In den letzten Jahren haben sich die Indikationskriterien für Cochlea-Implantate (CI) deutlich erweitert. Gemäß Weißbuch zur CI-Versorgung der DGHNO liegt die Schwelle für eine Implantation bei einem Einsilberverstehen von 50% (65 dB mit Hörgerät) und für eine geplante EAS-Versorgung (elektrisch-akustische Stimulation) 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 MHH umfasst retrospektive Daten von 8700 Patienten mit 12600 Cochlea-Implantationen. Die Datensätze enthalten epidemiologische Faktoren, gerätespezifische Informationen, operationsbezogene Daten (z.B. Insertionstiefe), Einstellparameter sowie umfassende präoperative Audiometrie- und longitudinale Ergebnisdaten mit CI. 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 Daten. Das System zeigt großes Potenzial, maschinelles Lernen zur Verbesserung der Patientenversorgung einzusetzen.

Nein