DOI: https://doi.org/10.3389/fneur.2025.1741302
PMID: https://pubmed.ncbi.nlm.nih.gov/41602968
تاريخ النشر: 2026-01-12
المؤلف: Chenguang Zhang وآخرون
الموضوع الرئيسي: السمع، القوقعة، الطنين، الوراثة
نظرة عامة
هدفت الدراسة إلى تحليل العوامل النفسية والسريرية المرتبطة بالطنين السريري المهم (درجة THI ≥38) لدى المرضى الذين يعانون من فقدان السمع وتطوير نماذج تنبؤية باستخدام أربعة خوارزميات تعلم آلي (ML): الانحدار اللوجستي (LR)، الغابة العشوائية (RF)، تعزيز التدرج المتطرف (XGBoost)، وآلة الدعم الناقل (SVM). تم جمع البيانات من المرضى الذين زاروا قسم الأنف والأذن والحنجرة في جامعة تشينغهاي بين أغسطس 2024 ومايو 2025، مع تحديد المتغيرات التنبؤية الرئيسية من خلال التحليل الأحادي المتغير، والانحدار LASSO، وخوارزمية بوروتا.
أشارت النتائج إلى أن نموذج RF تفوق على الخوارزميات الأخرى، حيث حقق منطقة تحت منحنى التشغيل (AUC) قدرها 0.973 في مجموعة التدريب و0.977 في مجموعة التحقق. كما أظهر نموذج RF أعلى دقة (0.923)، وحساسية (0.929)، ونوعية (0.914)، ودقة (0.945)، ودرجة F1 (0.937) في مجموعة التحقق. تشمل المتنبئات الرئيسية التي تم تحديدها شدة فقدان السمع، والعمر، واضطراب النوم، مما يبرز أهمية كل من العوامل السمعية والنفسية في تقييم خطر الطنين السريري المهم. تشير النتائج إلى أن نموذج RF هو أداة قيمة للتعرف المبكر واستراتيجيات التدخل الفردية للمرضى المعرضين للخطر.
مقدمة
تتناول مقدمة ورقة البحث الطنين، وهو حالة سمعية شائعة تتميز بإدراك الصوت دون مصدر خارجي، تؤثر على حوالي 10-15% من البالغين على مستوى العالم. تزداد نسبة انتشار الطنين مع تقدم العمر، حيث تؤثر على 9-14% من الأفراد في منتصف العمر وترتفع إلى حوالي 24% لدى من هم فوق 65 عامًا. بينما تكون العديد من الحالات خفيفة، يعاني 1-2% من السكان من طنين شديد يؤثر بشكل كبير على جودة الحياة، مما يترجم إلى أكثر من 740 مليون فرد متأثر على مستوى العالم. يرتبط الطنين ارتباطًا وثيقًا بفقدان السمع، وخاصة العجز السمعي الحسي العصبي، حيث تشير الدراسات إلى وجود تداخل بنسبة ~80% بين الطنين المزمن والعجز السمعي القابل للقياس. ومع ذلك، لا يتطور الطنين لدى جميع الأفراد الذين يعانون من فقدان السمع، مما يشير إلى أن عوامل إضافية تؤثر على القابلية والشدة.
تشير الأبحاث الجينية الحديثة إلى أن الطنين له علم أمراض مميز يتضمن تأثيرات جينية وأنماط نشاط دماغي فريدة، منفصلة عن فقدان السمع. يُعترف بالطنين كاضطراب متعدد التخصصات يشمل مكونات سمعية ومعرفية وعاطفية. يرتبط عدد كبير من الأدبيات الطنين بالاضطرابات النفسية المصاحبة، مع معدلات مرتفعة من القلق والاكتئاب واضطرابات النوم المبلغ عنها بين مرضى الطنين. على سبيل المثال، وجدت دراسة وطنية أن 25.6% من مرضى الطنين عانوا من اكتئاب سريري مهم، مقارنة بـ 9.1% من أولئك الذين لا يعانون من الطنين. تسلط المقدمة الضوء على العلاقة الدورية بين الطنين وهذه الحالات المصاحبة، حيث يؤدي الطنين المستمر إلى تفاقم الضيق العاطفي واضطراب النوم، مما يؤثر بشكل أكبر على الرفاهية. تهدف الدراسة إلى استخدام خوارزميات التعلم الآلي لتطوير نماذج تنبؤية للطنين السريري المهم لدى المرضى الذين يعانون من فقدان السمع، مما يسهل التعرف المبكر والتدخلات الشخصية.
الطرق
في هذه الدراسة، تم إجراء تحليلات إحصائية باستخدام برنامج R (الإصدار 4.3.2) على مجموعة بيانات تضم 301 مريض يعانون من فقدان السمع. تم تقسيم مجموعة البيانات إلى مجموعة تدريب (80%) ومجموعة تحقق (20%) لتسهيل تطوير وتقييم النماذج التنبؤية. تم الإبلاغ عن المتغيرات المستمرة كمتوسط ± انحراف معياري (SD) أو وسيلة مع نطاق ربعي (IQR)، بينما تم تلخيص المتغيرات الفئوية كتواتر ونسب. استخدمت مقارنات المجموعات اختبار t أو اختبار مان-ويتني U للمتغيرات المستمرة واختبار كاي-تربيع أو اختبار فيشر الدقيق للمتغيرات الفئوية.
لتحديد المتنبئات المهمة وتقليل الإفراط في التكيف، استخدمت الدراسة الانحدار LASSO جنبًا إلى جنب مع خوارزمية بوروتا، وهي طريقة اختيار ميزات تعتمد على الغابة العشوائية. تم اشتقاق مجموعة الميزات النهائية من اتحاد المتغيرات التي تم تحديدها بواسطة كلا الطريقتين. تم استخدام أربعة خوارزميات تعلم آلي مشرف عليها—الانحدار اللوجستي (LR)، الغابة العشوائية (RF)، تعزيز التدرج المتطرف (XGBoost)، وآلة الدعم الناقل (SVM)—لبناء نماذج تنبؤية للطنين السريري المهم لدى المرضى الذين يعانون من فقدان السمع. تم تقييم أداء النموذج باستخدام المنطقة تحت منحنى التشغيل (AUC)، مع تطبيق اختبار دي لونغ لمقارنات AUC. تم حساب مقاييس الأداء الإضافية، بما في ذلك الدقة، والحساسية، والنوعية، والدقة، والاسترجاع، ودرجة F1. تم استخدام خوارزمية الشرح الإضافي لشابلي (SHAP) لتفسير النموذج الأفضل أداءً، مما يوفر رؤى حول مساهمة واتجاه كل متنبئ، مع تحديد عتبة دلالة عند p < 0.05 (ذو جانبين).
النتائج
حددت نتائج عملية فرز المتغيرات باستخدام الانحدار LASSO تسعة متغيرات تنبؤية: العمر، ارتفاع ضغط الدم، اضطراب النوم، القلق، شدة فقدان السمع، جانب السمع، الاكتئاب، تاريخ التعرض للأدوية السامة للأذن، وتاريخ التعرض للضوضاء. كما قامت خوارزمية بوروتا بالتحقق من صحة ثلاثة من هذه المتغيرات—العمر، اضطراب النوم، وشدة فقدان السمع—كمتنبئات مستقرة وهامة.
في النهاية، أدت دمج النتائج من كلا الطريقتين إلى اختيار نفس المتغيرات التسعة لبناء النموذج اللاحق، كما هو موضح في الشكلين 1 و2. تؤكد هذه المقاربة الشاملة على أهمية هذه العوامل في سياق أهداف الدراسة.
المناقشة
في هذه الدراسة، طور المؤلفون وصادقوا على نماذج متعددة من تعلم الآلة (ML)، بما في ذلك الغابة العشوائية (RF)، XGBoost، آلة الدعم الناقل (SVM)، والانحدار اللوجستي (LR)، للتنبؤ بالطنين السريري المهم لدى المرضى الذين يعانون من فقدان السمع. تم تحليل مجموعة من 301 مريض، مما كشف أن شدة فقدان السمع الأكبر، إلى جانب الحالات المصاحبة مثل اضطرابات النوم، والقلق، والاكتئاب، كانت متنبئات هامة لشدة الطنين. تفوق نموذج RF على الخوارزميات الأخرى، محققًا أعلى قيم لمنطقة تحت المنحنى (AUC) وأظهر أداءً تنبؤيًا قويًا عبر مجموعتي التدريب والتحقق.
تؤكد النتائج على الطبيعة متعددة العوامل لشدة الطنين، مما يبرز أهمية دمج كل من العوامل السمعية والنفسية في تقييم المخاطر. تقترح الدراسة أن أساليب ML يمكن أن تعزز اتخاذ القرار السريري من خلال تحديد المرضى ذوي المخاطر العالية الذين قد يستفيدون من التدخلات المبكرة، مثل الدعم النفسي أو العلاجات الصوتية. تسهم هذه الأبحاث في الفهم المتطور للطنين كاضطراب يتأثر بشبكات عصبية أوسع تتجاوز النظام السمعي، مما يبرز الحاجة إلى نهج شامل في إدارته. بشكل عام، يمثل تطبيق ML في هذا السياق تقدمًا واعدًا نحو الطب الشخصي في رعاية الطنين.
القيود
تقدم الدراسة عدة قيود تؤثر على نتائجها وقابليتها للتطبيق. أولاً، يحد التصميم الرجعي والمركز الواحد من تعميم النموذج، حيث تم تطويره ضمن مجموعة سكانية محددة دون تحقق خارجي، مما يثير القلق بشأن أدائه في مجموعات متنوعة. لتعزيز القوة، يجب أن تشمل الأبحاث المستقبلية بيانات متعددة المراكز وجهود تحقق خارجية. ثانيًا، تحد الطبيعة المقطعية للتحليل من القدرة على استخلاص استنتاجات سببية وملاحظة الاتجاهات طويلة الأجل؛ الدراسات الطولية ضرورية لاستكشاف العلاقات الزمنية بين عوامل مثل الاكتئاب، وجودة النوم، وتفاقم الطنين.
بالإضافة إلى ذلك، قد يؤدي الاعتماد على مقاييس ذاتية للإبلاغ عن المتغيرات الرئيسية، بما في ذلك اضطراب النوم والصحة النفسية، إلى إدخال تحيز. يجب أن تستخدم التحقيقات المستقبلية تقييمات موضوعية، مثل قياسات النشاط، أو تخطيط النوم، أو تقييمات نفسية منظمة، جنبًا إلى جنب مع علامات بيولوجية مثل هرمونات الإجهاد أو التصوير العصبي. قد يحد حجم العينة النسبي الصغير أيضًا من تعقيد النموذج، مما يشير إلى أن مجموعات البيانات الأكبر يمكن أن تسهل تطبيق تقنيات التعلم المتقدم أو العميق لتحسين الدقة التنبؤية. أخيرًا، بينما يحدد النموذج الارتباطات، لم يتم التحقق بعد من فائدته السريرية، مما يتطلب دراسات تنفيذية مستقبلية لتقييم فعاليته في التعرف المبكر وإدارة المرضى المعرضين لخطر الطنين الشديد.
DOI: https://doi.org/10.3389/fneur.2025.1741302
PMID: https://pubmed.ncbi.nlm.nih.gov/41602968
Publication Date: 2026-01-12
Author(s): Chenguang Zhang et al.
Primary Topic: Hearing, Cochlea, Tinnitus, Genetics
Overview
The study aimed to analyze psychological and clinical factors associated with clinically significant tinnitus (THI score ≥38) in patients with hearing loss and to develop predictive models using four machine learning (ML) algorithms: logistic regression (LR), random forest (RF), extreme gradient boosting (XGBoost), and support vector machine (SVM). Data were collected from patients visiting the Department of Otolaryngology at Qinghai University between August 2024 and May 2025, with key predictive variables identified through univariate analysis, LASSO regression, and the Boruta algorithm.
Results indicated that the RF model outperformed the other algorithms, achieving an area under the receiver operating characteristic curve (AUC) of 0.973 in the training set and 0.977 in the validation set. The RF model also demonstrated the highest accuracy (0.923), sensitivity (0.929), specificity (0.914), precision (0.945), and F1-score (0.937) in the validation set. Key predictors identified included hearing loss severity, age, and sleep disorder, highlighting the importance of both auditory and psychological factors in assessing the risk of clinically significant tinnitus. The findings suggest that the RF model is a valuable tool for early identification and individualized intervention strategies for patients at risk.
Introduction
The introduction of the research paper addresses tinnitus, a prevalent auditory condition characterized by the perception of sound without an external source, affecting approximately 10-15% of adults globally. The prevalence of tinnitus increases with age, impacting 9-14% of middle-aged individuals and rising to about 24% in those over 65. While many cases are mild, 1-2% of the population experiences severe tinnitus that significantly impairs quality of life, translating to over 740 million individuals affected worldwide. Tinnitus is closely linked to hearing loss, particularly sensorineural impairments, with studies indicating an ~80% overlap between chronic tinnitus and measurable hearing deficits. However, not all individuals with hearing loss develop tinnitus, suggesting that additional factors influence susceptibility and severity.
Recent genetic research indicates that tinnitus has a distinct pathophysiology that includes genetic influences and unique brain activity patterns, separate from hearing loss. Tinnitus is recognized as a cross-disciplinary disorder involving auditory, cognitive, and emotional components. A significant body of literature connects tinnitus with psychological comorbidities, with elevated rates of anxiety, depression, and sleep disturbances reported among tinnitus sufferers. For instance, a national survey found that 25.6% of tinnitus patients experienced clinically significant depression, compared to 9.1% of those without tinnitus. The introduction highlights the cyclical relationship between tinnitus and these comorbid conditions, where persistent tinnitus exacerbates emotional distress and sleep disruption, further impacting well-being. The study aims to utilize machine learning algorithms to develop predictive models for clinically significant tinnitus in patients with hearing loss, facilitating early identification and personalized interventions.
Methods
In this study, statistical analyses were conducted using R software (version 4.3.2) on a dataset comprising 301 patients with hearing loss. The dataset was split into a training set (80%) and a validation set (20%) to facilitate the development and evaluation of predictive models. Continuous variables were reported as mean ± standard deviation (SD) or median with interquartile range (IQR), while categorical variables were summarized as frequencies and percentages. Group comparisons utilized the t-test or Mann-Whitney U test for continuous variables and the chi-square or Fisher’s exact test for categorical variables.
To identify significant predictors and mitigate overfitting, the study employed the least absolute shrinkage and selection operator (LASSO) regression alongside the Boruta algorithm, a random-forest-based feature selection method. The final feature set was derived from the union of variables identified by both methods. Four supervised machine learning algorithms—logistic regression (LR), random forest (RF), extreme gradient boosting (XGBoost), and support vector machine (SVM)—were utilized to construct predictive models for clinically significant tinnitus in patients with hearing loss. Model performance was assessed using the area under the receiver operating characteristic curve (AUC), with DeLong’s test applied for AUC comparisons. Additional performance metrics, including accuracy, sensitivity, specificity, precision, recall, and F1-score, were calculated. The Shapley additive explanations (SHAP) algorithm was used to interpret the best-performing model, providing insights into the contribution and direction of each predictor, with a significance threshold set at p < 0.05 (two-sided).
Results
The results of the variable screening process using LASSO regression identified nine predictive variables: age, hypertension, sleep disorder, anxiety, severity of hearing loss, hearing side, depression, history of ototoxic drug exposure, and history of noise exposure. The Boruta algorithm further validated three of these variables—age, sleep disorder, and severity of hearing loss—as stable and significant predictors.
Ultimately, the integration of findings from both methods led to the selection of the same nine variables for subsequent model construction, as illustrated in Figures 1 and 2. This comprehensive approach underscores the importance of these factors in the context of the study’s objectives.
Discussion
In this study, the authors developed and validated multiple machine learning (ML) models, including Random Forest (RF), XGBoost, Support Vector Machine (SVM), and Logistic Regression (LR), to predict clinically significant tinnitus in patients with hearing loss. A cohort of 301 patients was analyzed, revealing that greater hearing loss severity, along with comorbid conditions such as sleep disturbances, anxiety, and depression, were significant predictors of tinnitus severity. The RF model outperformed the other algorithms, achieving the highest area under the curve (AUC) values and demonstrating robust predictive performance across both training and validation datasets.
The findings underscore the multifactorial nature of tinnitus severity, highlighting the importance of integrating both auditory and psychological factors in risk assessment. The study suggests that ML approaches can enhance clinical decision-making by identifying high-risk patients who may benefit from early interventions, such as psychological support or sound therapies. This research contributes to the evolving understanding of tinnitus as a disorder influenced by broader neural networks beyond the auditory system, emphasizing the need for a holistic approach in its management. Overall, the application of ML in this context represents a promising advancement toward personalized medicine in tinnitus care.
Limitations
The study presents several limitations that affect its findings and applicability. Firstly, the retrospective and single-center design restricts the generalizability of the model, as it was developed within a specific population without external validation, raising concerns about its performance in diverse cohorts. To enhance robustness, future research should involve multi-center data and external validation efforts. Secondly, the cross-sectional nature of the analysis limits the ability to draw causal inferences and observe long-term trends; longitudinal studies are necessary to explore the temporal relationships between factors such as depression, sleep quality, and tinnitus exacerbation.
Additionally, the reliance on self-reported measures for key variables, including sleep disturbance and mental health, may introduce bias. Future investigations should utilize objective assessments, such as actigraphy, polysomnography, or structured psychiatric evaluations, alongside biological markers like stress hormones or neuroimaging. The relatively small sample size may also restrict the complexity of the model, suggesting that larger datasets could facilitate the application of advanced or deep learning techniques to improve predictive accuracy. Lastly, while the model identifies associations, its clinical utility has yet to be validated, necessitating prospective implementation studies to assess its effectiveness in the early identification and management of patients at high risk for severe tinnitus.