Zastosowanie metod uczenia maszynowego w analizie wyników wybranych obiektywnych badań słuchu
Słowa kluczowe:
otologia, uczenie maszynowe, obiektywne badania słuchu, niedosłuchStreszczenie
Złożoność procedur, nieustanny rozwój wiedzy w obrębie nauk medycznych oraz ilość pacjentów wymagających opieki stanowi ogromne wyzwanie w codziennej praktyce lekarskiej. Jednocześnie równolegly rozwój nauk informatycznych stwarza pole dla implementacji technik bazujących na sztucznej inteligencji w celu usprawnienia oraz ułatwienia pracy personelu medycznego. Diagnostyka otologiczna stanowi jedną z dziedzin, gdzie zastosowanie takich metod jest opisywane przez autorów publikacji. Obiektywne badania słuchu stanowią jedno z jej podstawowych narzędzi. Do metod tych należą m.in.: badania słuchowych potencjałów wywołanych z pnia mózgu, tympanometria oraz badanie otoemisji akustycznych. Pomimo istotnej wartości klinicznej tych metod, analiza ich wyników często wymaga wieloletniego doświadczenia klinicznego oraz bywa również czasochłonna. Wykorzystanie metod uczenia maszynowego (ang. machine learning, ML), jest nieustannie testowane na polu wielu nauk. W przyszłości mogą one wspomóc specjalistów w diagnostyce otologicznej. Celem niniejszego opracowania jest przedstawienie możliwości usprawnienia praktyki lekarskiej przy użyciu najnowszych rozwiązań sztucznej inteligencji oraz przegląd aktualnych badań i ich wyników nad zastosowaniem ML w analizie wyników obiektywnych badań słuchu. Autorzy przeprowadzili przegląd literatury za pośrednictwem bazy publikacji naukowych PUBMED stosując słowa kluczowe: (i) auditory brainsteam response machine learning”, (ii) "tympanometry machine learning", (iii) "otoacoustic emission machine learning". Zastosowano wytyczne PRISMA dla przeglądów systematycznych. Do przeglądu włączono 9 publikacji. Badacze wykazują wysoką trafność diagnoz oraz interpretacji wyników stawianych przez algorytmy ML. Jednakże metody te wymagają dalszego opracowania oraz rozwoju w celu zapewnienia wysokiej jakości i bezpieczeństwa procesu terapeutycznego w przyszłości.
Bibliografia
Rajkomar A, Dean J, Kohane I. Machine Learning in Medicine. New England Journal of Medicine. 2019;380(14):1347-1358. doi:10.1056/NEJMra1814259
Singh H, Meyer AND, Thomas EJ. The frequency of diagnostic errors in outpatient care: estimations from three large observational studies involving US adult populations. BMJ Quality & Safety. 2014;23(9):727. doi:10.1136/bmjqs-2013-002627
Society to Improve Diagnosis in Medicine. https://www.improvediagnosis.org/what-is-diagnostic-error Accessed: 6/3/2023
Geneva: World Health Organization. World report on hearing; Licence: CC BY-NC-SA 3.0 IGO. Published online 2021.
Cruickshanks KJ, Tweed TS, Wiley TL, et al. The 5-Year Incidence and Progression of Hearing Loss. Arch Otolaryngol Head Neck Surg. 2003;129(10):1041. doi:10.1001/archotol.129.10.1041
Zahnert T. The Differential Diagnosis of Hearing Loss. Dtsch Arztebl Int. Published online June 24, 2011. doi:10.3238/arztebl.2011.0433
National Research Council (US) Committee on Disability Determination for Individuals with Hearing Impairments, Dobie R, Van Hemel S. Hearing Loss: Determining Eligibility for Social Security Benefits. In: Basics of Sound, the Ear, and Hearing. National Academies Press (US); 2004:2.
Adapted from BRANDvital. Przyczyny niedosłuchu – utrata słuchu odbiorcza i przewodzeniowa. https://www.brandvital.eu/niedosluch-i-aparaty-sluchowe/przyczyny-niedosluchu/ Accessed: 6/3/2023
Isaacson JE, Vora NM. Differential diagnosis and treatment of hearing loss. Am Fam Physician. 2003;68(6):1125-1132.
Hoth S, Baljić I. Current audiological diagnostics. GMS Curr Top Otorhinolaryngol Head Neck Surg. 2017;16:Doc09. doi:10.3205/cto000148
Onusko E. Tympanometry. Am Fam Physician. 2004;70(9):1713-1720.
Adapted from Nakayama JR, Ramsey MJ. Tympanometry. In: Kountakis SE, ed. Encyclopedia of Otolaryngology, Head and Neck Surgery. Springer Berlin Heidelberg; 2013:2905-2909. doi:10.1007/978-3-642-23499-6_742
Bredfeldt RC. An introduction to tympanometry. Am Fam Physician. 1991;44(6):2113-2118.
Pruszewicz A. Audiologia Kliniczna - Zarys. 4th ed. UM Poznań; 2010.
Young A, Cornejo J, Spinner A. Auditory Brainstem Response. StatPearls Publishing LLC; 2022.
Adapted from Raczynski S. Zapis ABR based on drawings from book “Fizjologia człowieka z elementami fizjologii stosowanej i klinicznej” by many authors. https://pl.wikipedia.org/wiki/Słuchowe_potencjały_wywołane_pnia_mózgu#/media/Plik:ABR.png Accessed: 6/3/2023
Naves KF, Pereira AA, Nasuto SJ, Russo IP, Andrade AO. Assessment of inter-examiner agreement and variability in the manual classification of auditory brainstem response. Biomed Eng Online. 2012;11(1):86. doi:10.1186/1475-925X-11-86
Adapted from Shera CA, Abdala C. Otoacoustic emissions — Mechanisms and Applications. https://www.semanticscholar.org/paper/otoacoustic-emissions-—-Mechanisms-and-Applications-Shera-Abdala/8f947cbcd9245976ea7e9e2f1529eccf0a3b6648 Accessed: 6/3/2023
Young A, Ng M. Otoacoustic Emissions. StatPearls Publishing LLC; 2022.
Sundgaard JV, Bray P, Laugesen S, et al. A Deep Learning Approach for Detecting Otitis Media From Wideband Tympanometry Measurements. IEEE J Biomed Health Inform. 2022;26(7):2974-2982. doi:10.1109/JBHI.2022.3159263
Nie L, Li C, Marzani F, Wang H, Thibouw F, Grayeli AB. Classification of Wideband Tympanometry by Deep Transfer Learning With Data Augmentation for Automatic Diagnosis of Otosclerosis. IEEE J Biomed Health Inform. 2022;26(2):888-897. doi:10.1109/JBHI.2021.3093007
Wimalarathna H, Ankmnal-Veeranna S, Allan C, et al. Machine learning approaches used to analyze auditory evoked responses from the human auditory brainstem: A systematic review. Comput Methods Programs Biomed. 2022;226:107118. doi:10.1016/j.cmpb.2022.107118
McKearney RM, MacKinnon RC. Objective auditory brainstem response classification using machine learning. Int J Audiol. 2019;58(4):224-230. doi:10.1080/14992027.2018.1551633
Wimalarathna H, Ankmnal-Veeranna S, Allan C, et al. Comparison of machine learning models to classify Auditory Brainstem Responses recorded from children with Auditory Processing Disorder. Comput Methods Programs Biomed. 2021;200:105942. doi:10.1016/j.cmpb.2021.105942
McKearney RM, Bell SL, Chesnaye MA, Simpson DM. Auditory Brainstem Response Detection Using Machine Learning: A Comparison With Statistical Detection Methods. Ear Hear. 2022;43(3):949-960. doi:10.1097/AUD.0000000000001151
Chen C, Zhan L, Pan X, et al. Automatic Recognition of Auditory Brainstem Response Characteristic Waveform Based on Bidirectional Long Short-Term Memory. Front Med (Lausanne). 2021;7. doi:10.3389/fmed.2020.613708
McCullagh P, Wang H, Zheng H, Lightbody G, McAllister G. A comparison of supervised classification methods for auditory brainstem response determination. Stud Health Technol Inform. 2007;129(Pt 2):1289-1293.
Liu Y, Xu R, Gong Q. Maximising the ability of stimulus-frequency otoacoustic emissions to predict hearing status and thresholds using machine-learning models. Int J Audiol. 2021;60(4):263-273. doi:10.1080/14992027.2020.1821252
Liu YW, Kao SL, Wu HT, Liu TC, Fang TY, Wang PC. Transient-evoked otoacoustic emission signals predicting outcomes of acute sensorineural hearing loss in patients with Ménière’s disease. Acta Otolaryngol. 2020;140(3):230-235. doi:10.1080/00016489.2019.1704865
Zapowiedzi
26 marca 2023
Prawa autorskie (c) 2023 Nikodem Pietrzak, Jakub Roman, Daniel Gondko, Przemysław Bugajski, Wiktoria Haberko
Licencja
Utwór dostępny jest na licencji Creative Commons Uznanie autorstwa – Użycie niekomercyjne – Bez utworów zależnych 4.0 Międzynarodowe.
