CW-B: 불균형 데이터에 강건한 다중 분류 심장 질환 판별을 위한 클래스 가중 부스팅 프레임워크

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

심장 질환 환자의 퇴원 시 상태를 정확하게 파악하는 것은 퇴원 후 치료 및 추적 관리에 매우 중요하지만, 실제 의료 기록은 종종 불완전하고 클래스 불균형 문제를 가지고 있어 고위험군 환자의 상태를 놓칠 위험이 있습니다. 본 연구에서는 이러한 문제를 해결하기 위해, 실제 환경의 데이터 불균형과 결측치를 고려한 5가지 심장 질환 퇴원 상태 판별을 위한 임상적 위험 요소를 반영하는 클래스 가중 XGBoost 파이프라인인 CW-B를 제안합니다. CW-B는 폴드별 클래스 균형 인스턴스 가중치, 결측값 지표 증강, 그리고 클래스별 오류 감사를 결합하여 임상적으로 중요한 상태를 정확하게 판별하면서도 해석 가능하고 감사 가능한 의사 결정 로직을 유지합니다. 5배 교차 검증 결과, CW-B는 트리 기반, 앙상블, 신경망 기반 모델들을 비교했을 때 가장 높은 정확도(Accuracy), 매크로 F1 점수(Macro-F1), 균형 잡힌 정확도(Balanced Accuracy), 그리고 우선순위가 지정된 F1 점수(Prioritized F1)를 달성했습니다. 전반적으로, CW-B는 실제 임상 환경에서 보다 신뢰할 수 있는 심장 질환 퇴원 상태 판별을 위한 실용적이고 적용 가능한 접근 방식을 제공합니다.

Cardiac discharge phenotyping informs post-discharge treatment and follow-up, but real-world records are often incomplete and class-imbalanced, increasing the risk of missed high-risk phenotypes. We propose CW-B, a clinical risk-aligned class-weighted XGBoost pipeline for five-class cardiac discharge phenotyping under real-world class imbalance and missingness. CW-B combines fold-specific class-balanced instance weighting, missingness-indicator augmentation, and classwise error auditing to improve recognition of clinically prioritized phenotypes while preserving interpretable and auditable decision logic. In five-fold stratified cross-validation, CW-B achieves the best Accuracy, Macro-F1, Balanced Accuracy, and Prioritized F1 among tree-based, ensemble, and neural baselines. Overall, CW-B provides a practical and deployment-oriented approach for more reliable cardiac discharge phenotyping in real-world clinical settings.