Aplicarea învățării automate în evaluarea bolii Meniere pe baza audiometriei tonale pure

Boala Meniere este o afecțiune ORL complexă, caracterizată prin vertij recurent, pierdere de auz, plenitudine auriculară și tinitus. Diagnosticul acestei boli reprezintă o provocare din cauza simptomelor similare cu alte afecțiuni vestibulare, cum ar fi migrena vestibulară. În prezent, diagnosticul se bazează pe criterii clinice și pe investigații precum imagistica prin rezonanță magnetică cu gadoliniu (IRM-Gd) pentru vizualizarea hidropsului endolimfatic, caracteristica patohistologică principală a bolii Meniere. Totuși, IRM-Gd este costisitoare și nu este întotdeauna accesibilă.

Rolul audiometriei tonale pure și al învățării automate

Audiometria tonală pură este o metodă larg utilizată pentru evaluarea pierderii auditive la pacienții cu boala Meniere. Aceasta este cost-eficientă și oferă informații valoroase despre gradul și tipul pierderii de auz. Având în vedere progresele în domeniul inteligenței artificiale (IA) și al învățării automate, există potențialul de a utiliza datele obținute din audiometrie pentru a îmbunătăți diagnosticul și evaluarea bolii Meniere.

Studiul cercetătorilor din Shanghai și-a propus să investigheze dacă modelele de învățare automată pot distinge între urechile afectate de boala Meniere și cele neafectate sau afectate de migrena vestibulară, bazându-se pe rezultatele audiometriei tonale pure. De asemenea, s-a urmărit dacă aceste modele pot prezice subtipurile de hidrops endolimfatic, oferind astfel o posibilă modalitate de automatizare a diagnosticului bolii Meniere.

Au fost incluși 262 de pacienți cu boala Meniere definită și 74 de pacienți cu migrenă vestibulară, toți fiind supuși IRM-Gd și audiometriei tonale pure. Prelucrarea datelor: S-au colectat pragurile auditive la șapte frecvențe (125 Hz - 8 kHz). Au fost extrase atât caracteristici de bază (pragurile la fiecare frecvență), cât și caracteristici multiple (media, deviația standard, valorile maxime și minime pe intervale de frecvențe). Pentru procesarea datelor s-au utilizat cinci algoritmi: regresie logistică, mașină cu vectori de suport, arbori de decizie, păduri aleatorii și Light Gradient Boosting Machine (LightGBM).

Rezultate

• Diagnosticul bolii Meniere: Modelele de învățare automată au demonstrat o capacitate ridicată de a distinge între urechile afectate de boala Meniere și cele neafectate sau afectate de migrena vestibulară. Modelul LightGBM a obținut cele mai bune rezultate, cu o acuratețe de 87%, sensibilitate de 83%, specificitate de 90% și o arie sub curba caracteristică de funcționare a receptorului de 0,95.
• Compararea cu medicii: Performanța modelului LightGBM a fost comparabilă cu cea a unui medic otolog experimentat și superioară medicilor cu mai puțină experiență.
• Predicția subtipurilor de hidrops endolimfatic: Modelele au avut succes și în identificarea subtipurilor de hidrops endolimfatic, deși acuratețea a fost mai scăzută (78% pentru modelul LightGBM). Identificarea hidroamelor cohleare sau vestibulare izolate a fost mai dificilă din cauza numărului redus de cazuri.
• Importanța caracteristicilor: Analiza a arătat că anumite caracteristici, cum ar fi pragurile auditive la 250 Hz, media pragurilor la frecvențe joase și deviația standard a pragurilor pe întreaga gamă de frecvențe, au avut o influență semnificativă asupra performanței modelelor.

Concluzii

Studiul demonstrează potențialul învățării automate în diagnosticul și evaluarea bolii Meniere folosind datele din audiometria tonală pură. Modelele dezvoltate pot asista medicii în diferențierea bolii Meniere de alte afecțiuni vestibulare și în identificarea subtipurilor de hidrops endolimfatic. Integrarea acestor tehnologii ar putea conduce la îmbunătățirea acurateței diagnostice și la personalizarea strategiilor de tratament pentru pacienții cu boala Meniere.

sursa: MedicalXpress