ARC@ORU: Vad är framtiden för effektuppskattning med big data?

• Talare: Johannes Stork, docent i datavetenskap, forskningsledare för Adaptive and Interpretable Learning Systems Lab, Örebro universitet
• Värdar: Marcus Krantz, biomedicin, och Pedro Zuidberg dos Martires, datavetenskap.
• Tid: 6 november, kl. 16.00–17.00
• Plats: Visual Lab
• Digitalt deltagande: Använd denna Zoom-länk

Vad är framtiden för effektuppskattning med big data?

Big data samlas ofta in i okontrollerade processer och kan därför innehålla urvalsbias. För att kunna använda datan försöker vi ta bort denna bias. Men med stora datamängder och många variabler får klassiska metoder svårt att räcka till. Det beror ofta på svårigheten att identifiera kausala faktorer och relevanta variabler. Metoder för djup representation learning försöker möta denna utmaning.

I detta seminarium går vi igenom grunderna för effektuppskattning, vidare till big data och dess utmaningar, och ser hur metoder inom deep learning kan användas i detta sammanhang. Slutligen ställer vi oss frågan: är detta verkligen rätt väg att gå?

Korrekt uppskattning av behandlingseffekter är en avgörande utmaning inom life science och hälsa, eftersom den ligger till grund för utvärdering av kliniska interventioner. Tillförlitliga uppskattningar gör det möjligt för kliniker och beslutsfattare att fatta evidensbaserade beslut om vilka behandlingar som förbättrar resultat och undvika de som är ineffektiva eller skadliga.

Detta är relevant för AI, Robotics & Cybersecurity Center eftersom det kopplar samman AI och statistiskt lärande med hälso- och sjukvård genom att utveckla kausal inferens. Det är ett viktigt steg mot tillförlitligt beslutsstöd, pålitlig klinisk analys och säkra hälsoapplikationer.

--

In English:

• Speaker: Johannes Stork, Associate Professor of Computer Science,
  Head of Adaptive and Interpretable Learning Systems Lab, Örebro University
• Hosts: Marcus Krantz, Biomedicine Pedro Zuidberg dos Martires, Computer Science
• Time: 6 November, kl 16.00-17.00
• Venue: Visual Lab
• Remote participation: Use this Zoom-link

What is the future of effect estimation with big data?

This is a seminar within the ARC horizontal Life Science and Health.

Big data is often collected in an uncontrolled process and can therefore contain selection bias. To make use of it, we try to remove this bias. However, with large amounts of data and many variables, classical approaches struggle. This is oftentimes due to problems of identifying causal factors and relevant variables. Deep representation learning approaches tries to answer this call.

In this talk, we will look at the basics of effect estimation, move to the big data setting and its challenges, and see how deep learning methods can be used in this setting. Finally, we will ask ourselves, but is this the right way to go?

Proper treatment effect estimation is a crucial challenge in the life sciences and health, as it underpins the evaluation of clinical interventions. Reliable estimates enable clinicians and policymakers to make evidence-based decisions about which treatments improve outcomes and avoid those that are ineffective or harmful.

This is relevant for the AI, Robotics & Cybersecurity Center as it connects AI and statistical learning with healthcare by advancing causal inference, which is a key step toward trustworthy decision support, reliable clinical analytics, and safe health applications.