본 논문은 의료 환경에서 머신러닝 기반 의사결정 지원 시스템의 평가를 위한 새로운 프레임워크를 제안합니다. 기존의 정확도나 AUC-ROC와 같은 평가 지표는 보정, 분포 변화에 대한 강건성, 비대칭적 오류 비용에 대한 민감성 등 의료 현장의 중요한 우선순위를 충분히 반영하지 못한다는 한계를 지적합니다. 본 연구에서는 클래스 발생 확률의 불확실성과 의료 환경에서 흔히 발생하는 도메인 특정 비용 비대칭성을 명시적으로 고려하는, 보정된 임계값 분류기를 선택하기 위한 원칙적이면서도 실용적인 평가 프레임워크를 제시합니다. 특히 Schervish 표현을 기반으로 하여 클래스 균형의 임상적으로 관련 있는 범위에 걸쳐 비용 가중 성능을 평균화하는 교차 엔트로피(로그 점수)의 조정된 변형을 도출합니다. 결과적으로 제안된 평가 방식은 적용이 간편하고, 임상 배포 조건에 민감하며, 보정되고 실제 변화에 강건한 모델을 우선시하도록 설계되었습니다.
