听力损失是全球致残的主要原因之一,与社会孤立、生活质量下降和痴呆症有关。对于中度至重度听力损失且无法再从助听器中获益的患者,人工耳蜗(CI)已成为标准的治疗选择,可改善患者的言语感知、生活质量和认知能力。在过去的十年中,人工耳蜗取得了广泛的成功,其候选标准也进一步扩大,包括低频残余听力、单侧耳聋(SSD)和非对称性听力损失(AHL)患者。
近期,来自范德比尔特大学医学中心的研究人员在《Otol Neurotol》上发表文章,为进行人工耳蜗植入候选评估(CICE)的患者开发了基于机器学习的转诊指南,并与广泛使用的60/60指南进行了比较。
研究为回顾性队列,在三级转诊中心进行。 研究群体为2015年-2020年接受CICE治疗的772名成人。变量包括人口统计学、无辅助阈值和单词识别得分。对接受CICE的患者进行随机森林分类模型训练,并使用引导交叉验证方法评估了建模方法的性能。主要结果为根据传统标准和扩展标准识别CI候选者的能力。
在具有完整数据的587例患者中,563例(96%)符合候选标准,60/60指南确定了512例(87%)患者。在随机森林模型中,单词识别得分、3000、2000和125阈值以及CICE年龄对候选资格的影响最大(Gini系数的平均降幅分别为2.83、1.60、1.20、1.17和1.16)。60/60指南的灵敏度为0.91,特异性为0.42,准确度为0.89(95%置信区间为0.86-0.91)。随机森林模型为灵敏度(0.96),特异性(1.00),准确度(0.96;95%置信区间为0.95-0.98)。在1000次引导迭代中,该模型的中位灵敏度为0.92(四分位数间距[IQR]为0.85-0.98),特异性为1.00(IQR为0.88-1.00),准确度为0.93(IQR为0.85-0.97),曲线下面积为0.96(IQR为0.93-0.98)。
随机森林模型和60/60指南在识别人工耳蜗植入候选者中的表现
综上所述,基于机器学习的新型筛查模型在预测CI候选者方面具有较高的敏感性、特异性和准确性。
原始出处:
Ankita Patro, Elizabeth L Perkins, Carlos A Ortega et al. Machine Learning Approach for Screening Cochlear Implant Candidates: Comparing With the 60/60 Guideline. Otol Neurotol. Jun 2023.
Nature—人工耳蜗研究重磅突破:刺激蓝斑核可增强人工耳蜗对听力的恢复效果
0
2023-01-19
点击查看
Otol Neurotol:人工耳蜗植入后5年的生活质量调查
0
2023-01-24
点击查看
JAMA Otolaryngol Head Neck Surg:55岁及以上有轻度认知障碍风险的成年人在人工耳蜗植入前后的认知功能评估
0
2023-03-02
点击查看
Int J Pediatr Otorhinolaryngol:人工耳蜗植入听觉神经病变谱系障碍患者的耳蜗内电图发现
0
2023-06-28
点击查看
JAMA Otolaryngol Head Neck Surg:人工耳蜗植入与青少年的教育和生活质量结果评估
0
2023-07-08
点击查看
Eur Arch Otorhinolaryngol:人工耳蜗植入对患者生活质量和心理状态的影响及植入意向的影响因素
0
2023-07-11
点击查看