📊 statistics

Debiased inference for stochastic treatment interventions with survival outcomes

यह शोध पत्र गैर-विभेद्यता (non-differentiability) की समस्याओं को दूर करने और सुदृढ़ अर्ध-प्राचलीकृत अनुमान (robust semiparametric inference) को सक्षम करने के लिए इलनेस-डेथ मॉडल के भीतर एक स्मूद्थ इंटरवेंशन का उपयोग करके, उत्तरजीविता परिणामों पर स्टोकेस्टिक उपचार हस्तक्षेपों के कारण प्रभाव के लिए एक डिबायस्ड वन-स्टेप एस्टिमेटर प्रस्तावित करता है।

मूल लेखक: Torben Martinussen, Mark Bech Knudsen, Helene Rytgaard

प्रकाशित 2026-06-01

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Torben Martinussen, Mark Bech Knudsen, Helene Rytgaard

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

यहाँ सरल भाषा और रोज़मर्रा के उदाहरणों का उपयोग करके शोध पत्र (paper) की व्याख्या दी गई है।

बड़ी तस्वीर: "हार्ट ट्रांसप्लांट" की पहेली

कल्पना कीजिए कि आप यह पता लगाने की कोशिश कर रहे हैं कि क्या हार्ट ट्रांसप्लांट (दिल का प्रत्यारोपण) जीवन बचाता है। आप बीमार रोगियों के एक समूह को देखते हैं। कुछ को ट्रांसप्लांट मिलता है, और कुछ को नहीं। कुछ की मृत्यु हो जाती है, और कुछ जीवित बच जाते हैं।

समस्या समय (timing) की है।

यदि आप केवल यह देखते हैं कि किसे ट्रांसप्लांट मिला और किसे नहीं, तो आप "इम्मोर्टल टाइम बायस" (immortal time bias) नामक जाल में फंस जाते हैं। यह ऐसा ही है जैसे यह कहना कि, "जिन लोगों को ट्रांसप्लांट मिला वे अधिक समय तक जीवित रहते हैं।" लेकिन ऐसा इसलिए भी है क्योंकि उन्हें लिस्ट में शामिल होने और सर्जरी कराने के लिए पर्याप्त समय तक जीवित रहना पड़ा। जिन लोगों की तुरंत मृत्यु हो गई, उन्हें इलाज का मौका ही नहीं मिला।
मानक सांख्यिकी (Standard statistics) इसे एक "टाइम-डिपेंडेंट" घटना (जैसे एक स्विच जो एक विशिष्ट क्षण पर चालू होता है) के रूप में मानकर ठीक करने की कोशिश करती है। लेकिन लेखक तर्क देते हैं कि यहाँ तक कि ये मानक तरीके भी कारण-संबंधी (causally) रूप से समझने में कठिन हैं। वे आपको एक संख्या दे सकते हैं, लेकिन यह कहना कठिन है कि वास्तविक दुनिया में उस संख्या का सटीक अर्थ क्या है।

समाधान: एक "स्टोकेस्टिक" (यादृच्छिक/Stochastic) हस्तक्षेप

लेखक प्रश्न पूछने का एक नया तरीका प्रस्तावित करते हैं। यह पूछने के बजाय कि, "क्या होगा यदि हम हर किसी को ठीक दोपहर 2:00 बजे ट्रांसप्लांट लेने के लिए मजबूर करें?", वे एक अधिक कोमल और यथार्थवादी प्रश्न पूछते हैं:

"क्या होगा यदि हम नियमों को इस तरह बदल दें कि रोगियों के लिए एक विशिष्ट समय सीमा (मान लीजिए, दोपहर 1:00 बजे से 3:00 बजे के बीच) के भीतर ट्रांसप्लांट मिलने की संभावना अधिक हो?"

वे इसे स्टोकेस्टिक इंटरवेंशन (stochastic intervention) कहते हैं। इसे एक ट्रैफिक लाइट की तरह समझें:

पुराना तरीका (Deterministic): "हर कार को ठीक लाल रेखा पर रुकना चाहिए।" (यह गणितीय रूप से अव्यवस्थित और अस्थिर है)।
नया तरीका (Stochastic): "हम ट्रैफिक लाइट को इस तरह बदलते हैं कि कारों के पास 10 सेकंड के अंतराल के भीतर रुकने की उच्च संभावना हो।" यह अधिक यथार्थवादी और गणितीय रूप से स्थिर है।

"इलनेस-डेथ" मॉडल: एक तीन मंजिला इमारत

डेटा को देखने के लिए, लेखक एक इमारत के सरल मॉडल का उपयोग करते हैं जिसमें तीन मंजिलें हैं:

फ्लोर 0 (अनुपचारित/Untreated): सभी यहीं से शुरू करते हैं। वे बीमार हैं लेकिन अभी तक उपचार प्राप्त नहीं किया है।
फ्लोर 1 (उपचार/Treatment): यदि उन्हें उपचार मिलता है, तो वे यहाँ आ जाते हैं।
फ्लोर 2 (मृत्यु/Death): यदि उनकी मृत्यु हो जाती है, तो वे इमारत छोड़ देते हैं।

लक्ष्य यह अनुमान लगाना है कि फ्लोर 0 से फ्लोर 1 पर जाने के विभिन्न नियमों के तहत कितने लोग फ्लोर 2 (मृत्यु) पर पहुँचेंगे।

छिपा हुआ जाल: "घोस्ट" (Ghost) वेरिएबल

शोध पत्र एक प्रमुख खतरे को उजागर करता है। कल्पना कीजिए कि एक "घोस्ट" वेरिएबल (एक अप्राप्य कारक, जैसे कि कोई रोगी वास्तव में अंदर से कितना बीमार है) है जो दो चीजों को प्रभावित करता है:

क्या उन्हें उपचार मिलेगा।
क्या उनकी मृत्यु होगी।

यदि आप केवल जो आप देखते हैं (अवलोकित डेटा) के आधार पर उपचार के नियमों को बदलने की कोशिश करते हैं, तो आप अनजाने में इस छिपे हुए "घोस्ट" के कारण मृत्यु दर को बिगाड़ सकते हैं।

उदाहरण: कल्पना कीजिए कि आप एक डॉक्टर हैं। आप देखते हैं कि "कमजोर" (द घोस्ट) रोगी ट्रांसप्लांट मिलने की कम संभावना रखते हैं और उनकी मृत्यु होने की संभावना अधिक होती है। यदि आप केवल यह कहते हैं, "आइए हम सभी को ट्रांसप्लांट देना बंद कर दें," तो आप सोच सकते हैं कि आप केवल उपचार को बदल रहे हैं। लेकिन क्योंकि "कमजोरी" (frailty) लोगों को तेजी से मरने के लिए भी प्रेरित करती है, आपका निर्णय वास्तव में मृत्यु दर को उस तरह से बदल देता है जैसा कि आप नहीं चाहते थे।
समाधान: लेखक सिद्ध करते हैं कि उनके तरीके के काम करने के लिए, हमें यह मानना होगा कि ऐसे कोई "घोस्ट" नहीं हैं जो उपचार के निर्णय और मृत्यु के जोखिम को जोड़ते हों। यदि यह धारणा सही है, तो उनका तरीका सुरक्षित है।

"स्मूथड" (Smoothed) विंडो: सटीक समय क्यों नहीं?

लेखकों ने एक ऐसा नियम बनाने की कोशिश की जहाँ हर किसी का उपचार ठीक एक विशिष्ट क्षण पर हो (जैसे, "दिन 5")।

समस्या: वास्तविक दुनिया में, समय निरंतर (continuous) है। यदि आप एक सटीक नैनोसेकंड पर स्विच करने के लिए मजबूर करने की कोशिश करते हैं, तो गणित टूट जाता है। यह एक पेंसिल को उसकी नोक पर संतुलित करने जैसा है; यह मापने के लिए बहुत अस्थिर है।
समाधान: उन्होंने हस्तक्षेप को "स्मूथ" (smooth) किया। एक एकल बिंदु के बजाय, उन्होंने एक समय अंतराल (time window) या "ट्रीटमेंट ज़ोन" बनाया।
- उदाहरण: "दिन 5 पर उपचार करें" के बजाय, वे कहते हैं, "दिन 4 और दिन 6 के बीच कभी भी उपचार करें।"
- यह गणित को "स्मूथ" और स्थिर बनाता है, जिससे वे एक विश्वसनीय उत्तर की गणना कर सकते हैं।

"डीबायस्ड" एस्टिमेटर (Debiased Estimator): सुधार का उपकरण

एक बार जब उनके पास एक स्थिर प्रश्न (स्मूथ विंडो) होता है, तो उन्हें उत्तर देने के लिए एक उपकरण की आवश्यकता होती है।

प्लग-इन एस्टिमेटर (The Plug-in Estimator): यह एक मानक अनुमान है। आप अपने डेटा को लेते हैं, उसे एक सूत्र में डालते हैं, और एक उत्तर प्राप्त करते हैं। समस्या यह है कि यदि आपका सूत्र पूर्ण नहीं है (जो कि शायद ही कभी होता है), तो आपका उत्तर थोड़ा गलत (biased) होगा।
वन-स्टेप एस्टिमेटर (The One-Step Estimator - जादुई छड़ी): लेखकों ने एक "डीबायस्ड" उपकरण बनाया है। इसे एक ऐसे GPS की तरह समझें जो जानता है कि वह थोड़ा गलत हो सकता है। यह मानक उत्तर की गणना करता है, फिर एक विशेष "सुधार कारक" (जिसे एफिशिएंट इन्फ्लुएंस फंक्शन कहा जाता है) का उपयोग करके उत्तर को सच्चाई की ओर धकेलता है।
- भले ही आपके द्वारा अनुमानित सूत्र के हिस्से (जैसे उपचार के बाद मृत्यु का जोखिम) गलत हों, यह उपकरण त्रुटि को ठीक करता है, बशर्ते आपके पास पर्याप्त डेटा हो। यह "डबल रोबस्ट" (double robust) है, जिसका अर्थ है कि यह गणना के एक हिस्से में होने वाली गलतियों को संभाल सकता है यदि दूसरा हिस्सा सही हो।

वास्तविक दुनिया के परीक्षण

लेखकों ने अपने तरीके का दो तरीकों से परीक्षण किया:

सिमुलेशन (Simulations): उन्होंने कंप्यूटर पर नकली डेटा बनाया यह देखने के लिए कि क्या विधि काम करती है। उन्होंने गलत सूत्रों का उपयोग करके विधि को धोखा देने की कोशिश की। "डीबायस्ड" उपकरण सही उत्तर देता रहा, जबकि मानक उपकरण विफल रहा।
वास्तविक डेटा:
- स्टैनफोर्ड हार्ट ट्रांसप्लांट्स: उन्होंने क्लासिक हार्ट ट्रांसप्लांट डेटा का पुन: विश्लेषण किया। उन्होंने "तुरंत ट्रांसप्लांट" बनाम "कभी ट्रांसप्लांट नहीं" की तुलना की। उन्होंने पाया कि उत्तरजीविता (survival) में कोई बड़ा अंतर नहीं था, लेकिन उन्होंने नोट किया कि अध्ययन की शुरुआत में भर्ती हुए रोगियों के लिए, शुरुआती उपचार थोड़ा बेहतर लग रहा था (हालांकि यह सांख्यिकीय रूप से महत्वपूर्ण नहीं था)।
- फर्टिलिटी ट्रीटमेंट (IUI): उन्होंने गर्भधारण करने की कोशिश कर रहे जोड़ों को देखा। उन्होंने "तुरंत उपचार," "6 महीने प्रतीक्षा," और "कभी उपचार नहीं" की तुलना की। उन्होंने पाया कि कभी उपचार न करने की तुलना में तुरंत या 6 महीने प्रतीक्षा करना बेहतर था, लेकिन तुरंत उपचार करने और 6 महीने प्रतीक्षा करने के बीच कोई बड़ा अंतर नहीं था।

सारांश

यह शोध पत्र एक जटिल गणितीय समस्या को हल करता है कि एक विशिष्ट समय पर होने वाले उपचार के प्रभाव को कैसे मापा जाए।

समस्या: मानक विधियाँ या तो अस्थिर हैं या समझने में कठिन हैं।
समाधान: एक सटीक सेकंड पर उपचार करने के लिए मजबूर करने के बजाय, वे एक "समय अंतराल" (time window) नियम का प्रस्ताव करते हैं।
उपकरण: उन्होंने एक विशेष कैलकुलेटर बनाया जो अपनी गलतियों को सुधारता है, जिससे परिणाम विश्वसनीय बनते हैं, भले ही डेटा के बारे में हमारे प्रारंभिक अनुमान पूर्ण न हों।
परिणाम: यह सिमुलेशन में अच्छा काम करता है और हार्ट ट्रांसप्लांट और फर्टिलिटी ट्रीटमेंट जैसे वास्तविक चिकित्सा प्रश्नों के लिए स्पष्ट, व्याख्या योग्य उत्तर देता है।

तकनीकी सारांश: उत्तरजीविता परिणामों के साथ स्टोकेस्टिक उपचार हस्तक्षेपों के लिए डिबायस्ड इन्फरेंस (Debiased Inference)

समस्या कथन (Problem Statement)
उत्तरजीविता परिणामों (मृत्यु तक का समय) पर समय-निर्भर उपचारों के कारणत्मक प्रभाव (causal effect) का अनुमान लगाना स्वाभाविक रूप से कठिन है, क्योंकि इसमें इमोर्टल-टाइम बायस (immortal-time bias) जैसी समस्याएँ और मानक समय-निर्भर कॉक्स मॉडल की सूक्ष्म कारणत्मक व्याख्या शामिल होती है। हालांकि मार्जिनल स्ट्रक्चरल मॉडल और जी-कम्प्यूटेशन (g-computation) जैसी विधियाँ मौजूद हैं, वे अक्सर सही वर्किंग मॉडल के विशिष्टता (specification) पर अत्यधिक निर्भर करती हैं; गलत विशिष्टता से पक्षपाती (biased) परिणाम प्राप्त होते हैं। इसके अलावा, एक महत्वपूर्ण अंतर उन हस्तक्षेपों के बीच है जो प्रेक्षित डेटा की तीव्रता (observed data intensities) के स्तर पर परिभाषित किए जाते हैं और वे जो वास्तविक डेटा-जनरेटिंग प्रोसेस (DGP) के स्तर पर परिभाषित किए जाते हैं। उन अनकन्फाउंडर (unmeasured confounders) की उपस्थिति में, जो उपचार प्रारंभ करने की तीव्रता और प्रतिस्पर्धी खतरों (competing hazards) दोनों को प्रभावित करते हैं, प्रेक्षित तीव्रताओं पर लगाया गया हस्तक्षेप वांछित कारणत्मक हस्तक्षेप के अनुरूप नहीं हो सकता है।

कार्यप्रणाली (Methodology)
लेखक इस समस्या को इलनेस-डेथ मॉडल (illness–death model) के भीतर प्रारूपित करते हैं, जहाँ व्यक्ति उपचार रहित अवस्था (0) से उपचार प्रारंभ अवस्था (1) में संक्रमण करते हैं और अंततः मृत्यु (2) की ओर बढ़ते हैं।

स्टोकेस्टिक हस्तक्षेप की परिभाषा (Stochastic Intervention Definition):
लेखक एक स्टोकेस्टिक हस्तक्षेप प्रस्तावित करते हैं जो उपचार प्रारंभ करने के नियम को संशोधित करता है। लेखक यह प्रदर्शित करते हैं कि उपचार प्रारंभ करने की तीव्रता पर एक हस्तक्षेप को कारणत्मक रूप से वैध होने के लिए, कोई भी अनकन्फाउंड वेरिएबल उपचार प्रारंभ करने की तीव्रता और प्रतिस्पर्धी/डाउनस्ट्रीम खतरों का सामान्य कारण नहीं होना चाहिए।
स्मूथ किया हुआ हस्तक्षेप (The Smoothed Intervention):
एक प्राथमिक तकनीकी चुनौती यह है कि एक सटीक समय बिंदु $u^*$ पर उपचार को स्थिर करने से एक ऐसा एस्टिमैंड (estimand) प्राप्त होता है जो पाथवाइज डिफरेंशिएबल (pathwise differentiable) नहीं होता है, जिससे एफिशिएंट इन्फ्लुएंस फंक्शन (EIF) का व्युत्पन्न निकालना असंभव हो जाता है और यह धारणा-मुक्त इन्फरेंस (assumption-lean inference) को रोकता है।
इसे हल करने के लिए, लेखक एक स्मूथ किया हुआ हस्तक्षेप (smoothed intervention) पेश करते हैं। एक एकल बिंदु पर उपचार को मजबूर करने के बजाय, यह हस्तक्षेप लक्ष्य समय $u^*$ के आसपास एक समय विंडो $[u^* - b, u^* + b]$ के भीतर उपचार आवंटित करता है। उपचार प्रारंभ करने की तीव्रता $\tilde{\alpha}_{01}(s)$ को इस विंडो के बाहर शून्य और विंडो के भीतर तीव्रता के इंटीग्रल के अनुपात में रखा जाता है, जिसे तीव्रता के इंटीग्रल द्वारा सामान्यीकृत (normalized) किया जाता है। यह स्मूथिंग एस्टिमैंड को पाथवाइज डिफरेंशिएबल बनाती है और सेमीपैरामेट्रिक विश्लेषण के योग्य बनाती है।
एफिशिएंट इन्फ्लुएंस फंक्शन (EIF) और एस्टिमेशन:
लेखक दाईं ओर सेंसरिंग (right censoring) सहित सामान्य स्थितियों के तहत इंटरवेंशनल रिस्क $\psi_t = \tilde{P}^o(T \le t)$ के लिए EIF व्युत्पन्न करते हैं।

वन-स्टेप एस्टिमेटर (One-Step Estimator): वे एक डिबायस्ड वन-स्टेप एस्टिमेटर $\hat{\psi}^{os}_t = \hat{\psi}^{pi}_t + \mathbb{P}_n\{D^*_{\psi_t}(O, P_n)\}$ प्रस्तावित करते हैं। यह एक प्लग-इन एस्टिमेटर को EIF पर आधारित सुधार पद (correction term) के साथ जोड़ता है।
न्युसेंस पैरामीटर्स (Nuisance Parameters): यह विधि ट्रांजिशन हैजार्ड्स, सर्वाइवल फंक्शन्स और सेंसरिंग डिस्ट्रीब्यूशंस के लचीले, डेटा-अनुकूल अनुमान के लिए मशीन लर्निंग दृष्टिकोणों सहित विभिन्न तरीकों को समाहित करती है।
डबल रोबस्टनेस (Double Robustness): एस्टिमेटर रेट डबल रोबस्टनेस (rate double robustness) प्रदर्शित करता है। विशेष रूप से, स्पर्श सामान्यता (asymptotic normality) तब बनी रहती है जब पोस्ट-ट्रीटमेंट सर्वाइवल फंक्शन और सेंसरिंग डिस्ट्रीब्यूशन के अनुमान की त्रुटियों का गुणनफल $n^{-1/2}$ की दर से तेजी से अभिसरित (converge) होता है। यह अनुमति देता है कि यदि एक घटक पर्याप्त रूप से तेजी से अभिसरित होता है, तो दूसरे घटक में धीमी अभिसरण दर भी स्वीकार्य है।
कोवेरिएट्स (Covariates): इस ढांचे को बेसलाइन कोवेरिएट्स $L$ के साथ विस्तारित किया गया है, जो तीव्रता कार्यों और EIF को $L$ पर कंडिशन करता है।

मुख्य योगदान (Key Contributions)

कारणत्मक वैधता की स्थितियाँ (Causal Validity Conditions): यह शोध पत्र स्पष्ट रूप से उन स्थितियों को रेखांकित करता है जिनके तहत प्रेक्षित तीव्रताओं पर हस्तक्षेप, DGP पर कारणत्मक रूप से वैध हस्तक्षेप के अनुरूप होते हैं, जो अनकन्फाउंडर द्वारा उत्पन्न जोखिमों को उजागर करता है।
स्मूथिंग के माध्यम से रेगुलाइजेशन (Regularization via Smoothing): एक स्मूथ किया हुआ स्टोकेस्टिक हस्तक्षेप पेश करके, लेखक पॉइंट-मास हस्तक्षेपों की नॉन-डिफरेंशिएबिलिटी की समस्या को दूर करते हैं, जिससे EIF का व्युत्पन्न निकालना और मजबूत इन्फरेंस प्रक्रियाओं का विकास संभव हो पाता है।
डिबायस्ड एस्टिमेशन (Debiased Estimation): वे एक वन-स्टेप एस्टिमेटर का प्रस्ताव करते हैं जो प्लग-इन एस्टिमेटर्स के बायस को EIF का उपयोग करके ठीक करता है, जिससे न्युसेंस पैरामीटर्स के लिए लचीले मशीन लर्निंग तरीकों का उपयोग करते हुए भी वैध कारणत्मक अनुमान बनाए रखना संभव होता है।
रेट डबल रोबस्टनेस (Rate Double Robustness): रेट डबल रोबस्टनेस का सैद्धांतिक निर्धारण, जो एस्टिमेटर की वैधता सुनिश्चित करता है, भले ही न्युसेंस मॉडल मिसस्पेसिफाइड हों, बशर्ते कि त्रुटियों का गुणनफल पर्याप्त छोटा हो।

परिणाम (Results)

सिमुलेशन अध्ययन (Simulation Studies):
- सही ढंग से निर्दिष्ट वर्किंग मॉडल के तहत, प्लग-इन और वन-स्टेप दोनों एस्टिमेटर्स अनबायस्ड (unbiased) थे।
- पोस्ट-ट्रीटमेंट ट्रांजिशन मॉडल के मिसस्पेसिफिकेशन के तहत, प्लग-इन एस्टिमेटर पक्षपाती (biased) हो गया, जबकि वन-स्टेप एस्टिमेटर लगभग अनबायस्ड रहा, जो इसके रोबस्टनेस गुणों की पुष्टि करता है।
- मशीन लर्निंग (3-fold cross-fitting) का उपयोग करते समय, वन-स्टेप एस्टिमेटर ने बायस करेक्शन गुण बनाए रखे, जिसमें छोटे सैंपल साइज ( $n=300$ ) पर मामूली बायस देखा गया जो सैंपल साइज बढ़ने ( $n=600$ ) के साथ कम हो गया।
स्टैनफोर्ड हार्ट ट्रांसप्लांट डेटा (Stanford Heart Transplant Data):
- इसे एंड-स्टेज हार्ट डिजीज के रोगियों के डेटा पर लागू किया गया। विश्लेषण ने "ट्रांसप्लांट विदिन 30 डेज़" बनाम "नेवर ट्रीट" रणनीतियों की तुलना की।
- परिणामों ने दिखाया कि दोनों रणनीतियों के बीच मृत्यु के जोखिम में कोई महत्वपूर्ण अंतर नहीं था।
- एडमिशन वर्ष (अर्ली बनाम लेट) के आधार पर स्तरीकरण (stratification) ने संकेत दिया कि जो लोग पहले एडमिट हुए थे, उनके लिए शुरुआती उपचार का संभावित लाभ हो सकता है, हालांकि यह इंटरेक्शन सांख्यिकीय रूप से महत्वपूर्ण नहीं था।
इंट्रायूटीन इनसेमिनेशन (IUI) डेटा:
- इसे अस्पष्ट सबफर्टिलिटी वाले जोड़ों के मूल्यांकन के लिए लागू किया गया: "ट्रीट फ्रॉम स्टार्ट," "ट्रीट आफ्टर 6 मंथ्स," और "नेवर ट्रीट।"
- परिणामों ने संकेत दिया कि "ट्रीट फ्रॉम स्टार्ट" "नेवर ट्रीट" की तुलना में बेहतर था, और "ट्रीट आफ्टर 6 मंथ्स" भी "नेवर ट्रीट" की तुलना में बेहतर था।
- "ट्रीट फ्रॉम स्टार्ट" और "ट्रीट आफ्टर 6 मंथ्स" के बीच कोई महत्वपूर्ण अंतर नहीं पाया गया।

महत्व और दावे (Significance and Claims)
यह शोध पत्र उन उत्तरजीविता सेटिंग्स में समय-निर्भर उपचारों के मूल्यांकन के लिए एक कठोर ढांचा प्रदान करने का दावा करता है जहाँ मॉडल मिसस्पेसिफिकेशन या हस्तक्षेप की परिभाषा की जटिलता के कारण मानक कारणत्मक विधियाँ विफल हो सकती हैं। एक स्मूथ किया हुआ स्टोकेस्टिक हस्तक्षेप का उपयोग करके, लेखक धारणा-मुक्त इन्फरेंस (assumption-lean inference) को सक्षम करते हैं जिसमें वांछित रोबस्टनेस गुण हैं। यह पद्धति शोधकर्ताओं को न्युसेंस पैरामीटर्स के लिए लचीले डेटा-अनुकूल उपकरणों (जैसे मशीन लर्निंग) का उपयोग करने की अनुमति देती है, बशर्ते कि रेट डबल रोबस्टनेस की स्थिति पूरी हो। लेखक नोट करते हैं कि हालांकि यह ढांचा पूरी तरह से डेटा-अनुकूल अनुमान के लिए सैद्धांतिक रूप से संगत है, लेकिन डिलेड-एंट्री सेटिंग्स में पोस्ट-ट्रीटमेंट ट्रांजिशन के व्यावहारिक अनुमान में चुनौतियाँ बनी हुई हैं, जो इन विशिष्ट घटकों के लिए स्थिर मशीन-लर्निंग प्रक्रियाओं के विकास की आवश्यकता का सुझाव देती हैं।