L'estimation des effets de traitement au niveau individuel (ITE) à partir de données observationnelles est un domaine difficile et important dans l'apprentissage automatique causale et est fréquemment considérée dans diverses applications critiques. Dans cet article, nous proposons une approche théorique de l'information afin de trouver des représentations plus fiables pour l'estimation des ITE. Nous utilisons le principe du Bouchon d'Information (IB), qui aborde le compromis entre la concision et la puissance prédictive de la représentation. En introduisant un modèle graphique étendu pour le bouchon d'information causale, nous favorisons l'indépendance entre la représentation apprise et le type de traitement. Nous présentons également une forme supplémentaire de régulariseur sous l'angle de la compréhension des ITE dans le cadre d'un apprentissage semi-supervisé pour garantir des représentations plus fiables. Les résultats expérimentaux montrent que notre modèle atteint les performances les plus avancées actuellement disponibles et présente des performances prédictives plus fiables avec des informations sur l'incertitude sur des ensembles de données réels.