Les études observationnelles sont de plus en plus utilisées pour apporter des preuves complémentaires aux essais contrôlés aléatoires (ECA), car elles offrent une ampleur et une diversité de participants et d'issues qui seraient impossibles à atteindre dans un ECA. En outre, elles reflètent plus fidèlement les contextes dans lesquels les interventions étudiées seront appliquées à l’avenir. Des méthodes établies basées sur le score de propension existent pour surmonter les défis liés à l’analyse des données observationnelles afin d’estimer des effets causaux. Ces méthodes fournissent également des diagnostics de garantie de qualité permettant d’évaluer le degré de réduction des biais et la fiabilité des estimations. Dans les grands jeux de données médicaux, il est fréquent de constater qu’une même condition de santé sous-jacente est traitée par une variété de médicaments ou de combinaisons de médicaments distincts. Les méthodes conventionnelles nécessitent un flux de travail itératif manuel, ce qui limite leur capacité à échelle dans les études comportant de nombreux bras d’intervention. Dans de telles situations, des méthodes d’inférence causale automatisées compatibles avec les flux de travail traditionnels basés sur le score de propension sont particulièrement souhaitables.