严重临床并发症（鳞状细胞癌;CTCAE ≥ 级 3） 常见于接受血液系统恶性肿瘤治疗的患者。鳞状细胞癌的早期诊断和治疗对于改善结局至关重要。在这里，我们报告了一个深度学习模型派生的SCC-Score，以根据医疗可穿戴设备连续记录的时间序列数据来检测和预测SCC。在这项单臂、单中心的观察性队列研究中，79名患者(54名住院患者(IC)/25名门诊患者(OC))使用可穿戴设备记录了31,234?h的生命体征和体力活动。将没有SCC证据的生理功能正常的小时呈现给深度神经网络，该网络由自我监督的对比学习目标来训练，以从时间序列中提取具有规则周期的典型特征。该模型用于计算SCC分数，该分数测量与常规特征的不相似性。将SCC评分的检测和预测性能与SCC的临床文献（AUROC±SD）进行比较。在IC中总共有124例临床记录的SCC发生，OC中发生了16例。 在IC中实现了鳞状细胞癌的检测，灵敏度为79.7%，特异性为87.9%，AUROC为0.91±0.01。在临床诊断前2天可以预测感染性SCC。我们使用可穿戴数据和深度学习模型为血液恶性肿瘤治疗患者的 SCC 检测和预测提供了原理证明。因此，远程患者监测可以实现先发制人的并发症管理。
