Badania pokazują fundamentalny problem w zastosowaniu uczonych reprezentacji multimodalnych do wnioskowania przyczynowego w medycynie. Reprezentacje trenowane do rekonstrukcji danych, kontrastywnie lub z uwzględnieniem fizyki procesu nie gwarantują zachowania informacji niezbędnych do prawidłowej identyfikacji przyczynowych efektów leczenia, co stanowi zagrożenie dla niezawodności metod wnioskownia przyczynowego w zdrowiu cyfrowym.
Problem jest szczególnie wyrazisty w kontekście analizy mediacjii i efektów pośrednich. Autorzy dowodzą matematycznie, że w liniowych modelach strukturalnych reprezentacja może tracić arbitralnie małą dokładność rekonstrukcji, jednocześnie powodując arbitralnie duże błędy w wnioskowaniu przyczynowym. Przy analizie efektów interventionalnych (interventional direct and indirect effects), wymogi dotyczące prawidłowości reprezentacji są znacznie bardziej rygorystyczne niż przy prostym porównaniu scenariuszy counterfactual.
Praca rozkłada błąd cross-fitted doubly robust estimatorów na błąd reprezentacji pierwszego rzędu - który ani double robustness ani cross-fitting nie mogą wyeliminować - oraz pozostałościowy błąd drugiego rzędu pochodzący z estymacji nuisance parameters. To ma niepokojące implikacje: gdy reprezentacja jest niewystarczająca, pokrycie przedziałów ufności pogarsza się wraz ze wzrostem wielkości próby. Jako rozwiązanie autorzy proponują workflow łączący specjalizowane variational autoencodery trenowane poza próbą estymacyjną z cross-fitted doubly robust estimatorami, co może znacznie poprawić niezawodność analiz dla zastosowań takich jak cyfrowe bliźniaczki pacjentów czy wnioskowanie personalizowanego wpływu leczenia.