Active Noise Reduction Audiometry: A Prospective Analysis of a New Approach to Noise Management in Audiometric Testing
Notice bibliographique
Résumé
OBJECTIVES: To develop a new method of screening audiometry that reduces the adverse effects of low frequency background noise by using active noise reduction (ANR) headphone technology. DESIGN: Prospective testing within an anechoic chamber evaluated the physical properties of ANR headphones. A prospective clinical crossover study compared standard audiometry with ANR headphone audiometry. METHODS: Bose Aviation X circum-aural ANR headphones were tested for both active and passive attenuation properties in a hemi-anechoic chamber using a head and torso simulator. Thirty-seven otology clinic patients then underwent standard audiometry and ANR audiometry, which was performed in a 30- and/or 40-dB sound field. RESULTS: Objective ANR headphone attenuation levels of up to 12 dB were achieved at frequencies below 2,000 Hz. In standard audiometric testing, 40 dB of narrow-band background noise decreased patient pure tone thresholds by 24 dB at 250 Hz. The use of ANR technology provided 12 dB of additional attenuation. This resulted in a significant improvement in test results despite the 40 dB of background noise (P = <0.001). In a 30-dB sound field, standard audiometric thresholds were shifted down by an average of 12 dB. The use of ANR technology completely attenuated this effect and resulted in a significant improvement in results (P = <0.01). These results were identical to those obtained in a quiet sound booth. CONCLUSIONS: Despite a 30-dB sound field, ANR audiometry can produce an audiogram identical to that obtained in a double-walled sound booth. ANR headphone audiometry improves the sensitivity of audiometric screening for mild low-frequency hearing loss. This technology may have important applications for screening in schools, industry, and community practices.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,025 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».