228 Nederlanse samenvatting op basis van niet-representatieve gegevens, wat kan leiden tot racisme en seksisme. Wanneer modellen bijvoorbeeld worden getraind om huidinfecties te herkennen met behulp van foto’s met voornamelijk lichtere huidtinten, kan hun betrouwbaarheid bij het herkennen van infecties bij een donkere huidskleur minder goed zijn. Bovendien zijn modellen die zijn getraind op gegevens uit de eerste wereldlanden mogelijk niet direct toepasbaar in derde wereldlanden. Hierdoor kunnen bestaande verschillen worden uitvergroot. Het is onwaarschijnlijk dat AI de traditionele surveillance van infectieziekten volledig kan vervangen. Het vinden van een manier om te profiteren van de nieuwe mogelijkheden van AI, en die als aanvulling te gebruiken op traditionele surveillancemethoden is een belangrijk onderwerp van toekomstig onderzoek. Causale inferentie en real-world data “Correlation does not imply causation” is een bekende uitspraak over de oorzaakgevolg relatie. Als factor A gelijktijdig stijgt of daalt met factor B, betekent dit niet direct dat factor A veroorzaakt wordt door factor B. Het bepalen van de aanwezigheid van een causale relatie tussen oorzaak en gevolg is van groot belang voor het doen van wetenschappelijk onderzoek. Dit wordt ook wel causale inferentie genoemd. RCT’s hebben veel voordelen als het gaat om causale inferentie, vooral als het aankomt op confounding (variabele die een oorzaak-gevolg relatie verstoord). Het uitvoeren van een RCT is echter niet altijd haalbaar of ethisch. Daarnaast zijn RCT’s duur, tijdrovend, en in sommige omstandigheden bijna onmogelijk, zoals bij een zeldzame uitkomst. Studies met observationele data kunnen in specifieke omstandigheden ook gebruikt worden om causale vragen te beantwoorden. Daarnaast zijn ze vaak makkelijker om uit te voeren. Vooral tijdens uitbraken van (virale) infectieziekten, wanneer er grote behoefte is aan snelle resultaten die de klinische praktijk en het beleid snel kunnen informeren, kan het de voorkeur hebben om routinematig verzamelde observationele gegevens te gebruiken. In het tweede deel van dit proefschrift was het doel om specifieke klinische vragen op het gebied van virale infectieziekten te beantwoorden met behulp van real-world data. In Hoofdstuk 4 werd het effect van een co-infectie met SARS-CoV-2 en influenzavirussen, Respiratoir Syncytieel Virus (RSV) of adenovirus op sterfte in het ziekenhuis en de behoefte aan invasieve mechanische ventilatie (IMV) bij patiënten opgenomen in het ziekenhuis onderzocht. Kennis over het effect van een coinfectie op patiëntuitkomsten is essentieel om te anticiperen op de ziektelast tijdens het traditionele griepseizoen. De sterfte in het ziekenhuis en de behoefte aan IMV werden vergeleken tussen patiënten met een co-infectie (SARS-Cov-2 en influenza, RSV of adenovirus) en een mono-infectie (alleen SARS-CoV-2 infectie). Na correctie voor confounders was de kans op het ontvangen van IMV hoger voor patiënten met een SARS-CoV-2 en influenzavirus co-infectie vergeleken met de mono-infectie groep. Co-infecties met zowel influenzavirus als adenovirus waren geassocieerd met een verhoogde kans op overlijden vergeleken met patiënten met een monoinfectie. Omdat patiënten die werden getest op een virale co-infectie gemiddeld zieker waren dan degenen die niet werden getest, werd een “inverse probability weighting (IPW)” analyse gedaan om de resultaten van de geteste populatie
RkJQdWJsaXNoZXIy MTk4NDMw