Deutsche Gesellschaft für Audiologie - Jahrestagung

Prof. Dr. Dr.

Vorsitz

Audiology in the Age of Large Audio Models

Prof. Dr.

Sitzungsredner

Sitzungsvortrag

Towards combining audiological databases for clinical decision-support: language-independent integration of speech tests

Strukturierte Sitzung

Abstract-Text (inkl. Referenzen und Bildunterschriften) Clinical decision-support systems (CDSS) provide the potential to support experts&quot; decision-making based on the exploitation of big data. For example, a classification integrated in the CDSS can provide a statistical proposition which hearing device a patient would benefit from; or data-driven, unsupervised approaches can characterize patient groups available in the data, showing different profiles of audiological test outcomes and different prevalence. However, a main challenge is to base such a CDSS on international &quot;big data&quot;, since local clinical-audiological databases comprise different audiological tests and test conditions, data structure and formats, expertise of experts, or patient populations. In previous work, e.g., (1), a CDSS for audiology was developed which is based on Common Audiological Functional Parameters (CAFPAs), an abstract parameter layer describing functional aspects of the auditory system, independent from the exact choice of audiological tests. Thereby, the CAFPAs allow integrating different databases, and provide an interpretable representation of the status of the auditory system. However, links from audiological tests to CAFPAs need to be established, and for different tests that are conducted for the same purpose, a common interpretation needs to be available. This is especially relevant for speech tests used for characterizing the listeners speech intelligibility performance. Speech tests are conducted in a variety of settings, with differences in the choice of speech material (words, every-day or Matrix-type sentences), language, or measurement procedure (adaptive vs. different fixed levels) leading to a different interpretation of the results. Therefore, a model-based framework was developed that combines empirical data and model predictions based on the Speech Intelligibility Index (SII) and the Plomp model describing hearing loss by audibility (A) and distortion (D) component. This &quot;hearing loss index&quot; tool allows to describe the &quot;effective hearing loss&quot; of a patient as characterized by one speech test based on relationships and model predictions for different speech tests incorporated in the tool. The development of this concept based on German databases comprising three typical German speech tests (Freiburg Monosyllabic Word Test, Goettingen Sentence Test, German Matrix Test) will be presented, complemented with first steps towards validation of the concept on French data. In future work, the developed hearing loss index will be integrated in the CDSS, either directly or through its integration into CAFPAs. In addition, the development and application of data standards will be important towards integration of audiological databases. Buhl M, Akin G, Saak S, Eysholdt U, Radeloff A, Kollmeier B &amp; Hildebrandt A (2022). Expert validation of prediction models for a clinical decision-support system in audiology. Frontiers in Neurology, 13, 960012. Available from: https://doi.org/10.3389/fneur.2022.960012

Analyse von klinisch-audiologischen Datenbanken mittels KI

Abstract-Text (inkl. Referenzen und Bildunterschriften) Durch den langjährigen Einsatz von Computeraudiometern liegen in vielen Einrichtungen umfangreiche audiologische Datensätze vor, deren Auswertung neue Erkenntnisse liefern können. Auf der anderen Seite bereiten solche Datensätze große Probleme, da Systematik der Erhebung durch klinische Gegebenheiten bestimmt war. Für die Analyse müssen diese Daten jedoch aufbereitet werden. Fehlende Messwerte sind insofern problematisch, da das Fehlen zufällig sein kann, aber auch durch die Ergebnisse anderer Messungen entbehrlich sein könnten. Z.B. wird ein sehr schlechtes Tonaudiogramm evtl. dazu führen, dass ein Sprachaudiogramm gar nicht gemessen wurde. Somit existiert kein Messwert für die Sprachverständlichkeit, da diese mit 0 &quot;bewertet&quot; wurde. Für die Beurteilung von Hörschwellen außerhalb des Messbereichs ist es erforderlich, die frequenzabhängigen Maximalpegel der Wandler zu kennen, die substantiell variieren können. Daher muss bei der Imputation der fehlenden Daten besondere Sorgfalt gelegt werden und alle Ergebnisse vor diesem Hintergrund betrachtet werden. Dieser als Datenbereinigung bezeichnete Schritt ist besonders wichtig und kann die Interpretation der Ergebnisse deutlich beeinflussen. Die existierenden Verfahren, die heute unter KI-Verfahren oder maschinelles Lernen bezeichnet werden, sind vielfältig und können bei der Auswertung größerer Datenbanken einen wichtigen Beitrag liefern. Ein Beispiel hierfür ist die auf Entscheidungsbäumen beruhende Analyse mittels Random Forest, das sich für die Klassifikationsaufgaben und für Regressionsaufgaben eignet. Für die Analyse wurden vollständige Datensätze für erwachsene Patienten in unserer Einrichtung analysiert, bei denen zwischen 2002 und 2020 ein Ton- und Sprachaudiogramm durchgeführt wurde und vollständige Datensätze vorlagen. Nach einer weiteren Datenbereinigung lagen für 19.801 Ohren vollständige ton- und sprachaudiometrische Datensätze vor. Es wurde für unterschiedliche Sprachverstehenswerte (max. Einsilberverstehen, Einsilberverstehen bei 65 dB, Pegel des maximalen Sprachverstehens (dBopt)) die Abhängigkeit von den Tonhörschwellen bei 0,5 bis 8 kHz und dem Lebensalter der Patienten mittels generalisierten linearen Modellen (GLM) und Random Forest Regression (RFR) analysiert. Es zeigte für alle Sprachverstehensparameter Parameter eine starke Abhängigkeit vom Tonhörverlust. Zusätzlich wurde für Gruppen identischen Hörverlustes noch das Lebensalter als (negative) Einflussgröße identifiziert. IM GLM zeigte sich hier modellbedingt eine nahezu lineare Abnahme mit dem Lebensalter. In der RFR Analyse wurden außerdem besonders starke Effekte in der vierten und fünften Lebensdekade festgestellt. Zusammenfassend erlaubt die RFR Analyse eine parameterfreie datengestützte Darstellung des Alterseffektes. Aufgrund des retrospektiven Designs sind die Zusammenhänge insgesamt mit Zurückhaltung zu interpretieren. Die gefunden Ergebnisse müssten noch durch prospektive Studien untersucht werden.

ML-Ansätze zur Klassifizierung von CI-Patienten

Abstract-Text (inkl. Referenzen und Bildunterschriften) In den letzten Jahren haben sich die Indikationskriterien für Cochlea-Implantate (CI) deutlich erweitert. Gemäß dem Weißbuch zur Cochlea-Implantat-Versorgung der Deutschen Gesellschaft für Hals-Nasen-Ohren-Heilkunde liegt die Schwelle für eine Implantation bei einem Einsilberverstehen von 50% (65 dB mit Hörgerät) und für eine geplante EAS-Versorgung (elektrisch-akustische Stimulation) sogar bei 60%. Kandidaten in diesem Grenzbereich zögern oft mit der Entscheidung zur Implantation, da unklar ist, ob die Operation eine merkliche Verbesserung der Hörleistung bewirkt. Daher ist die Entwicklung präziser Vorhersagetools für die postoperative Leistung von CI von großer Bedeutung. Die CI-Datenbank der Medizinischen Hochschule Hannover umfasst retrospektive Daten von 7300 Patienten mit 10500 Cochlea-Implantationen. Die Datensätze enthalten epidemiologische Faktoren, gerätespezifische Informationen, operationsbezogene Daten (z.B. Insertionstiefe), Einstellparameter sowie umfassende präoperative Audiometrie- und longitudinale Ergebnisdaten mit Cochlea-Implantat. Aus diesem Bestand wurden 2200 geeignete Datensätze für ein maschinelles Lernsystem ausgewählt. Wir setzten ein Entscheidungsbaummodell ein – einen strukturierten, baumförmigen Algorithmus, der Daten nach bestimmten Kriterien aufteilt, um Vorhersagen zu treffen. Der Prozess beinhaltete umfassende Datenanalyse und k-fache Kreuzvalidierung, um möglichst präzise und interpretierbare Vorhersagen auf Basis eines umfangreichen Datenpools zu gewährleisten. Die Zielvariable war das postoperative Einsilbertestergebnis ein Jahr nach der Implantation. Die aktuelle Modellinstanz zeigt einen mittleren absoluten Fehler von 18,9 % (Standardabweichung=13,8 %) bei der Vorhersage der Einsilberergebnisse für das Validierungsset und aktuelle Testdaten. Das System zeigt großes Potenzial, maschinelles Lernen zur Verbesserung der Patientenversorgung einzusetzen. Die neuesten Ergebnisse werden auf der Tagung präsentiert.

Auf dem Weg zu interoperablen und FAIRen Datensätzen in der Audiologie

Abstract-Text (inkl. Referenzen und Bildunterschriften) Die Digitalisierung in der medizinischen Versorgung und Forschung führt zu einem enormen Zuwachs an besser zugänglichen Daten. Diese Datensätze haben oft einen großen Wert, der über ihren primären Zweck der Erfassung hinausgeht. Die Wiederverwendung, Verknüpfung und Kombination von Daten könnten dabei helfen, neue Erkenntnisse zu gewinnen, neue Modelle zu formen und neue Algorithmen zu entwickeln. Dies gilt insbesondere für die Datennutzung in großen Forschungsnetzen und -projekten, bei denen die Forschenden voneinander profitieren wollen, wie z. B. im Exzellenzcluster Hearing4all. Die Nutzbarmachung der auch in der audiologischen Forschung primär heterogenen, disparaten und komplexen &quot;Big-Data-Silos&quot; ist jedoch eine Herausforderung. Der "Multiple Use of Data" im vorgenannten Sinne ist nur dann erfolgreich, wenn eine qualitativ hochwertige Datenverwaltung und -verwaltung eingerichtet wird. Aus diesem Grund wurden die FAIR-Prinzipien als Leitlinien eingeführt, um (Forschungs-)Daten auffindbar, zugänglich, interoperabel und wiederverwendbar zu machen und so den Datenaustausch sowie die Datenzusammenführung zu fördern. Dabei ist die Interoperabilität - also die Fähigkeit von Anwendungen, Informationen zielgerichtet auszutauschen und einheitlich zu verstehen - ein Schlüsselaspekt. Zur Erleichterung der Interoperabilität gibt es verschiedene Standards im Gesundheitswesen, wie HL7 FHIR und openEHR. OpenEHR ist eine offene Standardspezifikation für elektronische Gesundheitsakten und kann für den Aufbau einer offenen Gesundheitsdatenplattform verwendet werden. OpenEHR gewährleistet dabei nicht nur Interoperabilität, sondern ist auch nahezu vollständig mit allen anderen FAIR-Grundsätzen kompatibel. In diesem Vortrag wird die FAIRness des openEHR-Standards beleuchtet und ein möglicher Weg zu interoperablen und FAIRen Datensätzen in der Audiologie aufgezeigt.

Open EHR für die Audiologie: Europäische Perspektive

Abstract-Text (inkl. Referenzen und Bildunterschriften) Während die FAIR-Prinzipien in vielen Bereichen der Medizin zu großen Fortschritten bei der Nutzung sehr großer Mengen von an Patienten gewonnenen Daten geführt haben, die einen leichten Zugriff von Methoden des maschinellen Lernens ermöglichen, hinkt die Audiologie hinterher: Obwohl in lokalen audiologischen Zentren und einschlägigen Kliniken die meisten audiologischen Daten digital gespeichert sind, nutzt jede Klinik und jeder Hersteller von Diagnostik-Geräten einen eigenen Datenstandard, das zu vielen Kompatibitäts- und Zugänglichkeits-Einschränkungen auch bei Nutzung der eigenen Daten führt. Hier bietet die in den vorhergehenden Beiträgen (Buhl, Büchner, Wulff) eingeführte Open EHR (Electonic Health Record)- Initiative eine große Chance für die Audiologie in Deutschland und Europa. In diesem Beitrag werden einerseits die verschiedenen Handlungsstränge auf lokaler Ebene (z.B. Exzellenzcluster Hearing4All Odenburg/Hannover), nationaler Ebene (z.B. DGA Diskussionssitzungen) und europäischer Ebene (EFAS Working group) zur Etablierung dieses Standards vorgestellt. Andererseits soll exemplarisch dargestellt werden, welche Fortschritte in der Audiologie aufgrund der Verfügbarkeit großer, einheitlich formatierter Datensätze erzielbar sind, z.B. - Auditorisches Profil: Klassifikation ähnlicher audiologischer Fälle in wenige, charakteristische Kategorien, die einerseits repräsentativ für möglichst viele Fälle sind, andererseits möglichst den gesamten Datenraum überdecken. Von den rein gemäß des Audiogramms charakterisierten Bisgaard-Profilen wird z.B. in den Arbeiten von Saak et al. (2022, 2023) ebenso die Lautheitswahrnehmung (Recruitment) und das Sprachverstehen im Störschall (SRT) in insgesamt 13 distinkten Profilen berücksichtigt. - Phänotyp-Genotyp-Korrelation: Die zunehmende Verfügbarkeit von Informationen über mögliche Genvariationen, die zu Schwerhörigkeit führen, erweitern zwar die Diagnostik und Prädiktion von Schwerhörigkeitsverläufen sowie die Ansatzpunkte möglicher Gentherapien deutlich. Ihre Weiterentwicklung, erfordert aber eine genaue Charakterisierung (audiologische Phänotypisierung) einer möglichst großen Gruppe von Patienten, deren Genotyp und Phänotyp umso besser korreliert werden kann, je mehr Daten von Phäno- und Genotyp verfügbar sind. Im laufenden Presage-Projekt (Paris – Oldenburg) wird dieser Ansatz in Richtung auf frühzeitigen altersbedingen Hörverlust betrieben. - Behandlungsempfehlung und Vorhersage des Nutzens einer technischen Hörhilfe (Hörgerät oder CI): Hier stehen einerseits statistische Verfahren zur Verfügung (s. Beitrag Buhl und Büchner), andererseits ermöglichen Verarbeitungsmodelle (u.a. durch Einsatz von Maschinellem Lernen) hier eine ab-initio-Vorhersage des möglichen Benefits z.B. einer Hörgeräte-Versorgung. Die Überprüfung der zugrundeliegenden Modellannahmen und Parameter sowie die Validierung der Vorhersagen für die klinische Präxi benötigt eine umfangreiche und valide Datenbasis.

Strukturierte Sitzung 2
AI und Big Data in der Audiologie

Termin

Vorsitz

Programm

Strukturierte Sitzung 2AI und Big Data in der Audiologie

Termin

Vorsitz

Programm

Strukturierte Sitzung 2
AI und Big Data in der Audiologie