做观察性研究，有点像拿两群背景本就不同的人比较治疗效果：如果年龄、病情等差异没处理好，结果很难说明是治疗造成的；但匹配条件定得太严，又会丢掉许多样本。OSIP（Optimal Study Interior Partitioning）尝试把这道取舍题交给优化器统一安排。
它先用倾向得分——一个人基于已知背景接受处理的估计概率——把高维资料压到一条线上，再把相邻分数区间划成若干层。关键是，这些分界不是逐段凑出来的，而是在“分层数量有上限”和“每层必须达到严格 fine balance”两类约束下全局优化。Fine balance 指匹配后两组在某个分类变量上的总体比例一致，但不强求每一对完全相同，因此能留下更多组合空间。
算法分两步：先用一维辅助目标寻找最优分区，再回到原始协变量距离，在各层内用启发式方法继续调整匹配。作者称，OSIP在 Lindner 心血管数据及其他基准数据上找到了多项目标之间的高效折中；不过材料未给出具体提升数字，实际收益仍要结合完整实验判断。