同一种治疗，对“这类人平均有效”，不等于对眼前这个人也有效。比如一组年龄、病情相近的患者平均获益明显，个人反应仍可能相差很大。CATE（条件平均处理效应）回答的是同类人的平均变化；个人因果效应则比较同一个人接受与不接受治疗的结果，但现实中只能看到其中一种，另一种是反事实。因此，覆盖CATE均值的置信区间，并不保证覆盖个人的真实效应。
Delbianco 和 Tohmé 提出的 Individualized Causal Prediction（ICP），把共形预测——借助校准样本为新区间设定边界的方法——搬到个人因果效应上。它不拿所有人统一校准，而是用 Causal Forest 的变量重要性给特征加权，再按余弦相似度寻找与目标个体因果上更相关的邻居；局部样本太少时，还用高斯扰动合成校准点。区间中心采用双重稳健的 AIPW 分数，以降低结果模型或治疗概率模型估错一方时的影响。
论文证明，在 SUTVA、强可忽略性及校准集选择不依赖结果等假设下，区间具有有限样本的名义边际覆盖。需要留意：这仍是对总体平均意义上的覆盖保证；针对某个具体人的条件覆盖只是近似目标，并不会因“局部化”自动成立。