Maschinelles Lernen könnte den Einsatz der Tympanometrie ausweiten und das Hörscreening für Kinder verbessern

Eine neue Studie, die in der Ausgabe vom 15. Juni von Ear and Hearing veröffentlicht wurde, zeigt, dass ein computergestütztes System, das Smartphone-Technologie nutzt, ungeschulten Personen in ländlichen Gebieten dabei helfen kann, bei Kindern genauer auf Hörprobleme zu untersuchen. Mithilfe eines großen Datensatzes von Ohrmessungen hat ein Forscherteam ein hybrides Deep-Learning-Modell entwickelt, das Tympanogramme – Diagramme der Trommelfellbewegung, die helfen, Probleme wie häufige Mittelohrentzündungen zu erkennen – klassifizieren kann, sodass Laien feststellen können, ob weitere Maßnahmen erforderlich sind. Die Autoren sagen, dies sei die „erste Arbeit, die zeigt, dass automatisierte klinische Entscheidungsunterstützung es Laien ermöglichen kann, in ländlichen unterversorgten Bevölkerungsgruppen Screening-Tympanometrie mit einer Sensitivität ähnlich der eines ausgebildeten Audiologen durchzuführen.“

Hörverlust bei Kindern kann ihre Kommunikations-, Sprach- und Sozialkompetenzen beeinträchtigen, und je früher Kinder Hörhilfe erhalten, desto wahrscheinlicher ist es, dass sie ihr volles Potenzial erreichen. Laut den National Institutes of Health haben etwa 5 von 6 Kindern bis zum Alter von 3 Jahren mindestens eine Ohrenentzündung, und Ohrenentzündungen sind der häufigste Grund, warum Eltern ihr Kind zu einem Arzt bringen. Es gibt mehrere Behandlungswege für Ohrenentzündungen, die von abwartendem Beobachten über Antibiotika bis hin zu Paukenröhrchen reichen, die verhindern, dass sich Flüssigkeit hinter dem Trommelfell ansammelt. Darüber hinaus können Kindern, bei denen Hörprobleme festgestellt wurden, in der Schule Hörverstärkung, spezielle Sitzplätze und andere Vorkehrungen bereitgestellt werden.

Die häufigste Methode, mit der Ärzte auf Probleme im Mittelohr prüfen, besteht darin, das Trommelfell mit einem handgehaltenen Otoskop zu betrachten. Eine weitere, objektivere Methode zur Beurteilung der Mittelohrfunktion ist jedoch die Tympanometrie, bei der Schall und Schwankungen des Luftdrucks genutzt werden, um beispielsweise Flüssigkeit hinter dem Trommelfell, Probleme mit der Funktion der Eustachischen Röhre oder ein Loch im Trommelfell zu erkennen. Leider ist die Tympanometrie aufgrund fehlender Richtlinien für das Screening, der Kosten, der Komplexität und fehlender Unterstützung bei der Entscheidungsfindung für Laien in der Regel nicht Teil von Hörscreeningprogrammen an Schulen, sagen die Studienautoren, die auch Daten veröffentlicht haben über den Prozess des Hörscreenings und der Überweisung im ländlichen Alaska.

Die Studienautoren entwickelten kürzlich ein smartphonebasiertes Tympanometer, das einen wichtigen Schritt hin zu von Laien durchgeführten Hörscreenings darstellen könnte. Die Forscher testeten ihr Machine-Learning-Modell mit Daten, die von diesem smartphonebasierten Gerät erfasst wurden, und es funktionierte gut — was darauf hindeutet, dass das System mit kostengünstigen Geräten in ressourcenarmen Gebieten eingesetzt werden kann.

Obwohl es Studien zum Einsatz von maschinellem Lernen zur Analyse von Bildern aus der Otoskopie gibt, existieren weniger Studien zur automatischen Klassifizierung von Tympanogrammen. Die Forschenden befassten sich auch mit den Herausforderungen beim Einsatz ihres Systems in ressourcenarmen Umgebungen, in denen Rauschen und Artefakte die Ergebnisse negativ beeinflussen können. Es wurde ein Hybridmodell entwickelt, das einen transparenten Entscheidungsbaum mit Deep-Learning-Techniken kombiniert, um das System besser interpretierbar und klinisch relevanter zu machen. Sie sagen, dass dieser Ansatz eine Unsicherheitsschätzung, Robustheit und Flexibilität beim Training des Systems ermöglicht.

Die Studie weist einige Einschränkungen auf, darunter dass der verwendete Datensatz mit nur einer Art kommerzieller Hardware und Software in einer bestimmten ländlichen Population erhoben wurde. Daher sollten zukünftige Forschungen vielfältigere Geräte und Populationen einbeziehen, um die Wirksamkeit des Systems in verschiedenen Szenarien sicherzustellen. Die Studie legt jedoch nahe, dass ungeschulte Personen ein automatisiertes System verwenden können, um bei Kindern mithilfe der Tympanometrie zuverlässig auf Hörprobleme zu untersuchen. Das von den Forschenden entwickelte hybride Deep-Learning-Modell zeigt Potenzial für die Integration einer genauen und erschwinglichen Hörvorsorgeuntersuchung in verschiedene Gemeinschaften, insbesondere in ländliche Gebiete und/oder solche mit begrenzten Ressourcen.

Zu den Forschenden gehörten Felix Jin, Ouwen Huang und Mark Palmeri von Duke University, Sarah Morton, Alyssa Platt, Joseph Egger und Susan Emmett vom Duke Global Health Institute in Durham, NC, sowie Samantha Kleindienst von Norton Sound Health Corporation in Nome, AK, und University of Arkansas for Medical Sciences in Little Rock, Ark. Die Forschung wurde vom Patient-Centered Outcomes Research Institute und durch den Duke Global Health Institute AI Pilot Research Grant finanziert.