做临床试验有点像请一批人到同一个房间里做严格测试：结果干净，但贵，也常常人少。真实世界数据则像医院日常留下的大账本，量大、贴近现场，却没有随机分组这层保护。M. Ehsan Karim 这篇稿子关心的不是“能不能把账本也拿来用”，而是更实际的问题：拿来以后，RCT 真的更省样本、更有效率吗？省下来的不确定性又该怎么算？
论文以 Adaptive-TMLE 为例。TMLE 可以粗略理解为一种把机器学习估计结果再校准到目标问题上的统计方法；这里的 Adaptive-TMLE 会学习一个“偏差模型”，也就是外部真实世界数据和试验人群之间差在哪里。作者给了三件工具：一张 report card，把这个原本看不见的偏差模型摊开检查；一张 efficiency map，标出融合数据什么时候帮忙、什么时候拖后腿；以及 selection-aware inference，也就是把“方法自己选择了借多少数据”这件事计入误差范围。
最值得看的结论是反直觉的：按作者模拟，效率收益主要由真实世界数据偏差的大小驱动，而不是偏差函数有多复杂；收益在中等偏差附近过盈亏线，并会随着 RCT 变大而减弱，所以它更像小样本里的有限收益，不是永久的“免费午餐”。作者还报告，十种候选标准误里，只有 block jackknife 的覆盖表现校准，但偏保守。边界也很清楚：这些效果是作者在 A-TMLE 框架和三组公开融合案例下的自述结果，不等于所有真实世界证据融合方法都自动成立。