一项药物试验即使做得严谨，结论也未必能直接套到真实患者身上。比如试验参与者更年轻、病情更轻，治疗对他们的效果可能不同。随机分组主要保证“试验里比得准”，却不自动保证“换一群人仍适用”。这项工作处理的正是生存治疗效应的迁移与泛化：前者把结果搬到另一人群，后者推广到包含试验参与者的更大人群。
作者提出一组用于离散时间生存数据的估计方法。生存数据常有“删失”——患者失访或随访结束，只能知道事件尚未发生，无法知道确切时间。方法用交叉拟合（轮换一部分数据训练、另一部分估计）配合去偏机器学习，并具备“双重稳健性”：两组必要模型中，只要有一组设对，估计仍可成立。
最值得注意的一步，是利用已知的效果修饰因素——例如确实会改变疗效的年龄或病情特征——只在更小的特征集合上校准两个人群，而不是给全部变量重加权。论文证明，这种结构化估计的渐近方差不会更大，有望减少权重不稳定带来的噪声。结论仍依赖可迁移性、人群有足够重叠及删失机制等假设；作者以模拟和 Women’s Health Initiative 的激素治疗数据作了展示。