Blutwerte halfen, das Risiko für altersbedingten Hörverlust zu erkennen

Ein Modell auf Basis gewöhnlicher Blutwerte erkannte Erwachsene mit erhöhtem Risiko für altersbedingten Hörverlust – wobei Blutzuckermarker einen Großteil der Vorhersagekraft lieferten.

Altersbedingter Hörverlust ist eine der häufigsten Erkrankungen im späteren Leben – und eine der am stillsten hingenommenen. Viele bemerken ihn erst Jahre nach Beginn, oft erst dann, wenn Gespräche in einem vollen Raum zu echter Anstrengung geworden sind. Bis dahin ist die nötige Umstellung größer, als sie hätte sein müssen.

Genau diese Verzögerung macht die Früherkennung interessant. Ein Team der Chongqing Medical University und des Chongqing General Hospital stellte eine ungewöhnliche Frage: Könnten routinemäßige Blutuntersuchungen, wie sie bereits in Millionen von Krankenakten vorliegen, auf Menschen mit wahrscheinlichem altersbedingtem Hörverlust hinweisen, bevor überhaupt jemand einen Hörtest vereinbart? Ihre in Diagnostics veröffentlichte Antwort lautet: ja, mit Einschränkungen.

Hintergrund: Warum die Forschenden das untersucht haben

Altersbedingter Hörverlust, von Fachleuten Presbyakusis genannt und als ARHL abgekürzt, ist die allmähliche Abnahme des Hörvermögens, die mit dem Altern einhergeht. Er betrifft meist zuerst die hohen Frequenzen. Deshalb verschwimmen Konsonanten vor den Vokalen, und deshalb lautet die frühe Klage so oft, dass die anderen nuscheln – und nicht, dass alles leise ist.

Für eine fundierte Diagnose ist ein Audiogramm nötig, also ein Hörtest unter kontrollierten Bedingungen. Das ist ein gutes Instrument, setzt aber voraus, dass jemand beschließt, sich testen zu lassen. Auf die Bevölkerung bezogen fällt diese Entscheidung spät und oft überhaupt nicht. So bleibt eine große Gruppe von Menschen mit unbehandeltem Hörverlust, ohne dass es irgendwo in ihren Unterlagen einen Hinweis darauf gibt.

Die Idee der Forschenden war, mit bereits vorhandenen Daten zu arbeiten. Routinemäßige Blutbilder werden ständig aus anderen Gründen erstellt. Wenn ARHL in gewöhnlichen Blutwerten eine erkennbare Signatur hinterlässt, könnte man damit große Bevölkerungsgruppen in höheres und niedrigeres Risiko einteilen und diejenigen, die am ehesten profitieren würden, zu einem echten Hörtest lenken. Das ist ein Instrument zur Vorauswahl, keine Diagnose – und diese Unterscheidung zieht sich durch die gesamte Arbeit.

So wurde die Studie durchgeführt

Das Team stellte 542 Teilnehmende aus dem National Health and Nutrition Examination Survey zusammen, der langjährigen amerikanischen Gesundheitserhebung NHANES. Die Stichprobe war als ausgewogenes Fall-Kontroll-Design angelegt: 271 Personen mit altersbedingtem Hörverlust und 271 gesunde Kontrollpersonen. Diese Teilnehmenden wurden anschließend zufällig auf einen Trainingsdatensatz mit der Hälfte der Stichprobe und zwei unabhängige interne Validierungsdatensätze mit jeweils einem Viertel aufgeteilt.

Statt sich auf einen einzigen Modellierungsansatz festzulegen, verglichen die Forschenden systematisch 113 Kombinationen von Machine-Learning-Algorithmen und behielten den leistungsstärksten bei: eine Kombination aus glmBoost und schrittweiser Vorwärtsselektion mit generalisierten linearen Modellen. Anschließend wandten sie eine Methode namens SHAP an, die berechnet, wie stark jede Eingangsgröße zu einer bestimmten Vorhersage beigetragen hat. Genau das meint die Arbeit mit „interpretierbar“: Ziel war ein Modell, dessen Begründung sich nachvollziehen lässt, statt einer Blackbox, die einfach eine Antwort ausgibt.

Ein Modell an derselben Bevölkerung zu testen, mit der es trainiert wurde, lässt es besser aussehen, als es ist. Deshalb führte das Team zusätzlich eine externe Validierung an einer separaten Kohorte von 92 Patienten des Chongqing People's Hospital durch. Schließlich entwickelten die Forschenden ein interaktives Webtool auf Basis des Frameworks R Shiny, damit das Modell für Risikobewertungen in Echtzeit genutzt werden kann und nicht nur in einer Fachzeitschrift existiert.

Was die Forschenden herausgefunden haben

Mit den Trainingsdaten erreichte das Modell eine AUC von 0.948. Die AUC (Fläche unter der Kurve) fasst zusammen, wie gut ein Modell zwei Gruppen voneinander trennt: 0.5 entspricht einem Münzwurf und 1.0 ist perfekt – 0.948 ist also ein starker Wert. In den beiden internen Validierungsdatensätzen blieb das Ergebnis stabil mit Werten von 0.893 und 0.945 bei einer Gesamtgenauigkeit von 86.3 %.

Aussagekräftiger war der externe Test. Bei 92 Patienten aus einem anderen Land und einem anderen Gesundheitssystem sank die Leistung, brach aber nicht ein: Die AUC lag bei 0.839 (95-%-KI 0.750 bis 0.918), die Genauigkeit bei 77.2 %. Ein Rückgang dieser Größenordnung ist normal, wenn ein Modell seine gewohnte Umgebung verlässt, und in gewisser Weise sogar beruhigend: Er deutet darauf hin, dass das Modell etwas über Hörverlust gelernt hat und nicht nur etwas über NHANES.

Das Modell stützte sich schließlich auf neun zentrale Prädiktoren. Die drei mit dem größten Gewicht in der SHAP-Analyse waren glykiertes Hämoglobin (HbA1c), das mittlere korpuskuläre Volumen (MCV) und der Blutzucker. HbA1c misst den durchschnittlichen Blutzucker etwa der vorangegangenen drei Monate, das MCV beschreibt die durchschnittliche Größe der roten Blutkörperchen.

Diese drei Spitzenreiter sind das interessanteste Ergebnis der Arbeit. Zwei der drei wichtigsten Prädiktoren sind Blutzuckerwerte, womit die Stoffwechselgesundheit ins Zentrum der Überlegungen des Modells zum Hören rückt. Die Autoren sehen darin einen Hinweis auf systemische Mechanismen hinter der ARHL: Altersbedingter Hörverlust könnte demnach mit Vorgängen im übrigen Körper verknüpft sein, statt ein rein lokales Problem des Ohrs zu sein.

Man sollte vorsichtig damit sein, was das tatsächlich zeigt. Es handelt sich um Zusammenhänge, die in einem Vorhersagemodell gefunden wurden. Die Studie belegt nicht, dass ein hoher Blutzucker Hörverlust verursacht, und ein Marker kann vorhersagekräftig sein, ohne ursächlich zu sein.

Was das für Menschen mit Hörverlust bedeutet

Niemand sollte aus dieser Studie schließen, dass ein Bluttest zeigen kann, ob er einen Hörverlust hat. Die Autoren betonen ausdrücklich, dass es sich um ein Vorab-Screening-Instrument für große Bevölkerungsgruppen handelt und nicht um einen diagnostischen Test für Einzelne. Ein Audiogramm bleibt der Weg, um herauszufinden, wie es um Ihr Gehör tatsächlich steht.

Worauf sie jedoch hindeutet, ist ein möglicher Wandel in der Art, wie Hörverlust entdeckt wird. Heute wartet das System darauf, dass Menschen selbst etwas bemerken und handeln. Ein Modell wie dieses weist in die entgegengesetzte Richtung: Wahrscheinliche Fälle werden anhand bereits erhobener Daten erkannt, und diese Menschen werden dann zu einem Test eingeladen. Das Spannende ist nicht der Algorithmus, sondern die Umkehr der Frage, wer den ersten Schritt macht.

Es gibt auch eine bescheidene persönliche Erkenntnis. Wenn Stoffwechselmarker so viel Vorhersagekraft haben, gehören Diabetes und Blutzuckerkontrolle in dasselbe Gespräch wie das Hören – und dort ordnen die meisten Menschen sie nicht ein. Und egal, was auf das Risiko hinweist: Der Hinweis ist nur dann etwas wert, wenn der nächste Schritt so einfach ist, dass die Menschen ihn auch tatsächlich gehen.

Ein Risikohinweis hilft nur, wenn ein Test leicht erreichbar ist

Die gesamte Prämisse dieser Studie lautet, dass Hörverlust zu lange ungemessen bleibt. Ein Vorab-Screening-Modell verkleinert diese Lücke von einer Seite, indem es erkennt, wer getestet werden sollte. Die andere Seite der Lücke ist das, was danach passiert – und genau hier verändert ein Test, den Sie selbst durchführen können, die Rechnung.

Da es in dieser Studie im Kern darum geht, Hörverlust früher zu erkennen, sind Geräte mit integriertem Hörtest für dasselbe Problem relevant. Panda Quantum gehört zur Kategorie der Hörgeräte mit Selbst-Hörtest: Sie koppeln es mit der Panda App, die über das Hörgerät selbst einen frequenzspezifischen Test durchführt und Verstärkung sowie Frequenzgang an Ihr Audiogramm anpasst – ähnlich wie bei einer klinischen Anpassung. Panda Air bietet denselben App-basierten Test. Diese App-basierte Personalisierung des Hörens macht aus einem Gerät etwas, das auf Ihr eigenes Gehör abgestimmt ist, statt eines allgemeinen Verstärkers.

Quantum ist ein RIC-Hörgerät (Hörer im Gehörgang) mit 16-Kanal-Verarbeitung und aktiver Geräuschunterdrückung, ausgelegt auf klare Sprache in lauter Umgebung – genau dort, wo sich altersbedingter Hörverlust meist zuerst bemerkbar macht. Es bietet mit dem Ladeetui bis zu 80 Stunden Gesamtlaufzeit, Bluetooth für Anrufe, TV und Musik sowie 5 Jahre Garantie und 45 Tage Rückgaberecht. Ein Vorbehalt sollte im Blick bleiben: OTC-Hörgeräte sind für leichten bis mittelgradigen Hörverlust zugelassen; bei hochgradigem oder an Taubheit grenzendem Hörverlust ist eine klinische Anpassung weiterhin am sinnvollsten.

Mehr dazu erfahren Sie unter pandahearing.com/products/panda-hearing-aids-quantum.

Grenzen dieser Studie

Die Stichprobe ist für diese Art von Untersuchung klein. Insgesamt 542 Teilnehmende, aufgeteilt in Trainings- und Validierungsdatensätze, ergeben in jeder Gruppe nur bescheidene Zahlen, und die externe Validierung beruhte auf lediglich 92 Fällen aus einem einzigen Zentrum – eine Einschränkung, auf die die Autoren selbst hinweisen. Eine externe Kohorte aus nur einem Zentrum prüft die Übertragbarkeit nur schwach, da die Patienten eines Krankenhauses ihre eigenen Besonderheiten mitbringen. Auch das ausgewogene Design mit gleich vielen Fällen und Kontrollen spiegelt nicht wider, wie häufig ARHL in der Allgemeinbevölkerung tatsächlich ist, was beeinflusst, wie sich die Genauigkeitswerte auf ein reales Screening übertragen lassen.

Hinzu kommt ein subtileres Problem. Wer 113 Algorithmuskombinationen vergleicht und den Sieger auswählt, erhält in der Regel zu optimistische Ergebnisse, denn der Beste unter vielen Kandidaten wird zum Teil dafür belohnt, dass er Rauschen abbildet. Die externe Validierung ist die passende Kontrolle dafür, und der Rückgang von 0.948 auf 0.839 entspricht ungefähr dem, was diese Sorge erwarten ließe. Die Autoren positionieren das Modell zudem bewusst als Vorab-Screening-Instrument und nicht als diagnostischen Test für altersgleiche Personen. Im Abstract wurden keine Interessenkonflikte oder Finanzierungsquellen angegeben.

Was Sie daraus mitnehmen können

Verstehen Sie dies als Hinweis auf eine Richtung, nicht als Ergebnis, nach dem Sie persönlich handeln können. Nichts davon ändert, was der Einzelne für sein Gehör tun sollte, und kein Blutbild wird Ihnen sagen, ob Sie Hilfe brauchen, um Ihre Enkel zu verstehen. Es legt aber nahe, dass altersbedingter Hörverlust in gewöhnlichen Gesundheitsdaten sichtbarer sein könnte als bisher angenommen und dass der Blutzucker eine größere Rolle spielt, als die meisten vermuten würden. Sollte sich ein solches Modell irgendwann in der Praxis bewähren, würde Hörverlust früher erkannt – und genau das war schon immer der schwierige Teil.

He D, Liu Y, Ke J, Jiang X, Ma H, Shi Y, Yuan W. Development and Validation of an Interpretable Machine Learning Model Based on Routine Blood Biomarkers: For Predicting Age-Related Hearing Loss. Diagnostics (Basel). 2026;16(13). Abgerufen über PubMed. https://doi.org/10.3390/diagnostics16132025