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

Sintesi Tecnica: CW-B per la Fenotipizzazione Cardiaca Multi-Classe Resiliente allo Sbilanciamento

Definizione del Problema
Il documento affronta la sfida della fenotipizzazione automatizzata delle dimissioni cardiache, un compito critico per colmare il divario tra l'assistenza ospedaliera e la gestione post-dimissione, la stratificazione del rischio e la pianificazione del follow-up. Gli autori identificano due ostacoli primari nei dati clinici reali:

1. Sbilanciamento delle Classi: I record del mondo reale esibiscono distribuzioni asimmetriche in cui i fenotipi ad alto rischio o clinicamente azionabili sono spesso sottorappresentati rispetto a stati stabili o non patologici.
2. Incompletezza dei Dati: I record clinici contengono frequentemente valori mancanti a causa di una documentazione incompleta o di protocolli di misurazione variabili.

Gli approveri standard di machine learning spesso ottimizzano metriche globali (ad es., accuratezza complessiva) a scapito di fenotipi clinicamente rilevanti ma rari. Inoltre, le conseguenze degli errori sono asimmetriche; mancare un fenotipo acuto ad alto rischio (ad es., Sindrome Coronarica Acuta) può causare gravi danni al paziente, mentre i falsi positivi possono comportare un follow-up non necessario ma meno critico. I metodi esistenti, inclusi i sistemi basati su regole, gli ensemble convenzionali e i modelli di deep learning, faticano a bilanciare generalizzabilità, interpretabilità e la gestione esplicita di questi rischi asimmetrici e dei pattern di dati mancanti.

Metodologia: Il Framework CW-B
Gli autori propongono CW-B, una pipeline XGBoost con pesatura delle classi allineata al rischio clinico, progettata per un compito di fenotipizzazione delle dimissioni cardiache a cinque classi. Il framework integra tre componenti principali per affrontare lo sbilanciamento e la mancanza di dati senza sacrificare l'interpretabilità:

1. Formulazione del Task:
   Il problema è definito come una classificazione multi-classe con cinque etichette: stableCAD (0), ACS (1), oldMI (2), CAS (3) e nonCAD (4).

• Insieme Prioritario Clinicamente ($C_p$): Gli autori definiscono un sottoinsieme $C_p = \{0, 1, 3\}$ (stableCAD, ACS, CAS) basato sulla clinicabilità e sul rischio. Queste classi rappresentano fenotipi con percorsi diagnostici e terapeutici stabiliti. Il framework esegue esplicitamente l'audit degli errori all'interno di questo set, distinguendoli dalle metriche globali.

2. Modellazione Esplicita della Mancanza di Dati (Missingness):
   Invece di trattare i dati mancanti come un disturbo della pre-elaborazione, CW-B tratta la mancanza di dati come una caratteristica informativa.

• Protocollo Senza Leakage: Le statistiche di pre-elaborazione (media, deviazione standard, mediana) sono calcolate rigorosamente sul fold di addestramento e applicate al fold di validazione per prevenire la fuga di dati (data leakage).
• Augmentation: Le voci mancanti vengono imputate utilizzando la mediana di addestramento. Fondamentalmente, un vettore indicatore binario ($r$) viene concatenato al vettore delle caratteristiche, codificando se un valore era originariamente osservato o mancante. Ciò consente al modello di distinguere tra un valore imputato e il fatto clinico di un dato non registrato.

3. Pesatura delle Istanze Bilanciata per Classe:
   Per mitigare lo sbilanciamento delle etichette, CW-B impiega una pesatura delle istanze specifica per fold all'interno della funzione obiettivo di XGBoost.

• Calcolo del Peso: Per ogni classe $c$, un peso $w_c$ viene calcolato come il rapporto tra il numero totale di campioni di addestramento e il numero di campioni nella classe $c$. Questi pesi sono normalizzati per garantire la stabilità.
• Integrazione: Questi pesi sono assegnati alle singole istanze di addestramento ($s_i = \tilde{w}_{y_i}$) e modulano il processo di gradient boosting, influenzando sia la selezione della divisione (split) che la stima del valore della foglia. Ciò riduce il dominio dei fenotipi frequenti (ad es., stableCAD) e costringe il modello a prestare maggiore attenzione alle classi minoritarie.

Contributi Chiave
Il documento delinea tre contributi specifici:

1. Formulazione Allineata al Rischio: Inquadrare la fenotipizzazione delle dimissioni cardiache come un compito che enfatizza esplicitamente le rilevazioni mancate clinicamente azionabili all'interno di un obiettivo unificato a cinque classi.
2. Pipeline Integrata: Implementare uno schema di pesatura delle istanze bilanciato per classe e privo di leakage, combinato con una costruzione delle caratteristiche consapevole della mancanza di dati.
3. Benchmarking Completo: Valutare il metodo proposto rispetto a baseline basate su alberi, ensemble e neurali utilizzando sia metriche globali che audit degli errori per classe prioritari.

Risultati Sperimentali
Il framework è stato valutato su un dataset di 4.354 campioni con 57 caratteristiche strutturate utilizzando una validazione incrociata stratificata a cinque fold.

• Performance: CW-B ha ottenuto l'Accuratezza (0.81), il Macro-F1 (0.72), l'Accuratezza Bilanciata (0.73) e l'F1 Prioritario (0.69) più elevati tra tutti i metodi confrontati.
• Confronti:
  • CW-B ha superato una baseline XGBoost ad alta capacità (più iterazioni, alberi più profondi), indicando che i guadagni erano dovuti alla strategia di pesatura piuttosto che alla capacità del modello.
  • Ha superato CatBoost (CB), gli Ensemble di Stacking (STK) e varie baseline neurali (DQN, BC, MLP).
  • Sebbene lo Stacking Ensemble abbia ottenuto il tasso di errore prioritario più basso, lo ha fatto a scapito dell'accuratezza globale e del bilanciamento macroscopico. CW-B ha offerto il miglior compromesso, fornendo l'F1 prioritario più elevato mantenendo al contempo una forte performance globale.
• Studi di Ablazione: Rimuovere la pesatura bilanciata per classe o gli indicatori di mancanza di dati ha causato cali significativi nel Macro-F1, nell'Accuratezza Bilanciata e nell'F1 Prioritario, confermando la necessità di entrambi i componenti.

Significato e Rivendicazioni
Gli autori affermano che CW-B fornisce un approccio pratico e orientato alla distribuzione per una fenotipizzazione affidabile delle dimissioni cardiache in contesti clinici reali. La significatività del lavoro risiede in:

• Allineamento Clinico: Modellando esplicitamente il bias di classe e il rischio asimmetrico, il framework riduce la probabilità di mancare fenotipi ad alto rischio che potrebbero deviare la gestione successiva.
• Interpretabilità e Auditabilità: A differenza dei modelli di deep learning, la struttura basata su alberi di CW-B preserva le strutture di divisione basate sulle caratteristiche. Ciò supporta ragionamenti decisionali tracciabili e audit sistematici, essenziali per costruire la fiducia clinica e facilitare l'adozione in ambienti sanitari regolamentati.
• Resilienza: La modellazione esplicita della mancanza di dati consente al sistema di gestire la documentazione incompleta e la variabilità delle misurazioni inerenti ai record elettronici sanitari (EHR) del mondo reale senza fare affidamento su complesse euristiche di imputazione che potrebbero oscurare la natura dei dati mancanti.

Il documento conclude che CW-B offre un framework riproducibile e basato sull'evidenza che bilancia un'alta discriminazione globale con la specifica necessità di audit e riduzione delle rilevazioni mancate ad alto rischio, supportando direttamente la prevenzione secondaria e un'assistenza coerente e allineata al rischio.