做药物试验时，研究者常会参考受试者治疗前的年龄或病情，像比较两班成绩时先看入学水平。随机分组本身负责避免偏差；这些“协变量”则用来滤掉噪声，让置信区间更窄，提高统计功效——也就是在疗效确实存在时，更容易识别出来。
这篇论文讨论的关键转向，是从预先固定一种回归模型，走向数据自适应调整：让模型形式或变量用法根据试验数据决定，甚至采用机器学习。作者主张，这类分析仍可完整预先规定、透明且可复现，并对模型设错保持稳健；其目标更进一步，是保证调整后的精度不低于完全不调整，同时维持统计有效性和原本关注的因果效应。
这不是给机器学习开绿灯，而是在尝试划出监管可接受的护栏。论文目前聚焦结局缺失很少的随机试验，以及目标人群的平均治疗效果；所给材料未披露具体算法或数值实验，因此更适合把它看作一套最佳实践主张，而非已经由效果数字验证的统一方案。