症状轻的人可能不复诊，病情变化的人反而更常做检查。于是电子病历里的空白并不等于“什么也没发生”：病人何时出现、何时被化验，本身就在透露健康状态。若把这些缺失当成随机，长期治疗效果就可能被估错。
Iván Díaz 的这项工作把就诊和记录机制直接纳入纵向因果推断。它研究的是“纵向改良治疗策略”——按某条规则调整病人在各次就诊时实际接受的治疗，再估计整个人群的长期结局。关键一步是引入“影子变量”：它与未观测的健康指标相关，但不会绕过该指标直接影响是否被记录。作者借此建立桥接方程，推回缺失信息，并把桥接对象写成逆缺失概率，避免先估缺失概率、再换算可能不稳定的赔率。
论文还允许用机器学习估计辅助函数，并在一定条件下给出可用于统计推断的估计量。不过这些结论依赖影子变量等假设是否成立；原文提供的是方法与理论，未披露真实医疗数据上的效果数字。