机器学习在耳植入器语音感知结果中的可行性 - - 超越单个生物标志物进行耳植入器性能预测
Matthew A Shew1,2, Cole Pavelchek2,3, Andrew Michelson4,5
1Department of Otolaryngology-Head and Neck Surgery, Washington University School of Medicine, St. Louis, Missouri, USA.
Ear and hearing
|April 4, 2025
概括
机器学习模型使用手术前数据准确预测耳植入物 (CI) 语音感知结果. 这种人工智能方法在识别可能出现表现不佳的患者方面超越了传统方法,有助于个性化护理.
科学领域:
- 医疗保健中的人工智能
- 精准医学是一门精准的医学.
- 听觉神经科学 听觉神经科学
背景情况:
- 耳植入物 (CI) 提供了显著的好处,但语音感知结果在接收者之间存在很大差异.
- 使用手术前数据预测个体CI结果仍然是当前临床实践的挑战.
- 机器学习 (ML) 为医疗保健中的复杂模式匹配和预测提供了潜力.
研究的目的:
- 评估ML模型在预测CI接受者语音感知表现方面的有效性.
- 使用大量的手术前变量数据集来预测在植入后6个月的结果.
- 为了确定患有不良语音感知结果风险的患者.
主要方法:
- 使用了90/10的培训/测试数据,从HERMES数据库和机构CI注册表中分割出来 (n=1877).
- 开发并优化了ML模型 (XGBoost),使用10倍交叉验证来预测CNC单词和AzBio句子得分.
- 将ML模型性能与传统的线性/逻辑回归与Lazard特征进行比较,使用MAE,AUROC和F1分数等指标.
主要成果:
- 在预测最终和三角形语音感知分数 (CNC和AzBio) 中,XGBoost模型的表现优于线性回归.
- ML模型在将患者分为绩效类别方面表现出卓越的表现,特别是识别出具有较低结果 (≤40百分位) 的患者.
- 与后勤回归相比,XGBoost在分层CI性能子表型中显示出更好的校准和准确性.
结论:
- 与当前的黄金标准相比,ML模型可以更好地预测CI语音感知结果.
- 机器学习可以通过仅使用手术前数据来识别复杂的,非线性关系和新的亚现象型.
- 在CI护理中的AI有望改善患者咨询,康复和临床试验设计,需要进一步验证和数据协作.
