본 논문은 의료 현장에서 점점 더 많이 사용되는 머신러닝 기반 의사결정 지원 시스템의 평가 방식에 대한 문제점을 제기하고, 이를 해결하기 위한 새로운 평가 프레임워크를 제안합니다. 기존의 정확도나 AUC-ROC와 같은 평가 지표는 교정, 분포 변화에 대한 강건성, 비대칭적 오류 비용에 대한 민감성 등 중요한 임상적 우선순위를 충분히 반영하지 못합니다. 따라서 본 논문에서는 클래스 출현 확률의 불확실성과 임상 환경에서 자주 발견되는 도메인별 비대칭 비용을 명시적으로 고려하는, 교정된 임계값 분류기를 선택하기 위한 원칙적이면서도 실용적인 평가 프레임워크를 제시합니다. 특히 Schervish 표현을 중심으로 적절한 점수 규칙 이론을 바탕으로, 임상적으로 관련있는 클래스 균형 범위에 걸쳐 비용 가중 성능을 평균화하는 교정된 교차 엔트로피(로그 점수) 변형을 도출합니다. 제안된 평가 방식은 적용이 간편하고, 임상 배포 조건에 민감하며, 교정되고 실제 변화에 강건한 모델을 우선시하도록 설계되었습니다.
