CW-B: Class Weighted Boosting Framework for Imbalance Resilient Multi Class Cardiac Phenotyping

Resumen Técnico: CW-B para el Fenotipado Cardíaco Multiclase con Resiliencia al Desequilibrio

Definición del Problema
El artículo aborda el desafío del fenotipado automatizado del alta cardíaca, una tarea crítica para cerrar la brecha entre la atención intrahospitalaria y el manejo post-alta, la estratificación de riesgos y la planificación del seguimiento. Los autores identifican dos obstáculos primarios en los datos clínicos del mundo real:

1. Desequilibrio de Clases: Los registros del mundo real exhiben distribuciones sesgadas donde los fenotipos de alto riesgo o clínicamente accionables suelen estar subrepresentados en comparación con los estados estables o de no enfermedad.
2. Incompletitud de Datos: Los registros clínicos frecuentemente contienen valores faltantes debido a una documentación incompleta o protocolos de medición variables.

Los enfoques estándar de aprendizaje automático suelen optimizar métricas globales (por ejemplo, la exactitud general) a expensas de fenotipos clínicamente relevantes pero poco comunes. Además, las consecuencias de los errores son asimétricas; omitir un fenotipo agudo de alto riesgo (por ejemplo, Síndrome Coronario Agudo) puede provocar daños graves al paciente, mientras que los falsos positivos pueden resultar en un seguimiento innecesario pero menos crítico. Los métodos existentes, incluyendo sistemas basados en reglas, ensambles convencionales y modelos de aprendizaje profundo, luchan por equilibrar la generalizabilidad, la interpretabilidad y el manejo explícito de estos riesgos asimétricos y patrones de datos faltantes.

Metodología: El Marco de Trabajo CW-B
Los autores proponen CW-B, un flujo de trabajo de XGBoost con ponderación de clases alineada al riesgo clínico, diseñado para una tarea de fenotipado de alta cardíaca de cinco clases. El marco integra tres componentes principales para abordar el desequilibrio y la ausencia de datos sin sacrificar la interpretabilidad:

1. Formulación de la Tarea:
   El problema se define como una clasificación multiclase con cinco etiquetas: stableCAD (0), ACS (1), oldMI (2), CAS (3), y nonCAD (4).

   • Conjunto Priorizado Clínicamente ($C_p$): Los autores definen un subconjunto $C_p = \{0, 1, 3\}$ (stableCAD, ACS, CAS) basado en la accionabilidad clínica y el riesgo. Estas clases representan fenotipos con vías diagnósticas y terapéuticas establecidas. El marco audita explícitamente los errores dentro de este conjunto, de forma distinta a las métricas globales.

2. Modelado Explícito de la Ausencia de Datos:
   En lugar de tratar los datos faltantes como un inconveniente de preprocesamiento, CW-B los trata como una característica informativa.

   • Protocolo Libre de Filtración (Leakage-Free): Las estadísticas de preprocesamiento (media, desviación estándar, mediana) se calculan estrictamente en el pliegue (fold) de entrenamiento y se aplican al pliegue de validación para evitar la filtración de datos.
   • Aumentación: Las entradas faltantes se imputan utilizando la mediana del entrenamiento. Crucialmente, un vector indicador binario ($r$) se concatena al vector de características, codificando si un valor fue observado originalmente o si falta. Esto permite al modelo distinguir entre un valor imputado y el hecho clínico de que un dato no fue registrado.

3. Ponderación de Instancias Equilibrada por Clase:
   Para mitigar el desequilibrio de etiquetas, CW-B emplea una ponderación de instancias específica por pliegue dentro de la función objetivo de XGBoost.

   • Cálculo de Pesos: Para cada clase $c$, se calcula un peso $w_c$ como la relación entre el total de muestras de entrenamiento y el número de muestras en la clase $c$. Estos pesos se normalizan para asegurar la estabilidad.
   • Integración: Estos pesos se asignan a las instancias individuales de entrenamiento ($s_i = \tilde{w}_{y_i}$) y modulan el proceso de potenciación de gradiente (gradient boosting), influyendo tanto en la selección de divisiones (splits) como en la estimación del valor de las hojas. Esto reduce el dominio de los fenotipos frecuentes (por ejemplo, stableCAD) y obliga al modelo a prestar más atención a las clases minoritarias.

Contribuciones Clave
El artículo describe tres contribuciones específicas:

1. Formulación Alineada al Riesgo: Enmarcar el fenotipado de alta cardíaca como una tarea que enfatiza explícitamente las detecciones omitidas clínicamente accionables dentro de un objetivo unificado de cinco clases.
2. Flujo de Trabajo Integrado: Implementar un esquema de ponderación de instancias equilibrado por clase y libre de filtración, combinado con una construcción de características que reconoce explícitamente la ausencia de datos.
3. Benchmarking Exhaustivo: Evaluar el método propuesto contra bases de comparación basadas en árboles, ensambles y redes neuronales utilizando tanto métricas globales como auditoría de error por clase priorizada.

Resultados Experimentales
El marco fue evaluado en un conjunto de datos de 4,354 muestras con 57 características estructuradas utilizando validación cruzada de cinco pliegues estratificados.

• Desempeño: CW-B logró la mayor Exactitud (0.81), F1-Macro (0.72), Exactitud Balanceada (0.73) y F1-Priorizado (0.69) entre todos los métodos comparados.
• Comparaciones:
  • CW-B superó a una base de XGBoost de mayor capacidad (más iteraciones, árboles más profundos), lo que indica que las ganancias se debieron a la estrategia de ponderación y no a la capacidad del modelo.
  • Superó a CatBoost (CB), Ensambles de Apilamiento (STK) y diversas bases neuronales (DQN, BC, MLP).
  • Aunque el Ensamble de Apilamiento logró la menor tasa de omisión priorizada, lo hizo a costa de la exactitud general y el equilibrio a nivel macro. CW-B ofreció el mejor equilibrio, entregando el F1 priorizado más alto manteniendo un sólido desempeño global.
• Estudios de Ablación: Eliminar la ponderación de clases o los indicadores de ausencia de datos resultó en caídas significativas en el F1-Macro, la Exactitud Balanceada y el F1-Priorizado, confirmando la necesidad de ambos componentes.

Significancia y Reivindicaciones
Los autores afirman que CW-B proporciona un enfoque práctico y orientado al despliegue para un fenotipado de alta cardíaca confiable en entornos clínicos del mundo real. La significancia del trabajo radica en:

• Alineación Clínica: Al modelar explícitamente el sesgo de clase y el riesgo asimétrico, el marco reduce la probabilidad de omitir fenotipos de alto riesgo que podrían desviar el manejo posterior.
• Interpretabilidad y Auditabilidad: A diferencia de los modelos de aprendizaje profundo, la estructura basada en árboles de CW-B preserva las estructuras de división de características. Esto soporta razonamientos de decisión trazables y auditorías sistemáticas, elementos esenciales para construir confianza clínica y facilitar la adopción en entornos de salud regulados.
• Resiliencia: El modelado explícito de la ausencia de datos permite que el sistema maneje la documentación incompleta y la variabilidad de las mediciones inherentes a los registros de salud electrónicos (EHR) del mundo real sin depender de heurísticas de imputación complejas que podrían oscurecer la naturaleza de los datos faltantes.

El artículo concluye que CW-B ofrece un marco reproducible y basado en evidencia que equilibra una alta discriminación global con la necesidad específica de auditar y reducir las detecciones omitidas de alto riesgo, apoyando directamente la prevención secundaria y un cuidado alineado al riesgo de manera consistente.