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

Technische Samenvatting: CW-B voor Imbalans-Resiliente Multi-Class Cardiale Fenotypering

Probleemdefinitie
Het artikel behandelt de uitdaging van geautomatiseerde cardiale ontslagfenotypering, een taak die cruciaal is voor het overbruggen van de zorg in het ziekenhuis naar nazorg na ontslag, risicostratificatie en follow-up planning. De auteurs identificeren twee primaire obstakels in klinische gegevens uit de echte wereld:

1. Klassenimbalans: Gegevens uit de praktijk vertonen scheve distributies waarbij hoog-risico of klinisch acteerbare fenotypes vaak ondervertegenwoordigd zijn ten opzichte van stabiele of niet-ziekte gerelateerde toestanden.
2. Onvolledigheid van Gegevens: Klinische dossiers bevatten frequent ontbrekende waarden als gevolg van incomplete documentatie of variabele meetprotocollen.

Standaard machine learning-benaderingen optimaliseren vaak globale metrieken (bijv. algemene nauwkeurigheid) ten koste van klinisch relevante maar zeldzame fenotypes. Bovendien zijn de gevolgen van fouten asymmetrisch; het missen van een hoog-risico acuut fenotype (bijv. Acuut Coronair Syndroom) kan leiden tot ernstige patiëntenschade, terwijl fout-positieven kunnen resulteren in onnodige maar minder kritische follow-up. Bestaande methoden, inclus\nief regelgebaseerde systemen, conventionele ensembles en deep learning-modellen, worstelen met het balanceren van generaliseerbaarheid, interpreteerbaarheid en de expliciete afhandeling van deze asymmetrische risico's en patronen van ontbrekende gegevens.

Methodologie: Het CW-B Framework
De auteurs stellen CW-B voor, een klinisch risico-gealigneerde class-weighted XGBoost-pipeline ontworpen voor een vijf-klasse cardiale ontslagfenotyperingstaak. Het framework integreert drie kerncomponenten om imbalans en ontbrekende gegevens aan te pakken zonder de interpreteerbaarheid op te offeren:

1. Taakformulering:
   Het probleem wordt gedefinieerd als een multi-class classificatie met vijf labels: stableCAD (0), ACS (1), oldMI (2), CAS (3), en nonCAD (4).

   • Geprioriteerde Set ($C_p$): De auteurs definiëren een subset $C_p = \{0, 1, 3\}$ (stableCAD, ACS, CAS) op basis van klinische acteerbaarheid en risico. Deze klassen vertegenwoordigen fenotypes met gevestigde diagnostische en therapeutische trajecten. Het framework auditeert expliciet fouten binnen deze set, onderscheidend van globale metrieken.

2. Expliciete Modellering van Ontbrekende Gegevens:
   In plaats van ontbrekende gegevens te behandelen als een preprocessing-hinderpaal, behandelt CW-B ontbrekende gegevens als een informatieve feature.

   • Leakage-Vrij Protocol: Preprocessing-statistieken (gemiddelde, standaarddeviatie, mediaan) worden strikt op de trainingsfold berekend en toegepast op de validatiefold om datalekage (data leakage) te voorkomen.
   • Augmentatie: Ontbrekende vermeldingen worden geïmputeerd met de mediaan van de training. Cruciaal is dat een binaire indicatorvector ($r$) wordt geconcateneerd aan de feature-vector, die codeert of een waarde oorspronkelijk geobserveerd was of ontbrak. Dit stelt het model in staat om te onderscheiden tussen een geïmputeerde waarde en het klinische feit van niet-geregistreerde data.

3. Klasse-Gebalanceerde Instantie-Weging:
   Om de labelimbalans te mitigeren, gebruikt CW-B fold-specifieke instantie-weging binnen de XGBoost-objectieffunctie.

   • Wegingberekening: Voor elke klasse $c$ wordt een gewicht $w_c$ berekend als de ratio van het totaal aantal trainingsmonsters tot het aantal monsters in klasse $c$. Deze gewichten worden genormaliseerd om stabiliteit te waarborgen.
   • Integratie: Deze gewichten worden toegewezen aan individuele trainingsinstanties ($s_i = \tilde{w}_{y_i}$) en moduleren het gradient boosting-proces, wat zowel de selectie van splits als de schatting van bladwaarden (leaf value estimation) beïnvloedt. Dit vermindert de dominantie van frequente fenotypes (bijv. stableCAD) en dwingt het model om meer aandacht te besteden aan minderheidsklassen.

Belangrijkste Bijdragen
Het artikel schetst drie specifieke bijdragen:

1. Risico-Gealigneerde Formulering: Het formuleren van cardiale ontslagfenotypering als een taak die expliciet nadruk legt op klinisch acteerbare gemiste detecties binnen een verenigde vijf-klasse objectieffunctie.
2. Geïntegreerd Pipeline: Het implementeren van een leakage-vrije, fold-specifieke klasse-gebalanceerde instantie-weging gecombineerd met expliciete missingness-bewuste feature-constructie.
3. Omvattende Benchmarking: Het evalueren van de voorgestelde methode tegen boom-gebaseerde, ensemble en neurale baselines met gebruik van zowel globale metrieken als geprioriteerde klasse-wijze fout-auditing.

Experimentele Resultaten
Het framework werd geëvalueerd op een dataset van 4.354 monsters met 57 gestructureerde features middels gestratificeerde vijf-voudige cross-validatie.

• Prestaties: CW-B behaalde de hoogste Accuracy (0.81), Macro-F1 (0.72), Balanced Accuracy (0.73), en Prioritized F1 (0.69) van alle vergeleken methoden.
• Vergelijkingen:
  • CW-B presteerde beter dan een hogere-capaciteit XGBoost-baseline (meer iteraties, diepere bomen), wat aangeeft dat de winst voortkwam uit de wegingsstrategie in plaats van modelcapaciteit.
  • Het overtrof CatBoost (CB), Stacking Ensembles (STK) en diverse neurale baselines (DQN, BC, MLP).
  • Hoewel de Stacking Ensemble de laagste geprioriteerde miss-rate bereikte, deed zij dit ten koste van de algemene nauwkeurigheid en macro-niveau balans. CW-B bood de beste trade-off, waarbij de hoogste geprioriteerde F1 werd geleverd terwijl een sterke globale prestatie behouden bleef.
• Ablatie-studies: Het verwijderen van de klasse-gebalanceerde weging of de indicatoren voor ontbrekende gegevens resulteerde in significante dalingen in Macro-F1, Balanced Accuracy en Prioritized F1, wat de noodzaak van beide componenten bevestigt.

Significantie en Claims
De auteurs beweren dat CW-B een praktische en implementatie-georiënteerde aanpak biedt voor betrouwbare cardiale ontslagfenotypering in real-world klinische omgevingen. De significantie van het werk ligt in:

• Klinische Alignement: Door expliciet klasse-bias en asymmetrisch risico te modelleren, vermindert het framework de kans op het missen van hoog-risico fenotypes die het daaropvolgende management kunnen afwenden.
• Interpreteerbaarheid en Auditeerbaarheid: In tegenstelling tot deep learning-modellen behoudt de boom-gebaseerde structuur van CW-B de feature-gebaseerde split-structuren. Dit ondersteunt traceerbare beslissingsrationale en systematische auditing, wat essentieel is voor het opbouwen van klinisch vertrouwen en het faciliteren van adoptie in gereguleerde zorgomgevingen.
• Resilience (Veerkracht): De expliciete modellering van ontbrekende gegevens stelt het systeem in staat om de incomplete documentatie en variabiliteit in metingen die inherent zijn aan real-world elektronische gezondheidsdossiers (EHR's) te verwerken, zonder te vertrouwen op complexe imputatie-heuristieken die de aard van de ontbrekende gegevens zouden kunnen vertroebelen.

Het artikel concludeert dat CW-B een reproduceerbaar, op bewijs gebaseerd framework biedt dat een balans vindt tussen hoge globale discriminatie en de specifieke behoefte aan het auditeren en reduceren van hoog-risico gemiste detecties, wat direct bijdraagt aan secundaire preventie en consistente, risico-gealigneerde zorg.