优化分类模型以评估个人对噪音引起的听力损失的敏感性:横截面研究
Shiyuan Li1,2,3, Xiao Yu1,2,3, Xinrong Ma1,2,3
1Department of Otolaryngology-Head and Neck Surgery, Shanghai Sixth People's Hospital, Shanghai Jiao Tong University School of Medicine, 600 Yishan Road, Shanghai, 200030, China, 86 18060587551.
JMIR public health and surveillance
|December 4, 2024
概括
一个机器学习模型使用特定的听力频率准确地识别了噪音引起的听力损失 (NIHL) 的易感性. 这有助于通过识别那些最有风险的人来预防暴露在噪音中的工人的听力损伤.
科学领域:
- 职业健康 职业健康 职业健康
- 听力学 听力学是指听力学.
- 生物医学工程 生物医学工程
背景情况:
- 噪音引起的听力损失 (NIHL) 是一个重要的健康问题,特别是在噪音高的年轻人中.
- 个人对NIHL的易感性差异很大,需要客观的识别方法.
- 防止严重的NIHL需要识别对职业噪音暴露高度敏感的人.
研究的目的:
- 开发和验证一个最优的模型来分类个人易受或耐受NIHL.
- 探索与NIHL易感性和耐药性资料相关的特定表型特征.
主要方法:
- 收集了上海 (2015-2021) 造船厂工人的横截面数据.
- 评估了六种NIHL易感性和耐药性的分类方法.
- 开发了一种基于机器学习 (ML) 的诊断模型,使用听觉频率 (0.25-12 kHz) 来识别可靠的预测因素.
- 使用 4 和 12.5 kHz 的听力值 (HTs) 优化了模型.
主要成果:
- 该ML模型在分类NIHL敏感 (NIHL-SG) 和NIHL耐药 (NIHL-RG) 组中表现出高性能 (精度=0.78,AUC=0.81).
- 年龄较小,噪声暴露时间较短,累计噪声暴露时间较低的特点是NIHL-SG.
- 与NIHL-RG相比,NIHL-SG个体在4和12.5kHz时表现出明显更高的HTs.
结论:
- 基于ML的诊断模型使用4和12.5kHz的平均HTs是识别NIHL易感性的可靠方法.
- 该模型可以帮助针对NIHL高风险工人制定有针对性的预防策略.
- 对影响NIHL易感性的遗传因素进行进一步研究是有必要的.
