从二元判断到个体化预测：机器学习概率评分助力人工耳蜗植入候选筛查

研究亮点

• 基于大型机构登记数据库中的听力学及人口学数据，开发并验证了用于预测人工耳蜗植入（cochlear implantation，CI）候选资格的机器学习模型。
• 机器学习模型可提供个体化的候选概率，有助于开展个体化患者沟通，并突破传统二元判断标准的局限。
• 与传统 60/60 规则相比，机器学习模型表现出相当或更优的敏感度、特异度和校准度，尤其适用于边缘候选者。
• 一个可访问的基于 Web 的平台支持该机器学习概率评分工具在临床中的实际应用。

研究背景

人工耳蜗植入（cochlear implantation，CI）是针对重度感音神经性听力损失患者的一种变革性治疗。传统上，CI 候选资格的判定主要依赖 60/60 标准等二元规则（纯音平均听阈 ≥60 dB HL 且词语识别评分 ≤60%）。此类规则虽简化了临床决策，却可能忽视患者异质性及边缘病例，进而影响个体化咨询与共同决策。机器学习（machine learning，ML）的进展为优化 CI 候选评估提供了机会，可整合连续型临床数据并生成个体化概率评分。此类方法或可识别虽未严格满足二元截断值、但仍可能从植入中获益的候选者，从而回应听力学领域一项重要且尚未满足的临床需求。

研究设计

这项回顾性队列研究分析了来自机构 CI 登记库及 HERMES 数据库的数据，共纳入 1878 例患者、3756 耳。研究目标是构建机器学习模型，用于预测以两项标准定义的 CI 候选资格：（1）单耳辅助 Consonant-Nucleus-Consonant（CNC）词语识别评分 <50%；（2）双耳最佳辅助 AzBio 句子评分 <60%。输入特征包括听力学阈值、词语识别评分及患者年龄。采用三种监督式机器学习分类器——逻辑回归、随机森林和 XGBoost——进行训练，并与传统 60/60 规则进行比较。数据按 80%/20% 划分为训练集和测试集，并通过嵌套 10 折交叉验证进行超参数优化。采用合成少数类过采样技术（Synthetic Minority Oversampling Technique，SMOTE）处理类别不平衡。依据 TRIPOD-AI 指南，使用敏感度、特异度、F1 分数、受试者工作特征曲线下面积（area under the receiver operating characteristic curve，AUROC）及校准曲线评估模型性能，并开发了便于临床应用的用户友好型 Web 平台。

主要结果

在预测 CNC 评分 <50% 时，传统 60/60 规则的 F1 分数略优于机器学习模型（0.83 对 0.77–0.79）。然而，机器学习分类器的敏感度更高（0.80–0.84 对 0.77），提示其对真正阳性病例的识别能力更强；其 AUROC 也始终表现优良（约 0.88–0.89），表明具有稳健的区分能力。对于 AzBio 标准（<60%），机器学习模型在多项指标上均优于 60/60 规则，包括 F1 分数（0.79–0.80 对 0.71）、精确率（0.77–0.78 对 0.68）、特异度（0.86–0.87 对 0.76）以及 AUROC（0.89–0.90）。校准曲线分析证实，机器学习模型提供的是校准良好、具有临床可解释性的概率，而非简单的二元判定。值得注意的是，应用 SMOTE 后，各项性能指标保持稳定，提示模型对类别不平衡具有较强鲁棒性。上述结果表明，机器学习模型不仅保持了预测准确性，还能提供更细致的概率估计，有助于临床判断，尤其适用于听力学特征处于边缘范围的患者。

专家点评

将机器学习整合至人工耳蜗候选资格评估，标志着精准听力学向前迈出的重要一步。该工具超越了非黑即白的规则框架，契合了当前强调个体化照护与共同决策的趋势。尽管仅从原始指标看，机器学习模型并未显著优于既有标准，但其能够生成个体化概率评分，为候选资格讨论增加了重要维度，可能有助于提高患者满意度和治疗结局。值得肯定的是，本研究遵循了 TRIPOD-AI 指南，保证了方法学严谨性和透明度。然而，仍需注意其回顾性设计及对登记库数据的依赖所带来的局限。未来若能开展前瞻性临床验证，并与患者报告结局相结合，或可进一步提升该方法的实用价值。此外，还需在不同临床人群中部署并验证，以确认其泛化能力。

结论

本研究成功开发并验证了基于机器学习的模型，其在预测人工耳蜗植入候选资格方面的表现与传统 60/60 规则相当或更优。更重要的是，这些模型可提供个体化候选概率评分，提升临床咨询的精细化程度，并支持以患者为中心的共同决策。基于 Web 的平台可促进该工具在常规临床环境中的转化应用。未来应通过前瞻性研究评估其对临床结局的影响，并探索其与更广泛的听力学及心理社会因素的整合。总体而言，该研究代表了人工耳蜗植入评估个体化发展的重要进展，并为优化听力损失患者的治疗适应证填补了关键空白。

基金与利益冲突

摘要中未披露原始研究来源、资助细节或利益冲突。需进一步查阅全文以获得完整披露信息。

参考文献

• Shew MA, Jawad M, Pavelchek C, et al. Binary to Personalized: A Novel Machine Learning Probability Score for Cochlear Implant Candidacy. The Laryngoscope. 2026; PMID: 42629619.
• Boisvert I, Félez-Vidal N, Lavigne L, et al. Predicting outcomes of cochlear implantation: The role of machine learning and clinical data. Otol Neurotol. 2022;43(3):e222-e229.
• Kalluri D, Konrad-Martin D, Stelmachowicz P. Advances in Cochlear Implant Candidacy and Outcome Prediction Using Artificial Intelligence. Trends Hear. 2023;27:233121652311573.
• Collins GS, Moons KG. Reporting of artificial intelligence prediction models. Lancet. 2019;393(10181):1577-1579.