Factors Affecting Performance in Adults With Cochlear Implants: A Role for Cognition and Residual Cochlear Function
Notice bibliographique
Résumé
OBJECTIVE: To evaluate the impact of preoperative and perioperative factors on postlinguistic adult cochlear implant (CI) performance and design a multivariate prediction model. STUDY DESIGN: Prospective cohort study. SETTING: Tertiary referral center. PATIENTS AND INTERVENTIONS: Two hundred thirty-nine postlinguistic adult CI recipients. MAIN OUTCOME MEASURES: Speech-perception testing (consonant-nucleus-consonant [CNC], AzBio in noise +10-dB signal-to-noise ratio) at 3, 6, and 12 months postoperatively; electrocochleography-total response (ECochG-TR) at the round window before electrode insertion. RESULTS: ECochG-TR strongly correlated with CNC word score at 6 months ( r = 0.71, p < 0.0001). A multivariable linear regression model including age, duration of hearing loss, angular insertion depth, and ECochG-TR did not perform significantly better than ECochG-TR alone in explaining the variability in CNC. AzBio in noise at 6 months had moderate linear correlations with Montreal Cognitive Assessment (MoCA; r = 0.38, p < 0.0001) and ECochG-TR ( r = 0.42, p < 0.0001). ECochG-TR and MoCA and their interaction explained 45.1% of the variability in AzBio in noise scores. CONCLUSIONS: This study uses the most comprehensive data set to date to validate ECochG-TR as a measure of cochlear health as it relates to suitability for CI stimulation, and it further underlies the importance of the cochlear neural substrate as the main driver in speech perception performance. Performance in noise is more complex and requires both good residual cochlear function (ECochG-TR) and cognition (MoCA). Other demographic, audiologic, and surgical variables are poorly correlated with CI performance suggesting that these are poor surrogates for the integrity of the auditory substrate.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».