优化与年龄相关的听力风险预测:与HHIE-S的先进机器学习集成

科学领域:

• 老年病学和听力学.
• 计算健康科学 计算健康科学
• 生物医学数据科学 生物医学数据科学

背景情况:

• 与年龄相关的听力损失 (ARHL) 不成比例地影响老年人群.
• 老年人查听力障碍清单 (HHIE-S) 是ARHL评估的传统工具,主要用于通过自我报告结果直接查.
• 现有的ARHL评估方法往往缺乏对老年人及时干预所需的预测准确性.

研究的目的:

• 用HHIE-S工具研究机器学习 (ML) 方法的新型集成.
• 提高HHIE-S在老年人群中识别ARHL的预测准确度.
• 利用先进的ML模型,对老年人进行更精确的ARHL评估.

主要方法:

• 利用了台北市医院 (2016-2018) 1526名老年人的数据集.
• 在训练 (n=1220) 和测试 (n=356) 数据子集上使用了机器学习模型,包括XGBoost,梯度提升和LightGBM (LGBM).
• 选择LGBM模型是因为它在0.83的曲线下面积 (AUC) 优越,采用SHAP值来增强模型的解释性,并防止过拟合.

主要成果:

• 在测试组中,LGBM模型获得了0.82的强AUC,明显超过了传统方法.
• 确定的主要显著预测因素包括特定的HHIE-S项目和参与者的年龄.
• 这项研究独特地将ML (LGBM分类器) 与HHIE-S结合起来,超越了对听力损失心理影响的传统关注.

结论:

• 将机器学习与HHIE-S等经过验证的听力评估仪器相结合,可以显著提高ARHL评估的潜力.
• 这种ML增强的方法为医疗保健从业者提供了更准确的ARHL预测能力.
• 促进早期和更精确的干预老年人与年龄相关的听力损失.