本稿では、時間にわたる治療効果を推定するための構造的ネスト平均モデル（SNMM）の新しい神経ネットワークフレームワーク「DeepBlip」を提案します。SNMMの強みは、治療シーケンスのジョイント効果を局所的かつ時間特有の「ブリップ効果」に分解できる点です。これにより、治療ポリシーのオフライン評価を効率化しますが、従来のアプローチではシーケンシャルなg推定方式のためにエンドツーエンドの学習が難しいという課題があります。DeepBlipは、LSTMやトランスフォーマーなどのシーケンシャルニューラルネットワークを統合し、時間の変動する混乱因子に対応することでバイアスのない推定値を生成します。様々な臨床データセットを用いた評価では、最先端の性能を達成しました。