利用临床观察数据估计个体化治疗效应（Individualized Treatment Effect, ITE）是一项具有挑战性的任务，因为临床数据中不可避免地存在混杂因素。现有的大多数ITE估计模型通过构建无偏的治疗效应估计量来应对这一问题。尽管这一方法具有重要价值，但学习平衡的表示（balanced representation）有时与构建高效且具有判别能力的ITE估计模型的目标相悖。为此，本文提出一种新颖的混合模型，该模型融合了多任务深度学习与K近邻（K-Nearest Neighbors, KNN）方法，用于ITE估计。具体而言，所提出的模型首先采用多任务深度学习框架，从电子健康记录（Electronic Health Records, EHR）中联合学习结果预测与治疗类别分类任务，从而提取出既具有结果预测能力又具备治疗特异性的潜在表示。随后，基于所学习到的隐层表示，利用KNN方法估计反事实结果（counterfactual outcomes）。我们在两个广泛使用的数据集上验证了该模型的性能：一个是半模拟数据集IHDP，另一个是包含736例心力衰竭（Heart Failure, HF）患者的临床真实数据集。在IHDP数据集上，模型的精度在异质性治疗效应估计（Precision in Estimation of Heterogeneous Effect, PEHE）和平均治疗效应（Average Treatment Effect, ATE）两项指标上分别达到1.7和0.23；在HF数据集上，模型在准确率（accuracy）和F1分数（F1 score）上分别达到0.703和0.796。结果表明，所提模型在性能上具有良好的鲁棒性，并在多个指标上优于当前最先进的方法。此外，实验结果揭示了若干与现有医学领域知识一致的发现，并提出了若干具有临床研究潜力的假设，这些假设可通过进一步的临床研究加以验证。