혈액 검사 마커는 연령 관련 청력 손실 위험을 표시하는 데 도움이 됩니다.

일반적인 혈액 검사 결과를 바탕으로 구축된 모델은 성인의 연령 관련 청력 상실 위험이 더 높은 것으로 식별했으며 혈당 지표가 대부분의 예측 작업을 수행합니다.

연령 관련 청력 상실은 노년기의 가장 흔한 질환 중 하나이며 가장 조용하게 견딜 수 있는 질환 중 하나입니다. 사람들은 대화가 시작된 지 몇 년이 지나서 그것을 알아차리는 경향이 있으며, 종종 바쁜 방에서의 대화가 정말 힘든 일이 되고 나면 그 사실을 알아차리는 경향이 있습니다. 그때까지 조정은 필요한 것보다 더 큽니다.

이러한 지연이 조기 식별을 흥미롭게 만드는 이유입니다. 충칭 의과대학과 충칭 종합병원에 본부를 둔 팀은 특이한 질문을 했습니다. 이미 수백만 개의 의료 기록에 있는 것과 같은 일상적인 혈액 검사를 통해 청력 검사를 예약하기 전에 연령 관련 청력 상실이 있을 가능성이 있는 사람을 표시할 수 있습니까? Diagnostics에 게재된 그들의 대답은 '예'입니다.

배경: 연구원들이 이것을 본 이유

임상의가 노인성 난청이라고 부르고 ARHL로 줄여 부르는 연령 관련 청력 상실은 노화에 수반되는 청력의 점진적인 감소입니다. 일반적으로 고주파수를 먼저 사용하기 때문에 모음이 발생하기 전에 자음이 흐려지고 초기 불만이 너무 자주 사람들이 조용하기보다는 중얼거리는 이유가 됩니다.

이를 올바르게 진단하려면 통제된 환경에서 실시되는 청력 검사인 청력도가 필요합니다. 그것은 훌륭한 도구이지만, 가서 테스트를 받기로 결정하는 사람에 따라 다릅니다. 인구 전반에 걸쳐 그러한 결정은 늦게 이루어지고 전혀 이루어지지 않는 경우가 많습니다. 이로 인해 많은 사람들이 치료되지 않은 청력 상실을 겪고 기록에 아무런 표시도 남지 않게 됩니다.

연구원의 아이디어는 이미 존재하는 데이터를 사용하여 작업하는 것이었습니다. 정기적인 혈액 패널은 다른 이유로 지속적으로 수집됩니다. ARHL이 일반 혈액 표지에 감지 가능한 서명을 남기면 해당 서명을 사용하여 대규모 인구를 위험도가 높은 것과 낮은 것으로 분류하여 실제 청력 테스트에 가장 도움이 될 가능성이 가장 높은 사람들을 가리킬 수 있습니다. 이는 진단이 아닌 사전 선별 도구이며, 그 구별은 논문 전체에 걸쳐 적용됩니다.

연구 수행 방법

팀은 NHANES로 알려진 오랫동안 진행된 미국 건강 조사인 국민 건강 및 영양 조사 조사에서 542명의 참가자를 모았습니다. 샘플은 균형 잡힌 사례 대조 설계로 구축되었습니다: 271 연령 관련 청력 손실이 있는 사람과 271 건강한 대조. 그런 다음 해당 참가자는 샘플의 절반과 각각 1/4로 구성된 두 개의 독립적인 내부 검증 세트를 포함하는 훈련 세트로 무작위로 분할되었습니다.

연구원들은 하나의 모델링 접근 방식을 고수하는 대신 기계 학습 알고리즘의 113 조합을 체계적으로 비교하고 glmBoost와 전단계 일반화 선형 모델링의 조합인 최고의 성능을 유지했습니다. 그런 다음 각 입력이 주어진 예측에 얼마나 기여했는지 계산하는 SHAP라는 방법을 적용했습니다. 이 단계는 논문에서 "해석 가능"으로 의미하는 것입니다. 목표는 단순히 답변을 내보내는 블랙박스가 아니라 추론을 검사할 수 있는 모델이었습니다.

훈련한 동일한 모집단에 대해 모델을 테스트하면 결과가 더 좋아지므로 팀은 충칭 인민병원의 별도 92 환자 집단에 대해서도 외부 검증을 실행했습니다. 마지막으로 그들은 R Shiny 프레임워크를 사용하여 대화형 웹 도구를 구축하여 저널에만 머무르지 않고 실시간 위험 평가에 모델을 사용할 수 있었습니다.

연구원들이 발견한 것

훈련 데이터에서 모델은 0.948의 AUC에 도달했습니다. AUC(곡선 아래 영역)는 모델이 두 그룹을 얼마나 잘 구분하는지 요약합니다. 0.5은 동전 던지기이고 1.0는 완벽하므로 0.948이 강력합니다. 두 개의 내부 검증 세트에서 0.893 및 0.945의 점수를 매겼으며 전체 정확도는 86.3%입니다.

더 의미 있는 테스트는 외부 테스트였습니다. 다른 국가 및 다른 의료 시스템의 92 환자로 이동하면 성능이 저하되었지만 붕괴되지 않았으며 AUC는 0.839(95% CI 0.750 ~ 0.918) 및 정확도였습니다. 77.2%. 모델이 집을 떠날 때 그 크기가 감소하는 것은 정상이며 어떤 의미에서는 안심이 됩니다. 이는 모델이 NHANES에 관한 것보다는 청력 상실에 대해 배운 것을 암시합니다.

이 모델은 9가지 주요 예측 특성을 확정했습니다. SHAP 분석에서 가장 큰 비중을 차지한 세 가지는 당화혈색소(HbA1c), 평균 적혈구 부피(MCV) 및 혈당이었습니다. HbA1c는 대략 이전 3개월 동안의 평균 혈당을 측정한 것이며, MCV는 적혈구의 평균 크기를 나타냅니다.

상위 3개가 논문에서 가장 흥미로운 결과입니다. 세 가지 주요 예측변수 중 두 가지는 혈당 측정값으로, 청력에 대한 모델 추론의 중심에 대사 건강을 둡니다. 저자는 이것을 ARHL 뒤에 있는 체계적 메커니즘에 대한 힌트로 제시하며, 이는 연령 관련 청력 상실이 귀의 순전히 국소적인 문제가 아니라 신체의 나머지 부분에서 일어나는 일과 얽힐 수 있음을 의미합니다.

이것이 보여주는 내용에 주의할 필요가 있습니다. 이는 예측 모델에서 발견되는 연관성입니다. 이 연구에서는 고혈당이 청력 상실을 유발한다는 사실을 입증하지 못했으며, 지표는 인과 관계 없이 예측할 수 있습니다.

청력 손실이 있는 사람들에게 의미하는 것

누구도 이 연구를 읽고 혈액 검사를 통해 청력 상실 여부를 알 수 있다고 결론을 내려서는 안 됩니다. 저자는 이것이 개인을 위한 진단 테스트가 아니라 대규모 인구를 위한 사전 선별 도구이며 청력도가 실제로 청력이 무엇을 하는지 알아내는 방법으로 남아 있음을 명시적으로 밝혔습니다.

이것이 암시하는 것은 청력 손실이 발견되는 방식의 변화입니다. 오늘날 시스템은 사람들이 알아차리고 행동하기를 기다립니다. 이와 같은 모델은 이미 수집된 데이터에서 가능성 있는 사례를 식별한 다음 해당 사람들을 테스트하도록 초대하는 반대 방향을 가리킵니다. 흥미로운 부분은 알고리즘이 아니라 누가 첫 발을 내딛는가의 반전이다.

적당한 수준의 개인 테이크아웃도 있습니다. 대사 지표가 이렇게 많은 예측력을 갖고 있다면 당뇨병과 혈당 조절은 청력과 동일한 대화에 속하지만 대부분의 사람들은 이를 기록하지 않습니다. 위험을 표시하는 것이 무엇이든 그 깃발은 사람들이 실제로 취할 수 있을 만큼 다음 단계가 쉬운 경우에만 가치가 있습니다.

위험 신고는 테스트에 도달하기 쉬운 경우에만 도움이 됩니다.

이 연구의 전체 전제는 청력 손실이 너무 오랫동안 측정되지 않는다는 것입니다. 사전 선별 모델은 테스트 대상자를 식별하여 한쪽 끝에서 격차를 줄입니다. 격차의 다른 쪽 끝은 다음에 일어나는 일이며, 여기서 스스로 치를 수 있는 테스트가 산술을 변경합니다.

이 연구는 기본적으로 청력 손실을 조기에 식별하는 것에 관한 것이므로 자체 청력 검사를 수행하는 장치도 동일한 문제와 관련이 있습니다. Panda Quantum은 자가 청력 테스트 보청기 카테고리에 속합니다. Panda 앱과 페어링하면 보청기 자체를 통해 주파수별 테스트를 실행하고 임상 피팅 방식으로 청력도에 대한 이득 및 주파수 응답을 프로그램합니다. Panda Air에는 동일한 앱 기반 테스트가 포함되어 있습니다. 앱 기반 청력 개인화는 장치를 일반 증폭기가 아닌 자신의 청력에 맞는 것으로 바꾸는 것입니다.

Quantum은 16 채널 처리 및 능동 소음 감소 기능을 갖춘 근관 내 수신기 보조 장치로, 일반적으로 연령 관련 청력 손실이 가장 먼저 나타나는 시끄러운 환경에서 명확한 음성을 전달하는 것을 목표로 합니다. 케이스 포함 최대 80시간의 총 배터리 사용 시간, Bluetooth 통화, TV, 음악 감상을 제공하며 5년 보증 및 45일 반품이 함께 제공됩니다. 염두에 두어야 할 한 가지 주의 사항: OTC 보청기는 경증 내지 중등도 청력 상실에 대해 승인되었으며, 심각하거나 심한 상실은 여전히 ​​임상 피팅에서 가장 큰 이점을 얻습니다.

자세한 내용은 다음에서 확인할 수 있습니다. pandahearing.com/products/panda-hearing-aids-퀀텀.

본 연구의 한계

이러한 종류의 작업에는 샘플이 작습니다. 훈련 세트와 검증 세트로 분할된 총 542 참가자는 각각 적절한 숫자를 남기고 외부 검증은 단일 센터의 92 사례에만 국한되어 저자가 스스로 표시한 제한 사항입니다. 단일 센터 외부 코호트는 한 병원의 환자가 자신만의 특징을 가지고 있기 때문에 이동성을 약하게 테스트합니다. 동일한 수의 사례와 대조를 사용하는 균형 잡힌 설계는 일반 인구에서 실제로 ARHL이 얼마나 흔한지를 반영하지 않으며 이는 정확도 수치가 실제 선별로 변환되는 방식에 영향을 미칩니다.

더 미묘한 문제도 있습니다. 113 알고리즘 조합을 비교하고 승자를 선택하는 것은 낙관적인 결과를 생성하는 경향이 있는 절차입니다. 왜냐하면 많은 후보 중 가장 좋은 것이 노이즈 피팅에 대해 부분적으로 보상을 받기 때문입니다. 외부 검증은 이에 대한 적절한 확인이며 0.948에서 0.839로의 하락은 대략적으로 우려되는 예측입니다. 저자는 또한 모델을 연령이 일치하는 개인에 대한 진단 테스트가 아닌 사전 선별 도구로 배치하는 데 주의를 기울였습니다. 초록에는 경쟁적 이해관계나 자금 출처가 언급되지 않았습니다.

어떻게 해야 할까요?

이를 개인적으로 조치할 수 있는 결과라기보다는 방향에 대한 신호로 간주하십시오. 여기에 있는 어떤 것도 개인이 청력에 대해 해야 할 일을 바꾸지 않으며, 어떤 혈액 패널도 손자의 청력을 듣는 데 도움이 필요한지 여부를 알려주지 않습니다. 이것이 제안하는 것은 연령 관련 청력 상실이 일반 건강 데이터에서 누군가가 생각하는 것보다 더 눈에 띌 수 있으며 혈당은 대부분의 사람들이 추측하는 것보다 이야기에 더 가깝다는 것입니다. 이와 같은 모델이 실제로 실제로 자리를 잡게 된다면, 항상 어려운 부분이었던 청력 손실을 더 일찍 발견하게 되는 효과가 있을 것입니다.

He D, Liu Y, Ke J, Jiang X, Ma H, Shi Y, Yuan W. 일상적인 혈액 바이오마커를 기반으로 한 해석 가능한 기계 학습 모델의 개발 및 검증: 연령 관련 청력 손실 예측을 위해. 진단(바젤). 2026;16(13). PubMed에서 가져옴. https://doi.org/10.3390/diagnostics16132025