基于动态健康数据的手术部位感染预测

手术部位感染（SSI）是医疗研究的全国重点。开发更好的 SSI 风险预测模型已引起大量研究关注。然而，大多数现有 SSI 风险预测模型建立在静态风险因素（如合并症和手术因素）之上。本文中，我们研究使用动态伤口数据进行 SSI 风险预测。新兴的移动健康（mHealth）工具能够密切监测患者，并生成许多伤口相关变量及其他演化临床变量的连续测量值。由于现有 SSI 预测模型利用演化临床数据的能力相当有限，我们开发了相应解决方案，通过无缝组装若干机器学习模型来赋予这些 mHealth 工具以 SSI 预测的决策能力，以应对时空数据带来的分析挑战。基本思想是通过双线性公式利用时空数据的低秩特性，并借助矩阵补全技术进行自动缺失数据插补来增强该特性。我们推导出高效的优化算法来实现这些模型，并在真实世界 SSI 数据集上证明了我们的新预测模型相较于一系列最先进方法的优越性能。