血液検査マーカーは加齢に伴う難聴のリスクを検出するのに役立ちました

通常の血液検査の結果から構築されたモデルは、血糖マーカーが予測作業の多くを担っており、加齢に伴う難聴のリスクが高い成人を特定しました。

加齢に伴う難聴は、晩年によく見られる症状の 1 つであり、最も黙認されるものの 1 つです。人々は、会話が始まってから何年も経ってからそれに気づく傾向があり、多くの場合、混雑した部屋での会話が本当に大変なものになってからです。その時点で、調整は必要以上に大きくなります。

この遅れこそが、早期の識別を興味深いものにしているのです。重慶医科大学と重慶総合病院を拠点とするチームは、珍しい質問をした。すでに何百万もの医療記録に残っている種類の日常的な血液検査は、聴力検査を予約する前に、加齢に伴う難聴の可能性が高い人を特定できるのだろうか? 『Diagnostics』に掲載された彼らの答えは、条件付きで「はい」です。

背景: 研究者がこれに着目した理由

臨床医が老人性難聴と呼び、ARHL と略称する加齢性難聴は、加齢に伴って徐々に聴力が低下することです。通常、最初に高周波が使われます。これが、母音よりも前に子音がぼやけてしまう理由であり、初期の苦情が非常に頻繁に発生し、物事が静かであるというよりも人々がぶつぶつ言っている理由です。

適切に診断するには、管理された環境で実施される聴力検査であるオージオグラムが必要です。それは素晴らしいツールですが、それは誰かが検査を受けに行くかどうかにかかっています。人口全体としては、その決定が下されるのが遅く、しばしばまったく決定されないため、多くの人々が難聴を治療されておらず、記録にフラグが残されていません。

研究者のアイデアは、すでに存在するデータを操作することでした。定期的な血液パネルは他の理由で定期的に収集されます。 ARHL が通常の血液マーカーに検出可能なサインを残している場合、そのサインを使用して大規模な集団を高リスクと低リスクに分類し、実際の聴力検査の恩恵を受ける可能性が最も高い人々を示すことができる可能性があります。これは診断ではなく事前スクリーニングツールであり、この区別は論文全体に貫かれています。

研究の実施方法

チームは、NHANES として知られる長期にわたるアメリカの健康調査である国民健康栄養調査調査から 542 の参加者を集めました。このサンプルは、271 人の加齢性難聴患者と 271 人の健康な対照者というバランスの取れた症例対照設計として構築されました。次に、これらの参加者は、サンプルの半分を含むトレーニング セットと、それぞれ 4 分の 1 ずつの 2 つの独立した内部検証セットにランダムに分割されました。

研究者らは、1 つのモデリング アプローチに固執するのではなく、機械学習アルゴリズムの 113 の組み合わせを系統的に比較し、最も優れたパフォーマンスを発揮する glmBoost と順方向段階的一般化線形モデリングの組み合わせを維持しました。次に、SHAP と呼ばれる手法を適用し、各入力が特定の予測にどれだけ寄与したかを計算しました。このステップは、この論文で「解釈可能」という言葉が意味するものです。目標は、単に答えを出力するブラック ボックスではなく、推論を検査できるモデルでした。

モデルを訓練したのと同じ母集団でモデルをテストすることはお世辞なので、チームは重慶人民病院の92患者の別のコホートに対して外部検証も実行しました。最後に、R Shiny フレームワークを使用してインタラクティブな Web ツールを構築したため、モデルはジャーナル内にのみ存在するのではなく、リアルタイムのリスク評価に使用できるようになりました。

研究者が発見したもの

トレーニング データでは、モデルは 0.948 の AUC に達しました。 AUC (曲線下面積) は、モデルが 2 つのグループをどの程度分離しているかを要約します。0.5 はコイン投げで、1.0 は完璧であるため、0.948 は強力です。 2 つの内部検証セット全体で、0.893 と 0.945 のスコアを保持し、全体的な精度は 86.3% でした。

より意味のあるテストは外部テストでした。別の国および別の医療制度からの 92 患者に移動したところ、パフォーマンスは低下しましたが、AUC は 0.839 (95% CI 0.750 から 0.918)、精度は 77.2% でした。モデルが家を出るときにそのサイズが小さくなるのは正常であり、ある意味安心できます。これは、モデルが NHANES について何かを学んだのではなく、難聴について何かを学んだことを示唆しています。

モデルは 9 つの主要な予測特徴に落ち着きました。 SHAP 分析で最も重要視された 3 つは、糖化ヘモグロビン (HbA1c)、平均赤血球体積 (MCV)、血糖値でした。 HbA1c は、およそ過去 3 か月間の平均血糖値の測定値であり、MCV は赤血球の平均サイズを表します。

この上位 3 つは、この論文の中で最も興味深い結果です。 3 つの主要な予測因子のうち 2 つは血糖値の測定値であり、代謝の健康が聴覚に関するモデルの推論の中心に置かれています。著者らはこれをARHLの背後にある全身メカニズムのヒントとして提示しており、加齢に伴う難聴は純粋に耳の局所的な問題ではなく、体の他の部分で起こっていることが絡み合っている可能性があることを意味している。

これが何を示しているかには注意する価値があります。これらは、予測モデルで見つかった関連性です。この研究では、高血糖が難聴を引き起こすことは証明されておらず、マーカーは因果関係がなくても予測できる可能性がある。

難聴を持つ人にとってそれが何を意味するか

誰もこの研究を読んで、血液検査によって難聴があるかどうかがわかると結論付けてはなりません。著者らは、これが個人の診断テストではなく、多数の集団を対象とした事前スクリーニングツールであり、聴力図が実際の聴力の状態を知る手段であることに変わりはないと明言しています。

これが示唆しているのは、難聴の発見方法の変化です。現在、システムは人々が気づいて行動するのを待っています。このようなモデルは、その逆を指しています。つまり、すでに収集されたデータから可能性の高い症例を特定し、それらの人々を検査に招待します。興味深いのはアルゴリズムではなく、誰が最初の一歩を踏み出すかという逆転です。

ささやかな個人的な教訓もあります。代謝マーカーがこれほど多くの予測的重要性を持っているのであれば、糖尿病と血糖コントロールは聴覚と同じ話題に属することになりますが、聴覚はほとんどの人が報告する対象ではありません。そして、リスクを示すものが何であれ、そのフラグに価値があるのは、次のステップが人々が実際に実行できるほど簡単である場合に限られます。

報告リスクは、テストに簡単にアクセスできる場合にのみ役立ちます

この研究の全体的な前提は、難聴が長期間測定されないままであるということです。事前スクリーニングモデルは、誰を検査すべきかを特定することで、一端からギャップを狭めます。ギャップのもう一方の端で次に何が起こるかというと、そこは自分で受けられるテストによって算数が変わることになります。

この研究は基本的に難聴を早期に特定することを目的としているため、独自の聴力チェックを行うデバイスは同じ問題に関連します。 Panda Quantum は自己聴力テスト補聴器のカテゴリに属します。Panda アプリとペアリングすると、補聴器自体を通じて周波数固有のテストが実行され、臨床フィッティングの方法で聴力図に対するゲインと周波数応答がプログラムされます。 Panda Air には、同じアプリベースのテストが含まれています。アプリベースの聴覚のパーソナライゼーションにより、デバイスが一般的なアンプではなく、自分の聴覚に合わせたものに変わります。

Quantum は、16 チャネル処理とアクティブ ノイズ リダクションを備えたカナル型受信機で、通常、加齢に伴う難聴が最初に現れる騒音環境での明瞭な音声を目的としています。ケースを含めると合計で最大 80 時間のバッテリーが持続し、通話、テレビ、音楽は Bluetooth 時間使用でき、5 年間の保証と 45 日間の返品保証が付いています。注意すべき点が 1 つあります。OTC 補聴器は軽度から中等度の難聴に対して承認されており、重度または重度の難聴の場合でも臨床フィッティングが最も効果的です。

詳細については、以下をご覧ください。 pandahearing.com/products/panda-hearing-aids-quantum.

この研究の限界

この種の研究ではサンプルが少ないです。合計 542 人の参加者をトレーニング セットと検証セットに分けても、それぞれの参加者数は控えめであり、外部検証は 1 つのセンターからの 92 件のみに基づいており、これは著者ら自身が制限であると警告しています。単一施設の外部コホートでは、1 つの病院の患者には独自の癖があるため、移植性のテストは弱くしか行われません。また、症例数と対照数が等しいバランスの取れた設計は、一般集団におけるARHLの実際の頻度を反映しておらず、精度の数値が実際のスクリーニングにどのように変換されるかに影響を与えます。

さらに微妙な問題もあります。 113 アルゴリズムの組み合わせを比較し、勝者を選択することは、多くの候補のうち最良の候補がノイズのフィッティングに対して部分的に報われるため、楽観的な結果が得られる傾向にある手順です。外部検証はそれに対する適切なチェックであり、0.948 から 0.839 への低下は、おおよそその懸念が予測するものです。著者らは、このモデルを年齢が一致する個人の診断テストではなく、事前スクリーニングツールとして位置づけることにも注意を払っています。要約には、競合する利益や資金源は記載されていません。

これをどうするか

これは、個人的に行動できる結果ではなく、方向性についての信号として扱ってください。ここでは、個人が聴覚に関して何をすべきかを変えるものは何もありません。また、孫の聴覚について助けが必要かどうかを血液検査が教えてくれるわけでもありません。この研究が示唆しているのは、加齢に伴う難聴は通常の健康データにおいて誰もが想像しているよりも顕著に表れている可能性があり、血糖値はほとんどの人が推測しているよりもその原因に近いということです。このようなモデルが最終的に実用化されれば、難聴が早期に発見されるという効果が得られるでしょうが、これが常に難しい点です。

He D、Liu Y、Ke J、Jiang X、Ma H、Shi Y、Yuan W. 日常的な血液バイオマーカーに基づく解釈可能な機械学習モデルの開発と検証: 加齢に伴う難聴の予測用。ダイアグノスティックス（バーゼル）。 2026;16(13)。 PubMed から取得。 https://doi.org/10.3390/diagnostics16132025