يتناول هذا البحث استخدام الشبكات العصبية لتقدير تأثيرات العلاج من البيانات الملاحظة. بشكل عام، تتم عملية التقدير على مرحلتين. أولاً، نقوم بتطبيق نماذج للنتيجة المتوقعة واحتمالية العلاج (نسبة الميل) لكل وحدة. ثانياً، نقوم بإدخال هذه النماذج المطبقة في مقدر لاحق للتأثير. تعتبر الشبكات العصبية الخيار الطبيعي للنماذج في المرحلة الأولى. السؤال الذي نعالجه هو: كيف يمكننا تكييف تصميم وتدريب الشبكات العصبية المستخدمة في المرحلة الأولى من أجل تحسين جودة التقدير النهائي لتأثير العلاج؟ نقترح تعديلين اثنين استنادًا إلى الرؤى المستقاة من الأدب الإحصائي حول تقدير تأثيرات العلاج. الأول هو هندسة جديدة، وهي شبكة دراغوننت (Dragonnet)، التي تستفيد من كفاية نسبة الميل للتعديل في التقدير. الثاني هو إجراء تنظيمي، وهو التنظيم المستهدف (targeted regularization)، الذي يميل نحو النماذج ذات الخصائص المثلى غير المعلمية بشكل مبدئي. تظهر الدراسات على مجموعات بيانات معيارية لاستدلال السببية أن هذه التعديلات تتفوق على الأساليب الحالية. يمكن الحصول على الكود من github.com/claudiashi57/dragonnet.