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

Resumo Técnico: CW-B para Fenotipagem Cardíaca Multiclasse com Resiliência ao Desequilíbrio

Definição do Problema
O artigo aborda o desafio da fenotipagem automatizada de alta hospitalar cardíaca, uma tarefa crítica para fazer a ponte entre o cuidado intra-hospitalar e o manejo pós-alta, estratificação de risco e planejamento de acompanhamento. Os autores identificam dois obstáculos primários em dados clínicos do mundo real:

1. Desequilíbrio de Classes: Registros do mundo real exibem distribuições enviesadas onde fenótipos de alto risco ou clinicamente acionáveis são frequentemente sub-representados em comparação com estados estáveis ou não patológicos.
2. Incompletude de Dados: Registros clínicos frequentemente contêm valores ausentes devido a documentação incompleta ou protocolos de medição variáveis.

Abordagens padrão de aprendizado de máquina frequentemente otimizam métricas globais (ex: acurácia geral) em detrimento de fenótipos clinicamente relevantes, porém raros. Além disso, as consequências dos erros são assimétricas; perder um fenótipo agudo de alto risco (ex: Síndrome Coronariana Aguda) pode levar a danos graves ao paciente, enquanto falsos positivos podem resultar em acompanhamento desnecessário, porém menos crítico. Métodos existentes, incluindo sistemas baseados em regras, ensembles convencionais e modelos de aprendizado profundo, lutam para equilibrar generalização, interpretabilidade e o tratamento explícito desses riscos assimétricos e padrões de dados ausentes.

Metodologia: O Framework CW-B
Os autores propõem o CW-B, um pipeline de XGBoost com pesos de classe alinhados ao risco clínico, projetado para uma tarefa de fenotipagem de alta cardíaca de cinco classes. O framework integra três componentes principais para lidar com o desequilíbrio e a ausência de dados sem sacrificar a interpretabilidade:

1. Formulação da Tarefa:
   O problema é definido como uma classificação multiclasse com cinco rótulos: stableCAD (0), ACS (1), oldMI (2), CAS (3) e nonCAD (4).

   • Conjunto Priorizado Clinicamente ($C_p$): Os autores definem um subconjunto $C_p = \{0, 1, 3\}$ (stableCAD, ACS, CAS) baseado em açãoabilidade clínica e risco. Estas classes representam fenótipos com vias diagnósticas e terapêuticas estabelecidas. O framework audita explicitamente os erros dentro deste conjunto, distinguindo-os das métricas globais.

2. Modelagem Explícita de Ausência de Dados:
   Em vez de tratar dados ausentes como um incômodo de pré-processamento, o CW-B trata a ausência como uma característica informativa.

   • Protocolo Livre de Vazamento (Leakage-Free): Estatísticas de pré-processamento (média, desvio padrão, mediana) são computadas estritamente na dobra (fold) de treinamento e aplicadas à dobra de validação para evitar vazamento de dados.
   • Aumentação: Entradas ausentes são imputadas usando a mediana do treinamento. Crucialmente, um vetor de indicadores binários ($r$) é concatenado ao vetor de características, codificando se um valor foi originalmente observado ou estava ausente. Isso permite que o modelo distinga entre um valor imputado e o fato clínico de um dado não registrado.

3. Ponderação de Instância por Equilíbrio de Classe:
   Para mitigar o desequilíbrio de rótulos, o CW-B emprega a ponderação de instância específica por dobra dentro da função objetivo do XGBoost.

   • Cálculo de Peso: Para cada classe $c$, um peso $w_c$ é calculado como a razão entre o total de amostras de treinamento e o número de amostras na classe $c$. Esses pesos são normalizados para garantir estabilidade.
   • Integração: Esses pesos são atribuídos a instâncias individuais de treinamento ($s_i = \tilde{w}_{y_i}$) e modulam o processo de boosting de gradiente, influenciando tanto a seleção de divisões (splits) quanto a estimativa do valor das folhas. Isso reduz o domínio de fenótipos frequentes (ex: stableCAD) e força o modelo a prestar mais atenção às classes minoritárias.

Principais Contribuições
O artigo delineia três contribuições específicas:

1. Formulação Alinhada ao Risco: Enquadrar a fenotipagem de alta cardíaca como uma tarefa que enfatiza explicitamente detecções perdidas clinicamente acionáveis dentro de um objetivo unificado de cinco classes.
2. Pipeline Integrado: Implementação de um esquema de ponderação de instância por equilíbrio de classe livre de vazamento, combinado com construção de características consciente da ausência de dados.
3. Benchmarking Abrangente: Avaliação do método proposto contra baselines de árvores, ensembles e redes neurais utilizando tanto métricas globais quanto auditoria de erro por classe priorizada.

Resultados Experimentais
O framework foi avaliado em um conjunto de dados de 4.354 amostras com 57 características estruturadas usando validação cruzada de cinco dobras estratificadas.

• Desempenho: O CW-B alcançou a maior Acurácia (0.81), Macro-F1 (0.72), Acurácia Balanceada (0.73) e F1 Priorizado (0.69) entre todos os métodos comparados.
• Comparações:
  • O CW-B superou um baseline de XGBoost de maior capacidade (mais iterações, árvores mais profundas), indicando que os ganhos se devem à estratégia de ponderação e não à capacidade do modelo.
  • Superou o CatBoost (CB), Stacking Ensembles (STK) e vários baselines neurais (DQN, BC, MLP).
  • Embora o Stacking Ensemble tenha alcançado a menor taxa de erro priorizado, ele o fez às custas da acurácia global e do equilíbrio macro. O CW-B ofereceu o melhor compromisso, entregando o maior F1 priorizado enquanto mantinha um forte desempenho global.
• Estudos de Ablação: A remoção da ponderação de equilíbrio de classe ou dos indicadores de ausência de dados resultou em quedas significativas no Macro-F1, Acurácia Balanceada e F1 Priorizado, confirmando a necessidade de ambos os componentes.

Significância e Alegações
Os autores alegam que o CW-B fornece uma abordagem prática e orientada para implantação para uma fenotipagem de alta cardíaca confiável em ambientes clínicos do mundo real. A significância do trabalho reside em:

• Alinhamento Clínico: Ao modelar explicitamente o viés de classe e o risco assimétrico, o framework reduz a probabilidade de perder fenótipos de alto risco que poderiam desviar o manejo subsequente.
• Interpretabilidade e Auditabilidade: Diferente de modelos de aprendimento profundo, a estrutura baseada em árvores do CW-B preserva estruturas de divisão baseadas em características. Isso suporta raciocínios de decisão rastreáveis e auditoria sistemática, elementos essenciais para construir confiança clínica e facilitar a adoção em ambientes de saúde regulamentados.
• Resiliência: A modelagem explícita da ausência de dados permite que o sistema lide com a documentação incompleta e a variabilidade de medição inerentes aos registros eletrônicos de saúde (EHRs) do mundo real sem depender de heurísticas de imputação complexas que poderiam obscurecer a natureza dos dados ausentes.

O artigo conclui que o CW-B oferece um framework reprodutível e baseado em evidências que equilibra uma alta discriminação global com a necessidade específica de auditar e reduzir detecções perdidas de alto risco, apoiando diretamente a prevenção secundária e o cuidado consistente e alinhado ao risco.