در پژوهش‌های پزشکی و علوم زیستی، صرفِ یافتن رابطه‌ی آماری بین متغیرها کافی نیست؛ پرسش اصلی پژوهشگر معمولاً این است که آیا یک مداخله، دارو، یا عامل خطر واقعاً باعث ایجاد پیامد مورد نظر می‌شود یا خیر. استنباط عِلّی (Causal Inference) چارچوبی است که به پژوهشگران کمک می‌کند از دل داده‌های مشاهده‌ای و کارآزمایی‌های بالینی، به این پرسش پاسخ علمی و قابل دفاع بدهند.

در کارگاه «استنباط عِلّی در داده‌های پزشکی» ابتدا با تفاوت مفهومی هم‌بستگی (association) و رابطه‌ی عِلّی (causation) و اهمیت این تمایز در طراحی مطالعات پزشکی آشنا می‌شویم. سپس وارد چارچوب‌های نظری استنباط عِلّی از جمله گراف‌های جهت‌دار بدون‌دور (DAG) و چارچوب پیامدهای بالقوه (Potential Outcomes) می‌شویم و انواع متغیرها (مخدوش‌کننده، واسط، تعدیل‌کننده و برخوردی) و پیش‌فرض‌های لازم برای استنباط عِلّی معتبر را بررسی می‌کنیم. در ادامه، با مرور یک مقاله در قالب ژورنال کلاب و آشنایی عملی با نرم‌افزار R، وارد بخش کاربردی دوره می‌شویم: روش‌های کنترل confounding از جمله رگرسیون خطی و لجستیک، امتیاز گرایش (Propensity Score) و وزن‌دهی معکوس احتمال (IPW). دوره با معرفی پکیج‌های تخصصی R برای تحلیل عِلّی و طراحی یک پروژه‌ی عملی به پایان می‌رسد تا شرکت‌کنندگان بتوانند مفاهیم آموخته‌شده را روی داده‌های واقعی پیاده‌سازی کنند.