医院常有这样的数据缺口：患者特征和接受过什么治疗都记得很全，后续结果却只有少数经过核验。Peng、Zhou 与 Lu 研究的正是如何利用这批“缺了结局”的病历，学习个体化治疗规则——根据每位患者的特征，在不同方案中选择预期结果更好的一个。
方法分两步。它先用单索引核平滑——把多项患者特征压缩成一个综合方向，再参考相近的有标签病例——灵活填补结果信息；随后做一致性学习。这里的“一致”不是照抄医生当时的选择，而是比较两种排序：预计治疗获益越大的人，规则是否也越倾向把该治疗分给他。未标注数据不能直接说明疗效，但能帮助方法看清患者特征与既有治疗记录的整体结构。
作者证明了估计量的一致性和渐近正态性，并自述模拟中相较完全监督方法效率更高、有限样本下更稳健；框架还在 MIMIC-III 和 ACTG175 数据集上做了验证。不过，现有材料未披露这些真实数据实验的具体改善数字，实际价值仍不宜仅凭方法论结论放大。