Promovendus Causale Inferentie & Machine Learning

Wat ga je doen?
Om medische besluitvorming écht te ondersteunen, moeten voorspelalgoritmen rekening houden met de causale effecten van interventies. Er is een toenemende belangstelling voor zogenoemde ‘prediction under intervention’-methoden, die patiëntprognoses kunnen geven onder alternatieve behandelscenario’s (bijv. ‘wat als deze patiënt behandeling A start?’). Reguliere methoden voor modelbeoordeling, zoals cross-validated AUC of calibratie, kunnen in deze context niet worden gebruikt, omdat causale grootheden in de praktijk nooit direct worden waargenomen.

Om dit probleem op te lossen, ontwikkel je nieuwe methoden om causale voorspelalgoritmen te beoordelen, met een focus op tijd-tot-event-uitkomsten.

Je past deze methoden toe op medische voorspelalgoritmen met een hoge impact binnen transplantatie- en transfusieonderzoek. Ter ondersteuning van de implementatie van je methoden ontwikkel je gebruiksvriendelijke statistische software, zoals een R‑package. Je deelt je bevindingen via wetenschappelijke artikelen, conferentiepresentaties en samenwerkingen met klinische onderzoekers. Daarnaast draag je actief bij aan het academische klimaat van het instituut door deel te nemen aan onderwijs, workshops en seminars;

onderwijsactiviteiten beslaan circa 10% van je aanstelling.

Je maakt deel uit van een interdisciplinair en internationaal consortium van onderzoekers uit de biostatistiek, informatica, wiskunde en epidemiologie (het Safe Causal Inference Consortium). Een belangrijk doel van dit consortium is het hanteren van een interdisciplinaire benadering en het verbinden van resultaten uit verschillende kwantitatieve vakgebieden.

Je belangrijkste taken zijn:

Het ontwikkelen van nieuwe beoordelingscriteria voor ‘prediction under interventions’ en het ontwikkelen van algoritmen om deze criteria te schatten.

Het onderzoeken van de statistische eigenschappen hiervan via wiskundige afleidingen en simulatiestudies.

Het toepassen van de algoritmen op grote medische datasets en het interpreteren van de resultaten.

Waar ga je werken?
Je komt te werken binnen de afdeling Biomedical Data Sciences van het LUMC, waar geavanceerde statistische methoden, data science en datamanagement worden ontwikkeld en toegepast voor biomedisch onderzoek. De afdeling speelt een belangrijke rol in het verbeteren van de kwaliteit van onderzoek en het onderbouwen van medische besluitvorming met data‑gedreven inzichten. Je dagelijkse werkplek is de sectie Medische Statistiek van het LUMC, de grootste biostatistiekgroep van Nederland.

Je werkt samen met onderzoekers van verschillende instellingen en profiteert van toegang tot een internationaal netwerk van experts op het gebied van causale inferentie.

Dit project maakt deel uit van het consortium ‘Safe Causal Inference’ (in totaal 8 promovendi). Je werkt nauw samen met onderzoekers op het gebied van causale inferentie van de Technische Universiteit Delft, het Erasmus MC en de Vrije Universiteit Amsterdam, waarbij expertise uit de informatica, wiskunde, biostatistiek en epidemiologie wordt gecombineerd. Daarnaast krijg je toegang tot een internationaal netwerk van experts op het gebied van causale inferentie.

Je wordt begeleid door een interdisciplinair team met expertise in biostatistiek (dr. Nan van Geloven), informatica (dr. Jesse Krijthe) en epidemiologie (prof. Saskia le Cessie).

Wat neem je mee?
Als promovendus in causale inferentie & machine learning ben je gefascineerd door ontwikkelingen op het gebied van causale AI en gemotiveerd om je kwantitatieve talent in te zetten voor de verbetering van de gezondheidszorg. Je bent nieuwsgierig naar hoe dingen werken en wilt zaken tot op de bodem uitzoeken. Je vindt het leuk om je bevindingen uit te leggen aan anderen, ook aan onderzoekers met een andere wetenschappelijke achtergrond.

Verder heb je een masterdiploma in (bio) statistiek, toegepaste wiskunde, data science, econometrie of een verwant vakgebied, met sterke academische resultaten, bijvoorbeeld een uitstekende scriptie (≥8,0/10 op de Nederlandse schaal of ECTS-cijfer A/B).

Affiniteit met zowel het bestuderen van theoretische eigenschappen van schatters als het toepassen van…