Aprendizaje automático interpretable con datos auditivos multimodales para el diagnóstico de hidropesía endolinfática

Área de la Ciencia:

• Audiología
• Aprendizaje automático médico
• Otorrinolaringología

Sus antecedentes:

• El diagnóstico de hidropesía endolinfática (EH) se basa en la evaluación clínica, que a menudo carece de medidas objetivas.
• La electrocochleografía (ECochG) y la audiometría de tonos puros (PTA) proporcionan datos auditivos pero tienen limitaciones para diagnosticar la EH por sí solas.

Objetivo del estudio:

• Evaluar la utilidad diagnóstica de la ECochG para identificar la EH.
• Mejorar la precisión diagnóstica integrando datos de ECochG y PTA en modelos de aprendizaje automático (ML).
• Mejorar la interpretabilidad clínica de los modelos de ML para el diagnóstico de EH.

Principales métodos:

• Estudio de cohorte prospectivo de 78 pacientes (156 oídos) con sospecha de EH.
• Se realizaron exámenes de ECochG y PTA.
• Se utilizaron datos auditivos multimodales para desarrollar y validar modelos de ML, incluido el Light Gradient Boosting Machine (LightGBM).

Principales resultados:

• Los modelos de solo ECochG mostraron un rendimiento diagnóstico limitado (AUC máx. 0.61).
• La integración de datos multimodales en modelos de ML mejoró sustancialmente el rendimiento.
• El modelo LightGBM logró un AUC de 0.92 y una precisión de 0.73 para predecir la distribución de EH.

Conclusiones:

• Los datos auditivos multimodales integrados en modelos de ML interpretables mejoran significativamente la precisión diagnóstica de la EH.
• Este enfoque ofrece un marco objetivo para el diagnóstico y manejo tempranos de la EH.
• Se justifica una mayor validación con cohortes más grandes y multicéntricas debido a las limitaciones del estudio.