Hurtigere Høreprøver med Ny AI-Teknologi

Høretab er en udbredt tilstand, der påvirker millioner af mennesker verden over. Det er ikke blot et spørgsmål om ikke at kunne høre klart; ubehandlet høretab er forbundet med en række alvorlige helbredsproblemer, herunder kognitiv tilbagegang, demens og hjerte-kar-sygdomme. Derfor er nøjagtige og effektive høreprøver afgørende for at diagnosticere og behandle høreproblemer korrekt. Traditionelt set har disse tests, især dem der måler taleforståelse, været tidskrævende og udmattende for både patienten og audiologen. Men en ny teknologisk udvikling, der anvender kunstig intelligens, lover at revolutionere processen ved at gøre den hurtigere, mere præcis og mindre anstrengende.

Forståelse af Høreprøver: Fra Rene Toner til Tale

For at værdsætte denne nye innovation er det vigtigt først at forstå de to grundlæggende typer af høreprøver, som audiologer anvender: ren-tone audiometri og taleaudiometri.

Hvad er Ren-Tone Audiometri (PTA)?

Den mest almindelige høreprøve er ren-tone audiometri (PTA). Denne test har til formål at finde de svageste lyde, en person kan høre ved forskellige frekvenser eller 'toner'. Under testen sidder patienten i en lydisoleret kabine med hovedtelefoner på og bliver bedt om at trykke på en knap, hver gang de hører en 'pip'-lyd. Audiologen afspiller rene toner ved specifikke frekvenser (typisk fra 250 Hz til 8000 Hz) ved varierende lydstyrker. Processen for at finde tærsklen for hver frekvens er systematisk: Hvis patienten hører tonen, sænkes lydstyrken med 10 decibel (dB). Hvis de ikke hører den, hæves den med 5 dB. Dette fortsætter, indtil den laveste lydstyrke, hvor patienten kan høre tonen mindst 50% af gangene, er fundet. Disse laveste niveauer kaldes ren-tone tærskler (Pure Tone Thresholds, PTTs) og kortlægges på et audiogram, der giver et detaljeret billede af personens hørefølsomhed.

Vigtigheden af Taleaudiometri og SRT

Selvom det er vigtigt at vide, hvilke toner en person kan høre, er det endnu vigtigere at vurdere deres evne til at forstå tale. Det er her, taleaudiometri kommer ind i billedet. En central del af denne test er bestemmelsen af talemodtagelsestærsklen (SRT). SRT-testen måler det laveste lydniveau, hvor en person korrekt kan genkende og gentage 50% af de præsenterede ord. Dette er afgørende for at vurdere, hvordan et høretab påvirker kommunikation i hverdagen og for at validere resultaterne fra PTA-testen.

Den Traditionelle SRT-Test: En Udmattende Proces

Proceduren for en SRT-test involverer en gentagen 'lyt og gentag'-proces. Patienten lytter til en liste af ord, der afspilles ved en bestemt lydstyrke, og skal gentage dem. Men hvor starter audiologen? Det indledende lydniveau er afgørende for, hvor lang og trættende testen bliver.

Den nuværende standardmetode er at beregne et gennemsnit af ren-tone tærsklerne (Pure Tone Average, PTAv) for at bestemme startniveauet. Der findes forskellige formler til dette, som typisk tager gennemsnittet af tærsklerne ved 500 Hz, 1000 Hz og 2000 Hz, da disse frekvenser er mest afgørende for taleforståelse.

Problemet er, at denne metode er en simpel, lineær beregning. Den tager ikke højde for de komplekse, ikke-lineære sammenhænge mellem, hvordan vi opfatter rene toner, og hvordan hjernen bearbejder tale. Resultatet er, at startniveauet ofte er langt fra den endelige SRT-værdi. Dette fører til en lang række justeringer – lydstyrken skrues op eller ned i trin – og patienten skal lytte til mange ordlister. Denne gentagne proces kan føre til træthed, nedsat koncentration og frustration, hvilket i sidste ende kan kompromittere testens pålidelighed.

Machine Learning: En Intelligent Løsning

Forskere har nu foreslået en ny og mere intelligent tilgang ved hjælp af machine learning. I stedet for at bruge et simpelt gennemsnit har de udviklet en model baseret på et Convolutional Neural Network (CNN), en type kunstig intelligens, der er særligt god til at genkende mønstre i data.

Tænk på modellen som en super-audiolog, der har analyseret tusindvis af høreprøver. Ved at se på en patients komplette sæt af seks ren-tone tærskler (fra 250 Hz til 8000 Hz), kan CNN-modellen lære de komplekse mønstre og sammenhænge, der findes mellem en persons PTT-resultater og deres faktiske SRT-værdi. Modellen kan identificere subtile relationer, som en simpel gennemsnitsberegning helt overser. Målet er at forudsige et startniveau for SRT-testen, der er meget tættere på den endelige, korrekte værdi.

Imponerende Resultater og Praktiske Fordele

Resultaterne fra den nye machine learning-tilgang er bemærkelsesværdige. Ved at sammenligne forudsigelserne fra CNN-modellen med de traditionelle PTAv-metoder på tusindvis af patientdata, fandt forskerne en markant forbedring. Den gennemsnitlige fejl – altså forskellen mellem det forudsagte startniveau og den faktiske SRT-værdi – blev reduceret med op til 37,92% sammenlignet med den mest almindelige traditionelle metode.

Sammenligning af Metoder

For at illustrere forskellen kan vi se på den gennemsnitlige fejl (Mean Absolute Error, MAE) for de forskellige metoder. En lavere værdi betyder en mere præcis forudsigelse.

Hvad betyder dette i praksis? En reduktion i fejlen fra 4.76 dB til 2.96 dB betyder, at audiologen starter meget tættere på målet. Dette reducerer antallet af nødvendige justeringer og gentagelser markant. For patienten betyder det:

• Mindre testtid: Hele høreprøven kan gennemføres hurtigere.
• Reduceret træthed: En kortere og mere effektiv test er mindre anstrengende, især for ældre patienter eller personer med koncentrationsbesvær.
• Øget pålidelighed: Når patienten er mere frisk og fokuseret, bliver testresultaterne mere nøjagtige og pålidelige.
• Bedre patientoplevelse: En smidigere proces fjerner frustration og gør oplevelsen på høreklinikken mere positiv.

Fremtiden for Audiologi er Intelligent

Denne anvendelse af AI er mere end blot en teoretisk øvelse; det er et lovende skridt mod en mere effektiv og patientvenlig audiologisk praksis. Ved at automatisere og optimere dele af testprocessen kan audiologer frigøre mere tid til at fokusere på det, der er vigtigst: rådgivning og personlig behandling af patienten. Potentialet stopper ikke ved SRT-testen. Lignende machine learning-modeller kan i fremtiden bruges til at forbedre andre høretest, såsom måling af det mest behagelige lytteniveau (Most Comfortable Level, MCL) eller ordgenkendelsesscore (Word Recognition Score, WRS). Teknologien åbner døren for en ny æra inden for hørepleje, hvor præcision, effektivitet og patientens velvære går hånd i hånd.

Ofte Stillede Spørgsmål

Hvad er en ren-tone tærskel (PTT) helt præcist?

En ren-tone tærskel er det absolut svageste lydniveau (målt i decibel, dB) af en ren tone ved en bestemt frekvens, som en person er i stand til at opfatte. En fuld høreprøve måler disse tærskler for en række forskellige frekvenser for hvert øre.

Hvorfor er talemodtagelsestærsklen (SRT) vigtig?

SRT er vigtig, fordi den giver et mål for, hvordan en persons høretab påvirker deres evne til at forstå tale i stille omgivelser. Den bruges til at bekræfte resultaterne fra ren-tone testen og er en fundamental del af vurderingen for tilpasning af høreapparater.

Er denne nye AI-metode allerede i brug på klinikker?

Indtil videre er dette en forskningsbaseret tilgang, der har vist sig meget lovende. Implementering i klinisk praksis kræver integration i audiologisk udstyr og software, men resultaterne tyder stærkt på, at det kan blive en standardprocedure i fremtiden.

Vil AI erstatte audiologer?

Nej, tværtimod. Værktøjer som dette er designet til at assistere audiologer, ikke erstatte dem. Ved at gøre de rutinemæssige dele af høreprøven hurtigere og mere præcise, giver AI audiologen mere tid til patientinteraktion, tolkning af komplekse resultater og udvikling af personlige behandlingsplaner.