Disciplina: INFERÊNCIA CAUSAL EM EPIDEMIOLOGIA

• Nome/título
  INFERÊNCIA CAUSAL EM EPIDEMIOLOGIA
• Responsável
  Prof. Dr. Leandro Fórnias Machado de Rezende
• E-mail para contato
  leandro.rezende@unifesp.br
• Início - inscrição
  2020-08-01
• Término - inscrição
  2020-09-29
• Início - curso
  2020-10-05
• Término - curso
  2020-12-03
• Local
  Atividades remotas via Google Meet e Google Classroom
• Dias e Horários
  Segundas e Quintas (14h00 às 18h00)
• Vagas/ Número máximo de alunos
  30
• Carga horária - Teórica
  72
• Carga horária - Prática
  28
• Carga Horária Total
  100
• Creditos
  7
• Critérios de ingresso
  Alunos matriculados nos programas de pós-graduação da UNIFESP e outras universidades. Serão aceitos ouvintes desde que o número máximo de alunos não seja excedido. Espera-se que os alunos tenham domínio de leitura em inglês e cursado disciplinas básicas de Epidemiologia e Bioestatística.
• Ementa
  Estimar efeitos causais de exposições/tratamentos em doenças/desfechos de saúde é um dos objetivos centrais da epidemiologia. Nesta disciplina, será apresentado um breve histórico dos modelos de inferência causal em epidemiologia. Definição formal de efeito causal em indivíduos e populações será introduzida e discutida à luz dos pressupostos necessários para assumir causalidade, bem como das fontes de erro que podem impactar a validade dos resultados de estudos epidemiológicos. Esta disciplina também tem o objetivo de debater e compreender métodos e análise de dados para inferência causal publicados em periódicos científicos internacionais. Ao final do curso o aluno deverá estar preparado para ler e avaliar criticamente a produção científica publicada em periódicos de Epidemiologia. O curso será ministrado sob a forma de aulas teóricas e seminário com apresentações de artigos científicos.
• Avaliação de aprendizagem
  O curso tem 8 horas semanais com modelo híbrido de atividades assíncronas e síncronas. O componente assíncrono do curso (2 horas/semanais) será realizado com a disponibilização de textos, vídeos e materiais didáticos na plataforma Google Classroom. O componente síncrono consiste nas aulas teóricas e seminários (Web-aula - 6 horas/semanais) em que os alunos apresentarão artigos científicos. Após a apresentação dos artigos, o professor responsável mediará uma discussão dos principais conceitos apresentados pelos alunos com os demais participantes do seminário.
  A avaliação da aprendizagem se dará mediante exercícios domiciliares sobre os tópicos apresentados em aula, apresentações dos artigos científicos nos seminários (preparação do material, linguagem utilizada na apresentação e domínio do conteúdo) e participação nas aulas.
• Conteúdo Programático
  Causalidade; definição de efeito causal (individual e médio); estudos experimentais; estudos observacionais; modificação de efeito e interação; representação gráfica de efeitos causais (DAGs); confundimento; viés de seleção; viés de informação.
• Referências
  1. Hernán MA, Robins JM (2020). Causal Inference: What If. Boca Raton: Chapman & Hall/CRC.”
  2. Rothman KJ, Greenland S, Lash TL - Modern epidemiology, 3ª ed. Philadelphia: Lippincot Williams & Wilkins, 2008.
  3. Hernan MA. A definition of causal effect for epidemiological research. J Epidemiol Community Health 2004;58:265-71.
  4. Lawlor DA, Tilling K, Davey Smith G. Triangulation in aetiological epidemiology. Int J Epidemiol. 2016;45:1866-86.
  5. Munafò MR, Smith GD. Robust research needs many lines of evidence. Nature 2018;553:399-401.
  6. Ferguson KD, McCann M, Katikireddi SV, et al. Evidence synthesis for constructing directed acyclic graphs (ESC-DAGs): a novel and systematic method for building directed acyclic graphs. Int J Epidemiol. 2020;49(1):322-329.
  7. Hernán MA, Hernández-Díaz S, Robins JM. A structural approach to selection bias. Epidemiology. 2004;15(5):615-625.
  8. Matthay EC, Glymour MM. A Graphical Catalog of Threats to Validity: Linking Social Science with Epidemiology. Epidemiology. 2020;31(3):376-384.
  9. Dickerman BA, García-Albéniz X, Logan RW, Denaxas S, Hernán MA. Avoidable flaws in observational analyses: an application to statins and cancer. Nat Med. 2019;25(10):1601-1606.
  10. Hernán MA. The C-Word: Scientific Euphemisms Do Not Improve Causal Inference From Observational Data. Am J Public Health. 2018;108(5):616-619.
  11. Pearl J, Mackenzie D. The Book of Why: The New Science of Cause and Effect. New York: Basic Books; 2018.