听力损失是全球致残的主要原因之一，与社会孤立、生活质量下降和痴呆症有关。对于中度至重度听力损失且无法再从助听器中获益的患者，人工耳蜗（CI）已成为标准的治疗选择，可改善患者的言语感知、生活质量和认知能力。在过去的十年中，人工耳蜗取得了广泛的成功，其候选标准也进一步扩大，包括低频残余听力、单侧耳聋（SSD）和非对称性听力损失（AHL）患者。

近期，来自范德比尔特大学医学中心的研究人员在《Otol Neurotol》上发表文章，为进行人工耳蜗植入候选评估（CICE）的患者开发了基于机器学习的转诊指南，并与广泛使用的60/60指南进行了比较。

研究为回顾性队列，在三级转诊中心进行。 研究群体为2015年-2020年接受CICE治疗的772名成人。变量包括人口统计学、无辅助阈值和单词识别得分。对接受CICE的患者进行随机森林分类模型训练，并使用引导交叉验证方法评估了建模方法的性能。主要结果为根据传统标准和扩展标准识别CI候选者的能力。

在具有完整数据的587例患者中，563例（96%）符合候选标准，60/60指南确定了512例（87%）患者。在随机森林模型中，单词识别得分、3000、2000和125阈值以及CICE年龄对候选资格的影响最大（Gini系数的平均降幅分别为2.83、1.60、1.20、1.17和1.16）。60/60指南的灵敏度为0.91，特异性为0.42，准确度为0.89（95%置信区间为0.86-0.91）。随机森林模型为灵敏度（0.96），特异性（1.00），准确度（0.96；95%置信区间为0.95-0.98）。在1000次引导迭代中，该模型的中位灵敏度为0.92（四分位数间距[IQR]为0.85-0.98），特异性为1.00（IQR为0.88-1.00），准确度为0.93（IQR为0.85-0.97），曲线下面积为0.96（IQR为0.93-0.98）。

随机森林模型和60/60指南在识别人工耳蜗植入候选者中的表现

综上所述，基于机器学习的新型筛查模型在预测CI候选者方面具有较高的敏感性、特异性和准确性。

原始出处：

Ankita Patro， Elizabeth L Perkins， Carlos A Ortega et al. Machine Learning Approach for Screening Cochlear Implant Candidates： Comparing With the 60/60 Guideline. Otol Neurotol. Jun 2023.

Tags： Otol Neurotol：机器学习方法筛选人工耳蜗植入候选者： 与60/60指南的比较