この研究では、COVID-19における急性後症状（PASC）を持つ心不全（HF）患者を対象に、反事実推論のフレームワークを提案しています。反事実推論は、異なる介入下での仮説的結果について考察する数学的枠組みで、因果推論と予測モデリングを結びつけます。著者らは、 longitudinal な診断、検査結果、治療データを使用し、HFによるPASC関連の入院を予測するために、正則化された予測モデリングと反事実検索を統合しました。情報を3100名以上のSARS-CoV-2感染者に適用し、モデルは高い識別性能（AUROC: 0.88）を達成しました。生成された反事実は、合併症のパターンや治療要因を変更することで予測結果がどのように変化するかを定量化します。この研究は、複雑な生物医療システムにおける個別化推論のための効率的で解釈可能な手法を提供することを示しています。