把一大摞病历压成几组数字，好比整理行李：箱子看起来装下了大部分东西，却可能偏偏落下最要紧的药。这篇论文讨论的正是这种风险。表征学习把影像、化验等高维资料压缩成短向量；但“能还原原始资料”不等于“保留了因果线索”。做中介分析——把治疗效果拆成经由某个中间环节的间接效应，以及绕过它的直接效应——时，这个区别尤其关键。
作者证明，只看病历本身的重构、对比学习或 physics-informed 训练目标，都不能保证压缩结果足以识别因果效应。更反直觉的是，在线性结构模型中，重构准确率只损失任意小的一点，也可能造成任意大的偏差。双重稳健估计——用两套相互补充的模型降低部分模型设错风险——也补不回表征已丢失的信息。
论文模拟中，一个被丢掉的罕见混杂因素在影响达到中等强度时，间接效应区间的覆盖率仅为 2%；重构损失没有暴露问题，而一项简单的预测诊断在全部重复实验中都发出了警报。这些数字来自作者模拟，尚不能直接外推到真实病历，但提醒很明确：做因果分析时，压缩得漂亮只是起点，不是合格证。