de um teste diagnóstico (parte 1) Description: Este vídeo ilustra, através de um exemplo, que a prevalência da doença influencia a acurácia de um teste diagnóstico. Ou seja, se o mesmo teste for aplicado em populações com diferentes prevalências da doença, a acurácia em cada uma destas populações será diferente. A explicação para este fenômeno é que, quando a prevalência é baixa (próxima de 0%), a maioria da amostra é composta por indivíduos não doentes. Neste caso, a acurácia (que é a proporção de acertos na amostra inteira) será próxima da especificidade (que é a proporção de indivíduos não doentes com teste negativo, ou seja, a proporção de acertos entre os não doentes). Se a prevalência for alta (próxima de 100%), ocorre o contrário. Ou seja, a acurácia será próxima da sensibilidade, pois a última é a proporção de acertos entre os doentes, os quais seriam a maioria da amostra em situação de prevalência próxima de 100%. Este raciocínio será explicado em detalhes na parte 2 deste vídeo. # # # LINKS ÚTEIS: # Série completa sobre epidemiologia clínica: https://www.youtube.com/watch?v=triR6kMNzPA&list=PLQeeqx5FCkGAu0KsxdMQxIhKhHVknhrmM&pp=iAQB </video> <video> Epidemiologia | Relação entre prevalência da doença e valor preditivo positivo e negativo (parte 3) Description: Este vídeo demonstra a relação entre a prevalência da doença influencia os valores preditivos positivo e negativo de um teste diagnóstico mostrando que é possível calcular os valores preditivos a partir da sensibilidade e especificidade do teste e da prevalência da doença, utilizando equações derivadas no vídeo. Calcular os valores preditivos a partir da prevalência da doença na qual o paciente pertence (também chamada de probabilidade pré-teste em contextos clínicos) tem grande relevância prática, pois, desta forma, os valores preditivos descreverão melhor a performance do teste no paciente em questão. # # # LINKS ÚTEIS: # Relação entre prevalência da doença e acurácia de um teste diagnóstico (parte 2): https://www.youtube.com/watch?v=rxV_LG2aBLc Relação entre prevalência da doença e valor preditivo positivo e negativo (parte 1): https://www.youtube.com/watch?v=TxLQaKDZ5xM&t=310s Relação entre prevalência da doença e valor preditivo positivo e negativo (parte 2): https://www.youtube.com/watch?v=TxLQaKDZ5xM&t=310s Série completa sobre epidemiologia clínica: https://www.youtube.com/watch?v=triR6kMNzPA&list=PLQeeqx5FCkGAu0KsxdMQxIhKhHVknhrmM&pp=iAQB </video> <video> Epidemiologia | Relação entre prevalência da doença e acurácia de um teste diagnóstico (parte 2) Description: Este vídeo demonstra a relação entre a prevalência da doença influencia a acurácia de um teste diagnóstico mostrando que é possível calcular a acurácia a partir da sensibilidade e especificidade do teste e da prevalência da doença, utilizando uma equação derivada no vídeo. # # # LINKS ÚTEIS: # Série completa sobre epidemiologia clínica: https://www.youtube.com/watch?v=triR6kMNzPA&list=PLQeeqx5FCkGAu0KsxdMQxIhKhHVknhrmM&pp=iAQB Parte 1 desta aula: https://www.youtube.com/watch?v=L6FA5FNqK-U </video> <video> Epidemiologia (aula 5, parte 1/3) | Introdução aos estudos ecológicos Description: Esta aula apresenta e define os estudos ecológicos como um delineamento observacional experimental em nível coletivo (também conhecido como agregado ou ecológico), que se diferencia dos demais estudos observacionais justamente por ter como unidade grupos de indivíduos (bairros, cidades, países, escolas, empresas etc.), e não indivíduos. A principal aplicação dos estudos ecológicos é no estudo de fatores que apresentam pouca ou nenhuma variabilidade intra-grupo; fatores mais fáceis de medir a nível de grupo do que em nível individual. Este delineamento também é útil para gerar hipóteses sobre variáveis em nível individual (a serem confirmadas em estudos utilizando delineamentos em nível individual adequados). </video> <video> Causal Inference - Lecture 2.3 | d-connection and d-separation rules of directed acyclic graphs Description: This lecture discusses the so-called d-separation rules. These are a set of criteria used to decide, from a given DAG, whether two variables (or two sets of variables) are independent, possibly conditioning on other variables (i.e., within strata of these other variables). More specifically, the lecture covers the following topics: - When a path between two variables is open (so that it is a source of association between them) or blocked (so that it is not a source of association between them). - The concepts of d-connection and d-separation. - d-separation rules, with intuitive explanations and examples. - Compatability, strong and weak faithfulness. These are rules that relate d-connection and d-separation to statistical independence. ALL COURSE MATERIALS ARE FREELY AVAILABLE HERE: https://drive.google.com/drive/folders/1hwNIRgi557u2K-MPhRdZEah35E-NwC0h?usp=drive_link </video> <video> Causal Inference - Lecture 2.1 | Introduction to directed acyclic graphs (DAGs) Description: This lecture introduces directed acyclic graphs (DAGs) as a tool for visually representing causal assumptions related to a given causal question. The goal of the lecture is to introduce DAGs by comparing them to the more traditional (at least in epidemiology) hierarchical models, where causes of the outcome are organized in levels, from the more distal to the more proximal levels. Basic concepts are also provided, which will be further developed in the following videos. ALL COURSE MATERIALS ARE FREELY AVAILABLE HERE: https://drive.google.com/drive/folders/1hwNIRgi557u2K-MPhRdZEah35E-NwC0h?usp=drive_link </video>

Contacts and Links

Description

O criador deste canal é professor de Epidemiologia da Faculdade de Medicina e docente permanente do Programa de Pós-Graduação em Epidemiologia (PPGEpi) da Universidade Federal de Pelotas (UFPel). seu currículo Lattes pode ser encontrado em: http://lattes.cnpq.br/0127634577820264.

A motivação original para a criação deste canal foi possibilitar o andamento da disciplina de Inferência Causal em Epidemiologia (ofertada pelo PPGEpi) pela modalidade de ensino à distância devido à pandemia de COVID-19. Devido ao feedback positivo, resolveu-se continuar produzindo mais vídeos para contribuir, de alguma forma, na disseminação do conhecimento.

Espero que aproveitem as aulas!

Videos from channel