Neue Ansätze verbinden Hörforschung mit künstlicher Intelligenz, um die Kompensation durch Hörgeräte individuell auf die einzelnen Hörenden und reale akustische Umgebungen abzustimmen.

Hörgeräte haben Hörverlust für Millionen Menschen von einer unsichtbaren Barriere in eine beherrschbare Erkrankung verwandelt. Doch trotz jahrzehntelanger Innovation funktionieren sie noch immer nicht bei allen gleich gut. Manche setzen sie ein und vergessen, dass sie sie tragen. Andere kämpfen mit Hintergrundgeräuschen, empfinden Musik als verzerrt oder haben das Gefühl, dass das Gerät gegen ihr Ohr arbeitet, statt es zu unterstützen. Der Grund dafür ist weder Gleichgültigkeit noch schlechtes Hörgerätedesign, sondern eine grundlegende Herausforderung: Hörverlust ist äußerst heterogen. Keine zwei Ohren verlieren Klang auf genau dieselbe Weise, und kein einzelnes Regelwerk für die Verstärkung passt zu allen Hörsituationen.

Bis vor Kurzem optimierten Ingenieure Hörgeräte mit einem begrenzten Werkzeugkasten: Sie stellten ein, wie laut Klänge werden, reduzierten Hintergrundgeräusche mit räumlichen Filtern, komprimierten den Dynamikbereich – und das war es. Diese Komponenten arbeiteten isoliert, jede verfolgte ihr eigenes Ziel und kam den anderen mitunter in die Quere. Aber was wäre, wenn ein Hörgerät lernen könnte? Was wäre, wenn es sich nicht nur an die Person anpassen könnte, die es trägt, sondern in Echtzeit auch an die akustische Szene, die sich um sie herum entfaltet?

Hintergrund: Warum die herkömmliche Optimierung von Hörgeräten an ihre Grenzen stößt

Die klassische Hörgeräteanpassung beruht auf einer einfachen Formel: Man misst den Hörverlust einer Person und verstärkt den Klang dann nach einer standardisierten Verordnungsformel. Dieser Ansatz funktioniert, weil er grundlegenden Prinzipien der Audiologie folgt. Standardisierte Formeln können jedoch nicht berücksichtigen, dass Hörverlust nicht gleichmäßig über alle Frequenzen auftritt und dass tote Regionen im Innenohr nicht nur die Lautheit verringern, sondern auch verzerren, wie Menschen Tonhöhe, zeitliche Abläufe und die räumliche Position von Geräuschen wahrnehmen. Über die Hörbarkeit hinaus verursacht Hörverlust das, was Forschende „überschwellige Defizite“ nennen: Probleme, die selbst dann bestehen bleiben, wenn ein Klang laut genug ist, um gehört zu werden.

Kommt die Komplexität des Alltags hinzu, vervielfacht sich die Herausforderung. Ein Mensch bewegt sich womöglich an einem einzigen Tag durch ein ruhiges Homeoffice, ein lautes Restaurant, ein fahrendes Auto und das Wohnzimmer eines Freundes. Jede akustische Umgebung verlangt andere Prioritäten. Herkömmliche Hörgeräte versuchten, dies mit einer kleinen Anzahl voreingestellter Programme zu bewältigen, doch dieser stufenweise Ansatz übersieht Abstufungen und Übergänge.

So wurde die Studie durchgeführt

Es handelt sich um einen umfassenden Übersichtsartikel, der zwei wichtige Ansätze untersucht, die Forschende und Ingenieure entwickelt haben, um über eine Einheitslösung bei der Hörgerätekompensation hinauszugehen. Die Autoren Torsten Dau und Tobias May von Dänemarks führender Einrichtung für Hörforschung fassen Erkenntnisse aus Signalverarbeitung, Audiologie und maschinellem Lernen zusammen. So zeichnen sie ein Bild davon, was heute möglich ist und wo die praktische Umsetzung noch hinter den Erwartungen zurückbleibt.

Der erste Ansatz nutzt die Erkennung akustischer Szenen: Das Hörgerät „hört“ seine akustische Umgebung ab und passt seine Verarbeitungsstrategie an das an, was es erkennt. Indem es die Szene klassifiziert, kann das Gerät im laufenden Betrieb zwischen optimierten Signalverarbeitungsprofilen wechseln. Der zweite Ansatz geht einen grundlegenderen Weg und nutzt Gehörmodelle als Optimierungsziel. Statt einzelne Komponenten getrennt nachzujustieren, zielen diese Strategien darauf ab, den Unterschied zwischen der Wahrnehmung eines Klangs durch ein normal hörendes Ohr und durch ein geschädigtes Ohr – unter Berücksichtigung der Kompensation durch das Hörgerät – so klein wie möglich zu halten. Maschinelles Lernen beschleunigt beide Ansätze: Das Hörgerät kann aus Beispielen lernen und nicht offensichtliche Kompensationsstrategien entdecken.

Was die Forschenden herausgefunden haben

Sowohl szenenbasierte als auch auf Gehörmodellen beruhende Ansätze sind wirklich vielversprechend. Szenenbasierte Systeme können die Sprachverständlichkeit im Störgeräusch verbessern und den Hörkomfort an verschiedene Umgebungen anpassen, ohne dass Nutzer manuell das Programm wechseln müssen. Weiß ein Hörgerät, dass Sie die sprechende Person ansehen, kann es deren Stimme bevorzugen. Erkennt es eine Autohupe, kann es plötzliche laute Geräusche dämpfen.

Strategien auf Basis von Gehörmodellen versprechen etwas anderes: ein prinzipientreues, physikalisch fundiertes Optimierungsziel. Dieser Ansatz ist besonders wertvoll, um komplexe Hörverlustmuster zu verstehen, bei denen einfache Regeln versagen. Maschinelles Lernen beschleunigt beide Ansätze.

Die Übersicht dokumentiert jedoch auch anhaltende Herausforderungen. Viele vorgeschlagene Systeme funktionieren im Labor unter kontrollierten Bedingungen gut, scheitern aber in der realen Welt, wo die Rechenleistung begrenzt ist und sich die Bedürfnisse der Nutzer von Minute zu Minute ändern. Wechselseitige Kommunikation und die Erkennung von Gesichtsausdrücken, die für die Verständigung entscheidend sind, werden oft übersehen. Die Übersicht kommt zu dem Schluss, dass es nach wie vor eine große technische und wissenschaftliche Herausforderung ist, das volle Potenzial unter realen Bedingungen in Echtzeit auszuschöpfen.

Was das für Menschen mit Hörverlust bedeutet

Diese Forschung ist wichtig, weil sie zeigt, wohin sich die Hörgerätetechnik entwickelt: hin zu Personalisierung und Anpassung an den Alltag. Die Frustration, die viele Menschen mit herkömmlichen Hörgeräten erleben, rührt oft nicht von der Technik selbst her, sondern von ihrer mangelnden Flexibilität. Ein Gerät, das in der ruhigen Praxis eines Audiologen angepasst wurde, mag sich dort perfekt anfühlen – und dann in den lauten Umgebungen, in denen Menschen tatsächlich ihre Zeit verbringen, zur Belastung werden. Mit der Weiterentwicklung von maschinellem Lernen und Gehörmodellen können Hörgeräte beginnen, diese Diskrepanz zu beheben, indem sie sich selbstständig anpassen.

Wenn Sie heute über Hörgeräte nachdenken, bedeutet das: Achten Sie auf Geräte, die maschinelles Lernen, adaptive Geräuschunterdrückung und eine Bluetooth-Verbindung für Rückmeldungen aus dem Alltag bieten. Ein Hörgerät, das sich auf Grundlage seiner tatsächlichen Nutzung weiterentwickeln kann, bietet womöglich ein ganz anderes Erlebnis als eines mit festen, voreingestellten Programmen.

Was der Aufstieg intelligenter Hörgerätetechnik für eine bessere Leistung bedeutet

Die Übersicht der dänischen Forschenden weist auf eine Zukunft hin, in der Hörgeräte keine einmalig angepassten Geräte mehr sind, sondern lernende Systeme, die auf das individuelle Ohr und reale akustische Bedingungen zugeschnitten sind. Genau diese Art von Innovation sollte die Kategorie der OTC-Hörgeräte ermöglichen: intelligente, adaptive Technik, die in der Hörforschung verankert bleibt. Panda Quantum verkörpert dieses Prinzip mit seiner 16-Kanal-Architektur, einer von Gehörmodellen inspirierten Abstimmung und einer Bluetooth-Verbindung für adaptive Rückmeldungen. Zum Gerät gehören ein klinisch abgestimmter, 10-minütiger Online-Hörtest, eine intelligente 12-Band-Geräuschunterdrückung sowie Bluetooth für Telefonate, TV und Musik. Mit bis zu 80 Stunden Akkulaufzeit pro Ladezyklus können Nutzer mit dem Panda Quantum erleben, wie Optimierung durch maschinelles Lernen in ihrer eigenen akustischen Welt funktioniert. Für Menschen, die das intelligente, adaptive Hörgeräteerlebnis suchen, das diese Forschung voranbringt, ist Panda Quantum ein praktischer Einstieg in diese Zukunft.

Grenzen dieser Studie

Es handelt sich um einen Übersichtsartikel, der Ergebnisse verschiedener Forschungsgruppen zusammenfasst. Einige der beschriebenen Systeme sind noch Gegenstand aktiver Forschung und keine ausgereiften Umsetzungen. Die Übersicht liefert für keinen der Ansätze Daten aus klinischen Studien. Es wurden keine finanziellen Interessenkonflikte angegeben.

Was bleibt

Die Wissenschaft bewegt sich auf Hörgeräte zu, die mitdenken, sich anpassen und personalisieren. Die Lücke zwischen Laborprototypen und realen Umsetzungen wird kleiner. Wer heute Hörgeräte vergleicht, kann sich bei der Wahl der Prioritäten daran orientieren, dass maschinelles Lernen ein aktives Entwicklungsfeld ist.

Dau T, May T. Acoustic Scene-Aware Processing and Auditory Model-Based Compensation Strategies. Journal of the Association for Research in Otolaryngology: JARO. 2026 April 9. Abgerufen von PubMed. DOI: https://doi.org/10.1007/s10162-026-01043-1