The Benefit of a Wireless Contralateral Routing of Signals (CROS) Microphone in Unilateral Cochlear Implant Recipients
Notice bibliographique
Résumé
OBJECTIVE: Assess speech outcomes in unilateral cochlear implant (CI) recipients after addition of a wireless contralateral routing of signals (CROS) microphone. STUDY DESIGN: Prospective cohort study. SETTING: Ambulatory. PATIENTS: Sixteen adult unilateral CI users with nonserviceable hearing on the contralateral side were recruited. Those with AzBio sentence scores of 40 to 80% or Hearing in Noise Test - Quiet (HINT-Q) scores of 60 to 90% with a CI alone were eligible participants. INTERVENTION: Speech testing was carried out with the CROS on and off. MAIN OUTCOME MEASURE: Speech recognition. RESULTS: In the consonant-nucleus-consonant test presented in quiet from the front, word scores were 64.4 (CI) and 63.8% (CI + CROS) (p = 0.72), and phoneme scores were 80.2 (CI) and 80.8% (CI + CROS) (p = 0.65). In AzBio sentence testing in quiet, with the signals projected from the contralateral, front, or ipsilateral to the CI, speech perception with the CI alone was 60.8, 75.9, and 79.1%. With the addition of the CROS microphone, using the same speaker arrangement, speech perception was 69.8 (p < 0.05), 71.8 (p = 0.05), and 71.8 (p < 0.05). In AzBio sentence testing in noise, speech perception with the CI alone was 18.6, 45.3, and 56.3% when signals were projected from contralateral, front, and ipsilateral sides to the CI. The addition of the CROS microphone led to speech perception of 45.3 (p < 0.05), 45.3 (p = 0.86), and 51.4% (p = 0.27) in the same paradigm. CONCLUSIONS: Addition of a wireless CROS microphone to a unilateral CI recipient can improve users' perception of speech in both quiet and noise if speech signals come from the deaf ear, mitigating the head shadow effect.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».