压缩病历做因果分析会丢信息：丢掉一个稀有编码，中介效应区间覆盖率跌到2%
核心概要
多模态病历常被压成低维表示再用于因果调整，但变分自编码器只被训练来重建数据。一项模拟研究显示，当表示丢掉一个同时影响治疗与中介的稀有编码时，干预性间接效应在样本量3000、中等混杂强度下的95%区间覆盖率只有2%，而重建损失看不出问题；一个比较干扰函数预测损失的诊断在全部重复中标记出该缺陷。
深度剖析
用学习到的低维表示替代原始多模态病历做因果调整，可能把识别所需的信息一并压掉，而这类损失不会随样本量增大而消失。 此前的做法是把病历压成低维表示后直接当作调整集，默认表示保留了识别所需的信息；重建目标本身只依赖协变量的边缘分布。 模拟中，丢掉一个稀有编码的表示在混杂强度κ=1、样本量3000时，干预性间接效应偏差0.186、覆盖率0.015；同一表示下平均处理效应偏差仅0.004。
干预性中介分析对表示的要求比治疗比较更严：一个足以比较治疗方案的表示，未必足以把效应拆成直接与间接两部分。 平衡性或预后性表示可以识别反事实均值，但作者证明平衡性不蕴含干预效应可识别。 模拟中κ=1、样本量3000时，同一表示下干预性直接效应偏差为−0.181，与间接效应方向相反，说明效应在通路间的分配被扭曲得比总效应更厉害。
重建损失不能用来挑选表示，需要改用估计量所依赖的各个干扰函数的预测损失，并配合诊断检查。 按验证集重建损失选维度在每个重复中都选中d=8，但重建损失与间接效应绝对偏差的相关性在κ=1时为−0.81和−0.82，重建越好偏差越大。 κ=1、样本量3000时，按重建损失选出的维度偏差0.127、覆盖率0.185，按干扰损失选出的维度偏差0.163、覆盖率0.110；诊断D1在κ=1时100%标记d=4表示，在κ=0时0%标记。
启示与展望
结论建立在模拟数据上，设计为一种数据生成机制、样本量1000与3000、每个设置200次重复，中介估计量使用单个二元中间混杂因子；所有结果都假设给定观测协变量后不存在未测量混杂。
作者指出诊断只能发现表示相对于已测协变量的预测不足，不能发现未测量混杂，诊断不显著也不构成充分性的证明；闭式偏差在线性高斯模型下推导，全样本无监督训练需要额外的稳定性条件；把治疗、中介与结局联系起来的机制约束目标能否降低表示偏差，仍是留待后续研究的经验问题。