تقدير تأثيرات العلاج الفردية (ITE) يُعد مهمة صعبة نظرًا لضرورة تعلُّم النتائج المحتملة للفرد من بيانات متحيزة، دون إمكانية الوصول إلى النتائج المقابلة (الضدّية). نقترح طريقة جديدة لاستنتاج تأثيرات العلاج الفردية بناءً على إطار الشبكات التوليدية التنافسية (GANs). تُسمّى هذه الطريقة، "GANITE"، وهي مُحفَّزة بفكرة إمكانية التقاط عدم اليقين في التوزيعات المقابلة من خلال محاولة تعلُّمها باستخدام GAN. نُولِّد مُستنسخات للنتائج المقابلة باستخدام مولّد مُستنسخ (G)، ثم نُمرّر هذه المستنسخات إلى مولّد تأثير العلاج الفردي (I) لتدريبه. وباستخدام إطار GAN لتمثيل كلا المولّدين، نكون قادرين على استنتاج التأثيرات بناءً على البيانات الواقعية، مع الحفاظ على مراعاة النتائج المقابلة غير المرئية. قمنا باختبار طريقتنا على ثلاث مجموعات بيانات واقعية (بما في ذلك علاجات ثنائية ومتعددة)، وأظهرنا أن GANITE تتفوّق على الطرق الرائدة في مجالها.