تشكل تقديرات تأثيرات العلاج الفردية من البيانات الرصدية الطويلة الأجل محوراً أساسياً في الطب القائم على البيانات. لكن تواجه الأساليب الحالية قيوداً جوهرية، فكلما عملت على تقليل التحيز، غالباً ما تثبط التفاوت السريري المفيد، مما يؤدي إلى تدهور التنبؤات الخاصة بالمرضى. في هذا السياق، يتم التعرف على هذه التوتر كـ "مفارقة التحيز والدقة" في تعلم التمثيلات السببية.

وقد تم تقديم استراتيجية جديدة تُسمى "التوزيع الأعظم المتوسط العشوائي" (sMMD)، والتي تعتمد على محاذاة عشوائية تبدل التوازن العدائي العالمي بمطابقة على مستوى المجموعة. يتم تطبيق هذه المقاربة في إطار عمل متخصص للتنبؤ بالنتائج المضادة مع تفسير مستند إلى الإسناد.

عبر دراستين لعينات من وحدات العناية المركزة (ICU) تضم أكثر من 27783 حالة، أثبت إطار العمل هذا تحسناً ملحوظاً في الدقة تحت تغييرات التوزيع، حيث انخفضت الأخطاء بنسبة تصل إلى 11.5%، وتم زيادة استدعاء المعلومات في المهام عالية المخاطر بشكل كبير. تُظهر التحليلات الميكانيكية أن sMMD تحافظ بشكل انتقائي على المتغيرات الحاسمة سريرياً.

أثبتت evaluations بين الإنسان والذكاء الاصطناعي أن هذه الطريقة تتفوق على المتدربين من المتخصصين الطبيين ونماذج اللغات الكبيرة، محققة زيادة بمقدار 14.7% في دقة الأطباء، دون زيادة في زمن اتخاذ القرار، مما يتيح دعماً سريرياً قابل للتفسير وفي الوقت الفعلي.