相关实验视频
Updated: Jul 15, 2026
09:44
Neuro-rehabilitation Approach for Sudden Sensorineural Hearing Loss
Published on: January 25, 2016
19.2K
一种机器学习选模型,用于识别一般人群中高频听力损失的风险
Yi Wang1,2, Xinmeng Yao1, Dahui Wang3
1Department of Epidemiology and Biostatistics, School of Public Health, Hangzhou Normal University, Hangzhou, 311121, Zhejiang, China.
BMC public health
|April 25, 2024
概括
一个机器学习模型有效地选社区的高频听力障碍 (HFHI). 该工具可以识别有风险的个体,从而实现有针对性的预防和干预,以改善听力健康结果.
科学领域:
- 公共卫生 公共卫生
- 生物医学信息学 生物医学信息学
- 耳鼻喉科 耳鼻喉科 耳鼻喉科
背景情况:
- 听力障碍 (HI) 是中国的一个重大公共卫生问题.
- 目前的诊断方法不适合大规模社区查.
- 需要具有成本效益的查工具来进行早期检测.
研究的目的:
- 开发一种基于机器学习 (ML) 的高频听力障碍 (HFHI) 查模型.
- 为了模型开发,利用来自社区的场景数据.
- 通过早期识别,改善社区居民的听力健康结果.
主要方法:
- 在中国江招募了3371名社区居民.
- 利用调查问卷和血液测试中的68个指标.
- 与七个ML模型进行比较,选择LASSO回归用于最终的HFHI查模型,使用名图.
主要成果:
- 拉索模型实现了0.868的AUC,精度,特异性和F-score>80%.
- 确定了关键的风险因素,包括人口统计,慢性疾病,噪音暴露,生活方式和血液测试指标.
- 与低风险组相比,高风险组的HI患病率是HI的3.99倍.
结论:
- 一个基于ML的HFHI风险查模型准确地识别高风险个体.
- 该模型有助于识别可修改和不可改变的风险因素,以进行个性化的HI预防.
- 这种方法可以显著改善社区环境中的听力健康管理.
