DOI: https://doi.org/10.3389/fneur.2025.1701856
PMID: https://pubmed.ncbi.nlm.nih.gov/41602987
تاريخ النشر: 2026-01-12
المؤلف: Hyung-Bon Koo وآخرون
الموضوع الرئيسي: اضطرابات التوازن والسمع
نظرة عامة
تستكشف الدراسة تطوير نموذج تعلم آلي (ML) يهدف إلى توقع نتائج التعافي لدى المرضى الذين يعانون من فقدان السمع المفاجئ الحاد (SSNHL)، باستخدام العلاج بالأكسجين تحت الضغط (HBOT) كميزة بدلاً من تأثير العلاج السببي. أجريت كتحليل مجموعة استعادية في مركز واحد، شملت الأبحاث 231 مريضًا تم علاجهم بين يناير 2015 ويناير 2024، مع تعريف التعافي وفقًا لمعايير سيجل. تضمنت المؤشرات الرئيسية المدمجة في النموذج الخصائص الديموغرافية، والأمراض المصاحبة، وعتبات السمع الأساسية، ووقت العلاج، ومتغيرات HBOT، مثل عدد الجلسات.
أظهر نموذج البيرسيبترون متعدد الطبقات المخصص دقة اختبار تبلغ 89.36% ومنطقة تحت منحنى التشغيل (AUC) تبلغ 0.8716، متجاوزًا الطرق التنبؤية التقليدية. كانت المؤشرات المهمة التي تم تحديدها هي العمر، والسكري، والدوار، وبشكل ملحوظ، عدد جلسات HBOT، حيث برز “≥10 جلسات HBOT” كعامل مؤثر بشكل خاص في تحليل الانحدار اللوجستي وتحليل آلة الدعم الناقل (SVM). بينما عزز تضمين بيانات HBOT توقع التعافي، تؤكد الدراسة أن هذه النتائج لا تؤكد الفعالية العلاجية لـ HBOT. تبرز القيود مثل التصميم الاستعادي، وحجم العينة المتواضع، وعدم توازن الفئات الحاجة إلى التحقق الخارجي وتحسين التعديلات المربكة. تهدف النتائج إلى مساعدة الأطباء في اتخاذ قرارات مستنيرة من خلال توفير احتمالات تعافي فردية للمرضى الذين يعانون من SSNHL الحاد.
مقدمة
تناقش مقدمة ورقة البحث فقدان السمع المفاجئ الحاد (SSNHL)، والذي يتميز بظهور سريع لضعف السمع بمقدار ≥30 ديسيبل عبر ثلاث ترددات متصلة على الأقل خلال ثلاثة أيام. تم الإشارة إلى أن الانتشار السنوي في كوريا الجنوبية يزيد عن 10 حالات لكل 100,000 نسمة، مع كون الغالبية العظمى من الحالات أحادية الجانب. تظل أسباب SSNHL معقدة بسبب عوامل محتملة متنوعة، بما في ذلك العدوى الفيروسية، والاضطرابات المناعية الذاتية، ومشاكل الدورة الدموية، مما يعقد توقعات التشخيص. تشمل المؤشرات التنبؤية الرئيسية المحددة شدة فقدان السمع الأولي، وعمر المريض، ووجود الدوار. على الرغم من العلاجات القياسية مثل الستيرويدات الجهازية والستيرويدات داخل الأذن، يعاني حوالي 30% من المرضى من فقدان سمع دائم، مما يدفع إلى استكشاف العلاجات المساعدة مثل العلاج بالأكسجين تحت الضغط (HBOT)، الذي قد يعزز من أكسجة القوقعة والدورة الدقيقة.
تسلط الورقة الضوء على دمج نماذج التعلم الآلي (ML) في توقع نتائج SSNHL، باستخدام ميزات مثل العمر، ومستويات السمع الأساسية، وجداول العلاج. استخدمت الدراسات السابقة تقنيات ML متنوعة، بما في ذلك الانحدار الخطي وآلات الدعم الناقل، لتعزيز دقة التنبؤ. تهدف هذه الدراسة إلى تطوير وتقييم نماذج تنبؤية قائمة على ML لـ SSNHL الحاد من خلال دمج ميزات متعلقة بـ HBOT جنبًا إلى جنب مع العوامل التنبؤية التقليدية، مما يعالج فجوة في الأدبيات بشأن تأثير المتغيرات المستندة إلى العلاج على الأداء التنبؤي.
طرق البحث
تحدد قسم “الطرق” في ورقة البحث التصميم التجريبي والتقنيات التحليلية المستخدمة للتحقيق في أسئلة البحث. استخدمت الدراسة نهجًا كميًا، مع دمج التحليلات الإحصائية لتقييم البيانات المجمعة من عينة سكانية. تضمنت المنهجيات المحددة تجارب محكومة، واستطلاعات، أو دراسات رصدية، اعتمادًا على تركيز البحث.
تم تحليل البيانات باستخدام برامج إحصائية مناسبة، مع تحديد مستويات الدلالة عند p < 0.05. استخدم الباحثون اختبارات إحصائية متنوعة، مثل اختبارات t أو ANOVA، لتحديد العلاقات بين المتغيرات. بالإضافة إلى ذلك، يوضح القسم طرق أخذ العينات، ومعايير الإدراج والاستبعاد للمشاركين، وأي اعتبارات أخلاقية تم أخذها في الاعتبار خلال الدراسة. بشكل عام، تم تصميم الطرق بدقة لضمان صحة وموثوقية النتائج.
النتائج
تشير نتائج الدراسة إلى أن النموذج المخصص الذي تم تطويره تفوق على العديد من خوارزميات التعلم الآلي (ML) التقليدية من حيث أداء التعميم. حقق النموذج المخصص دقة تدريب تبلغ 97.83% ودقة اختبار تبلغ 89.36%، مما يدل على قدرات تنبؤية قوية في البيئات السريرية. بالمقابل، بينما حقق نموذج شجرة القرار دقة تدريب مثالية تبلغ 100%، انخفضت دقته في الاختبار إلى 78.7%، مما يشير إلى فرط التكيف الكبير. أظهرت خوارزميات أخرى، بما في ذلك الغابة العشوائية، والانحدار اللوجستي، وغاوسي نايف بايز، وآلة الدعم الناقل، أيضًا دقة تدريب عالية لكنها فشلت في الحفاظ على أداء اختبار قابل للمقارنة.
تؤكد مقاييس أداء النموذج المخصص على فعاليته، مع درجة F1 تبلغ 0.9750 خلال التدريب، إلى جانب معدلات الدقة والاسترجاع التي بلغت 96.74% و98.33%، على التوالي. كانت المنطقة تحت المنحنى (AUC) مرتفعة بشكل استثنائي عند 0.9965، مما يدل على أداء ممتاز بشكل عام. في مجموعة الاختبار، كانت دقة النموذج أقل قليلاً عند 89.36%، مع درجة F1 تبلغ 0.9510، وقيم دقة واسترجاع تبلغ 94.23% و96.00%، على التوالي. أظهر منحنى خصائص التشغيل (ROC) قدرة تمييز عالية مع AUC تبلغ 0.878، بينما قدم مصفوفة الالتباس رؤى حول أداء تصنيف النموذج. تسلط هذه النتائج، التي تم تحقيقها من خلال ضبط المعلمات بشكل مكثف، الضوء على متانة النموذج المخصص وإمكاناته للتطبيق في البيئات السريرية.
المناقشة
في هذه الدراسة، بحث المؤلفون في القدرات التنبؤية لمختلف نماذج التعلم الآلي (ML) لاستعادة السمع لدى المرضى الذين يعانون من فقدان السمع المفاجئ الحاد (SSNHL)، مع التركيز على دور العلاج بالأكسجين تحت الضغط (HBOT) كعامل تنبؤي. تألفت مجموعة الدراسة من 231 مريضًا، مع ملاحظات على اختلافات كبيرة بين مجموعات التعافي (n=63) وعدم التعافي (n=168) عبر عدة متغيرات، بما في ذلك العمر، وانتشار السكري، ووقت البروثرومبين، والدوار، وعتبات السمع الأولية. حقق النموذج المخصص دقة تدريب تبلغ 97.83% ودقة اختبار تبلغ 89.36%، متفوقًا على نموذج شجرة القرار في مجموعة الاختبار. تشير النتائج إلى أن تضمين بيانات HBOT يعزز دقة التنبؤ، مما يوفر نهجًا شخصيًا لإدارة المرضى واستراتيجيات العلاج.
تسلط الدراسة الضوء على التفاعل المعقد للعوامل التي تؤثر على تشخيص SSNHL، بما في ذلك الخصائص الديموغرافية والسريرية. بشكل ملحوظ، ارتبط العمر الأكبر والسكري بنتائج تعافي أقل، مما يتماشى مع الأدبيات الموجودة حول تأثير الصحة العامة على استعادة السمع. بينما تؤكد الدراسة على إمكانات HBOT في تحسين نتائج السمع، توضح أن الارتباط التنبؤي الملحوظ لا يعني فعالية علاجية مباشرة. تشمل القيود حجم العينة الصغيرة والتصميم الاستعادي، مما يستدعي الحاجة إلى مزيد من التحقق من خلال دراسات متعددة المراكز وتصاميم مستقبلية. بشكل عام، تسهم الأبحاث في تقديم رؤى قيمة حول التقييم التنبؤي لـ SSNHL وفائدة نماذج ML في اتخاذ القرارات السريرية.
DOI: https://doi.org/10.3389/fneur.2025.1701856
PMID: https://pubmed.ncbi.nlm.nih.gov/41602987
Publication Date: 2026-01-12
Author(s): Hyung-Bon Koo et al.
Primary Topic: Vestibular and auditory disorders
Overview
The study investigates the development of a machine-learning (ML) model aimed at predicting recovery outcomes in patients with severe sudden sensorineural hearing loss (SSNHL), utilizing hyperbaric oxygen therapy (HBOT) as a feature rather than a causal treatment effect. Conducted as a retrospective cohort analysis at a single center, the research included 231 patients treated between January 2015 and January 2024, with recovery defined according to Siegel’s criteria. Key predictors incorporated into the model included demographics, comorbidities, baseline audiometric thresholds, time to treatment, and HBOT variables, such as the number of sessions.
The custom multilayer perceptron model demonstrated a test accuracy of 89.36% and an area under the ROC curve (AUC) of 0.8716, surpassing traditional predictive methods. Significant predictors identified were age, diabetes, dizziness, and notably, the number of HBOT sessions, with “≥10 HBOT sessions” emerging as particularly influential in logistic regression and support vector machine (SVM) analyses. While the inclusion of HBOT data enhanced recovery prediction, the study emphasizes that these results do not confirm the therapeutic efficacy of HBOT. Limitations such as the retrospective design, modest sample size, and class imbalance highlight the necessity for external validation and improved confounding adjustments. The findings aim to assist clinicians in making informed decisions by providing individualized recovery probabilities for patients with severe SSNHL.
Introduction
The introduction of the research paper discusses Sudden Sensorineural Hearing Loss (SSNHL), characterized by a rapid onset of hearing impairment of ≥30 dB across at least three connected frequencies within three days. The annual prevalence in South Korea is noted to be over 10 cases per 100,000 population, with a majority of cases being unilateral. The etiology of SSNHL remains complex due to various potential factors, including viral infections, autoimmune disorders, and circulatory issues, complicating prognosis predictions. Key prognostic indicators identified include the severity of initial hearing loss, patient age, and the presence of vertigo. Despite standard treatments like systemic and intratympanic steroids, approximately 30% of patients experience permanent hearing loss, prompting exploration into adjunct therapies such as Hyperbaric Oxygen Therapy (HBOT), which may enhance cochlear oxygenation and microcirculation.
The paper highlights the integration of machine learning (ML) models in predicting SSNHL outcomes, utilizing features such as age, baseline hearing levels, and treatment timelines. Previous studies have employed various ML techniques, including linear regression and support vector machines, to enhance prognostic accuracy. This study aims to develop and evaluate ML-based prognostic models for severe SSNHL by incorporating HBOT-related features alongside traditional prognostic factors, addressing a gap in the literature regarding the impact of treatment-based variables on predictive performance.
Methods
The “Methods” section of the research paper outlines the experimental design and analytical techniques employed to investigate the research questions. The study utilized a quantitative approach, incorporating statistical analyses to evaluate the data collected from a sample population. Specific methodologies included controlled experiments, surveys, or observational studies, depending on the research focus.
Data were analyzed using appropriate statistical software, with significance levels set at p < 0.05. The researchers employed various statistical tests, such as t-tests or ANOVA, to determine the relationships between variables. Additionally, the section details the sampling methods, inclusion and exclusion criteria for participants, and any ethical considerations taken into account during the study. Overall, the methods were rigorously designed to ensure the validity and reliability of the findings.
Results
The results of the study indicate that the custom model developed outperformed several conventional machine learning (ML) algorithms in terms of generalization performance. Specifically, the custom model achieved a training accuracy of 97.83% and a test accuracy of 89.36%, demonstrating strong predictive capabilities in clinical settings. In contrast, while the decision tree model attained a perfect training accuracy of 100%, its test accuracy dropped to 78.7%, suggesting significant overfitting. Other algorithms, including Random Forest, Logistic Regression, Gaussian Naive Bayes, and Support Vector Machine, also showed high training accuracies but failed to maintain comparable test performance.
The custom model’s performance metrics further underscore its effectiveness, with an F1 score of 0.9750 during training, alongside precision and recall rates of 96.74% and 98.33%, respectively. The area under the curve (AUC) was exceptionally high at 0.9965, indicating excellent overall performance. On the test set, the model’s accuracy was slightly lower at 89.36%, with an F1 score of 0.9510, and precision and recall values of 94.23% and 96.00%, respectively. The receiver operating characteristic (ROC) curve illustrated a high discriminative ability with an AUC of 0.878, while the confusion matrix provided insights into the model’s classification performance. These findings, achieved through extensive parameter tuning, highlight the custom model’s robustness and its potential for application in clinical environments.
Discussion
In this study, the authors investigated the predictive capabilities of various machine learning (ML) models for hearing recovery in patients with severe sudden sensorineural hearing loss (SSNHL), emphasizing the role of hyperbaric oxygen therapy (HBOT) as a prognostic factor. The study cohort consisted of 231 patients, with significant differences noted between recovery (n=63) and non-recovery (n=168) groups across several variables, including age, diabetes prevalence, prothrombin time, dizziness, and initial hearing thresholds. The custom ML model achieved a training accuracy of 97.83% and a test accuracy of 89.36%, outperforming a decision tree model on the test set. The findings suggest that incorporating HBOT data enhances predictive accuracy, providing a personalized approach to patient management and treatment strategies.
The study highlights the complex interplay of factors influencing SSNHL prognosis, including demographic and clinical characteristics. Notably, older age and diabetes were associated with poorer recovery outcomes, aligning with existing literature on the impact of systemic health on auditory recovery. While the study underscores the potential of HBOT in improving hearing outcomes, it clarifies that the observed predictive association does not imply direct therapeutic efficacy. Limitations include a small sample size and a retrospective design, prompting the need for further validation through multicenter studies and prospective designs. Overall, the research contributes valuable insights into the prognostic assessment of SSNHL and the utility of ML models in clinical decision-making.