تُستخدم الدراسات الملاحظية بشكل متزايد لتوفير أدلة تكميلية إلى جانب التجارب العشوائية المُحكَمة (RCTs)، نظرًا لتوفرها على نطاق واسع من المشاركين والنتائج التي يكون من المستحيل تحقيقها في تجربة عشوائية مُحكَمة. علاوةً على ذلك، فإنها تعكس بشكل أدق البيئات التي سيتم فيها تطبيق التدخلات المدروسة في المستقبل. توجد بالفعل أساليب مُثبتة تعتمد على معامل الاحتمال (propensity score) للتغلب على التحديات المرتبطة بتحليل البيانات الملاحظية لتقدير التأثيرات السببية. وتوفّر هذه الأساليب أيضًا أدوات مراقبة جودة لتقييم مدى التقليل من التحيز، وبالتالي تقييم مدى موثوقية النتائج. في المجموعات الكبيرة من البيانات الطبية، من الشائع جدًا العثور على نفس الحالة الصحية تُعالج باستخدام مجموعة متنوعة من الأدوية أو مزيج من الأدوية المختلفة. وتعتمد الأساليب التقليدية على سير عمل يدوي وتكراري، مما يجعلها غير قادرة على التوسع بفعالية في الدراسات التي تتضمن عددًا كبيرًا من أذرع التدخل. في مثل هذه الحالات، تصبح الأساليب التلقائية للاستدلال السببي التي تتماشى مع السير العمل التقليدية القائمة على معامل الاحتمال مطلوبة بشدة.