Se propone un nuevo método para estimar el efecto promedio condicional del tratamiento en este artículo. Se llama TNW-CATE (regresión entrenable de Nadaraya-Watson para CATE) y se basa en la suposición de que el número de controles es bastante grande y el número de tratamientos es pequeño. TNW-CATE utiliza la regresión de Nadaraya-Watson para predecir resultados de pacientes de grupos de control y tratamiento. La idea principal detrás de TNW-CATE es entrenar núcleos de la regresión de Nadaraya-Watson utilizando una red neuronal de compartición de pesos de una forma específica. La red se entrena en controles y reemplaza los núcleos estándar con un conjunto de subredes neuronales con parámetros compartidos de manera que cada subred implementa el núcleo entrenable, pero toda la red implementa el estimador de Nadaraya-Watson. La red memoriza cómo se ubican los vectores de características en el espacio de características. El enfoque propuesto es similar al aprendizaje por transferencia cuando los dominios de los datos fuente y objetivo son similares, pero las tareas son diferentes. Varios experimentos de simulación numérica ilustran TNW-CATE y lo comparan con los conocidos T-learner, S-learner y X-learner para varios tipos de funciones de resultados de control y tratamiento. El código de los algoritmos propuestos que implementan TNW-CATE está disponible públicamente.