Machine Learning Models Can Predict Tinnitus and Noise-Induced Hearing Loss
Notice bibliographique
Résumé
OBJECTIVES: Despite the extensive use of machine learning (ML) models in health sciences for outcome prediction and condition classification, their application in differentiating various types of auditory disorders remains limited. This study aimed to address this gap by evaluating the efficacy of five ML models in distinguishing (a) individuals with tinnitus from those without tinnitus and (b) noise-induced hearing loss (NIHL) from age-related hearing loss (ARHL). DESIGN: We used data from a cross-sectional study of the Canadian population, which included audiologic and demographic information from 928 adults aged 30 to 100 years, diagnosed with either ARHL or NIHL due to long-term occupational noise exposure. The ML models applied in this study were artificial neural networks (ANNs), K-nearest neighbors, logistic regression, random forest (RF), and support vector machines. RESULTS: The study revealed that tinnitus prevalence was over twice as high in the NIHL group compared with the ARHL group, with a frequency of 27.85% versus 8.85% in constant tinnitus and 18.55% versus 10.86% in intermittent tinnitus. In pattern recognition, significantly greater hearing loss was found at medium- and high-band frequencies in NIHL versus ARHL. In both NIHL and ARHL, individuals with tinnitus showed better pure-tone sensitivity than those without tinnitus. Among the ML models, ANN achieved the highest overall accuracy (70%), precision (60%), and F1-score (87%) for predicting tinnitus, with an area under the curve of 0.71. RF outperformed other models in differentiating NIHL from ARHL, with the highest precision (79% for NIHL, 85% for ARHL), recall (85% for NIHL), F1-score (81% for NIHL), and area under the curve (0.90). CONCLUSIONS: Our findings highlight the application of ML models, particularly ANN and RF, in advancing diagnostic precision for tinnitus and NIHL, potentially providing a framework for integrating ML techniques into clinical audiology for improved diagnostic precision. Future research is suggested to expand datasets to include diverse populations and integrate longitudinal data.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».