来自稀疏非均匀采样的镰状细胞病疼痛动态聚类

不规则采样的时间序列数据在多个领域中十分常见。许多典型的数据洞察方法在此情形下失效。本文我们尝试将轨迹聚类方法推广至不规则且稀疏采样的数据。我们首先构建合成数据集，随后提出并评估四种数据对齐方法，以便应用谱聚类。我们对来自镰状细胞病患者医疗记录的真实数据重复了相同流程——这些患者的主观疼痛体验通过移动应用追踪了数月。我们发现，即便对于具有已知性质的合成数据，不同的不规则稀疏数据集对齐方法也会导致不同的最优聚类数。对于镰状细胞病，我们发现三个聚类是合理选择，其似乎对应（1）低疼痛偶发剧痛组，（2）中等平均疼痛且频繁由低到高波动组，以及（3）持续性高水平疼痛组。我们的结果可帮助医生与患者更好地理解并管理患者的长期疼痛水平，且我们期望所开发的方法能应用于医学及其他领域的广泛其他数据源。