SCOUT把19种副作用学成一个复合结局，在双相障碍观察数据中检出锂盐相关效应

观察性生物医学数据里，治疗效应常被分散在大量含噪基线变量中的混杂掩盖，而结局本身该选哪一个也常常没有把握。SCOUT把这两件事放进同一个学习过程：先构造低维调整表示，再从中学习一个对治疗有响应的复合结局。 此前的做法要么预设单一终点或固定复合评分，要么在调整混杂时把结局视为已给定；分别处理调整与结局学习，使小效应容易在多重检验惩罚和高维调整的效能损失中被淹没。 在合成与半合成实验中，SCOUT的平均效应估计精度与CV-TMLE接近，而针对其得分索引目标的CATE误差明显更低；半合成数据以CATIE研究的364个基线特征校准。

方法先用一次构造的调整得分吸收基线信息，再在这些得分残差化后的数据上求解非负权重，得到跨随访共享的复合结局。 非负最小二乘要求权重非负，因为所有结局成分已按预设临床方向统一取向，负权重会削弱复合结局的临床可解释性。 权重确定后，每个随访点重新构造两维调整得分，并用普通最小二乘拟合治疗效应模型；合成实验中算法平均在1.2秒内完成，而CV-TMLE通常慢两到三个数量级。

显著性检验用条件随机化检验，在随机重排治疗并重跑整个流程后比较统计量，以计入自适应选择结局带来的不确定性。 异质性检验采用四阶统计量，把权重更多放在偏离平均效应特别大的患者身上，而不是只看整体方差。 在零效应与同质效应零假设下，经验一类错误率的95%置信区间覆盖名义5%水平；STEP-BD分析中异质性检验的Holm校正值为0.033。

已展示的范围是合成与半合成模拟，以及STEP-BD中481名双相障碍参与者（145名锂盐起始者、336名对照）的观察性分析；分析限定在患者维持原治疗策略期间观测到的19种副作用，随访点为索引访视后45、60、75和90天。作者建议把结局面板围绕临床上连贯的领域来定义，而不是不加区分地纳入所有可得结局。

作者指出当前方法依赖线性表示与线性治疗效应模型，条件随机化检验假设随访期间治疗分配固定，无法处理随时间变化的治疗决策；初始调整表示在每个随访点最多包含与结局成分数相同的维度，结局成分增多时这一中间表示的简约性会下降。得分索引的CATE只保留全协变量CATE方差的一部分，合成数据中多数情形低于50%，并随代理变量数增加而下降。