Markører i blodprøver bidro til å avdekke risiko for aldersrelatert hørselstap

En modell bygget på vanlige blodprøveresultater identifiserte voksne med høyere risiko for aldersrelatert hørselstap, og markører for blodsukker sto for mye av prediksjonsevnen.

Aldersrelatert hørselstap er en av de vanligste tilstandene senere i livet, og en av dem folk stilltiende lever med. Mange merker det først flere år etter at det har begynt, ofte når samtaler i et fullt rom har blitt et skikkelig slit. Da er omstillingen større enn den hadde trengt å være.

Denne forsinkelsen er grunnen til at tidlig identifisering er interessant. Et team ved Chongqing Medical University og Chongqing General Hospital stilte et uvanlig spørsmål: Kan rutinemessige blodprøver, av den typen som allerede finnes i millioner av journaler, peke ut hvem som sannsynligvis har aldersrelatert hørselstap før noen bestiller en hørselstest? Svaret deres, publisert i Diagnostics, er et forsiktig ja.

Bakgrunn: hvorfor forskerne så på dette

Aldersrelatert hørselstap, som klinikere kaller presbyakusis og forkorter ARHL, er den gradvise svekkelsen av hørselen som følger med aldringen. Det rammer vanligvis de høye frekvensene først, og derfor blir konsonanter utydelige før vokaler – og derfor er den tidlige klagen så ofte at folk mumler, ikke at ting er stille.

For å stille en skikkelig diagnose trengs et audiogram, en hørselstest som utføres under kontrollerte forhold. Det er et godt verktøy, men det forutsetter at noen bestemmer seg for å la seg teste. I befolkningen som helhet tas den beslutningen sent og ofte aldri, noe som etterlater en stor gruppe mennesker med ubehandlet hørselstap uten noe varsel i journalen.

Forskernes idé var å bruke data som allerede finnes. Rutinemessige blodprøver tas hele tiden av andre grunner. Hvis ARHL setter et påvisbart avtrykk i vanlige blodmarkører, kan dette avtrykket brukes til å sortere store befolkningsgrupper etter høyere og lavere risiko og lede dem som mest sannsynlig vil ha nytte av det, til en faktisk hørselstest. Det er et verktøy for forhåndsscreening, ikke en diagnose, og dette skillet går igjen gjennom hele artikkelen.

Slik ble studien gjennomført

Teamet hentet 542 deltakere fra National Health and Nutrition Examination Survey, den langvarige amerikanske helseundersøkelsen kjent som NHANES. Utvalget ble satt opp som et balansert case-kontroll-design: 271 personer med aldersrelatert hørselstap og 271 friske kontrollpersoner. Deltakerne ble deretter tilfeldig fordelt på et treningssett med halvparten av utvalget og to uavhengige interne valideringssett med en fjerdedel hver.

I stedet for å satse på én modelleringsmetode sammenlignet forskerne systematisk 113 kombinasjoner av maskinlæringsalgoritmer og beholdt den beste, en kombinasjon av glmBoost og generalisert lineær modellering med trinnvis forlengs seleksjon. Deretter brukte de en metode kalt SHAP, som beregner hvor mye hver inndatavariabel bidro til en gitt prediksjon. Det er dette trinnet artikkelen mener med «interpretable» (tolkbar): Målet var en modell der resonnementet kunne granskes, i stedet for en svart boks som bare spytter ut et svar.

Å teste en modell på den samme populasjonen som den ble trent på, gir et for pent bilde, så teamet gjennomførte også en ekstern validering på en egen kohort med 92 pasienter fra Chongqing People's Hospital. Til slutt bygde de et interaktivt nettverktøy med rammeverket R Shiny, slik at modellen kunne brukes til risikovurdering i sanntid i stedet for bare å finnes i et tidsskrift.

Dette fant forskerne

På treningsdataene oppnådde modellen en AUC på 0.948. AUC, eller arealet under kurven, oppsummerer hvor godt en modell skiller mellom to grupper: 0.5 er som å kaste mynt, og 1.0 er perfekt, så 0.948 er sterkt. I de to interne valideringssettene holdt den seg godt, med 0.893 og 0.945, og en samlet treffsikkerhet på 86.3 %.

Den mer meningsfulle testen var den eksterne. Da modellen ble overført til 92 pasienter fra et annet land og et annet helsesystem, falt ytelsen, men den kollapset ikke, med en AUC på 0.839 (95 % KI 0.750 til 0.918) og en treffsikkerhet på 77.2 %. Et fall av denne størrelsen når en modell forlater hjemmebanen, er normalt og på en måte betryggende: Det tyder på at modellen har lært noe om hørselstap og ikke bare noe om NHANES.

Modellen endte opp med ni sentrale prediktive variabler. De tre som veide tyngst i SHAP-analysen, var glykert hemoglobin (HbA1c), gjennomsnittlig cellevolum (MCV) og blodsukker. HbA1c er et mål på gjennomsnittlig blodsukker over omtrent de foregående tre månedene, og MCV beskriver gjennomsnittlig størrelse på de røde blodcellene.

Disse tre er det mest interessante resultatet i artikkelen. To av de tre viktigste prediktorene er blodsukkermål, noe som plasserer metabolsk helse i sentrum av modellens resonnement om hørsel. Forfatterne presenterer dette som et hint om systemiske mekanismer bak ARHL – altså at aldersrelatert hørselstap kan henge sammen med det som skjer i resten av kroppen, og ikke bare være et rent lokalt problem i øret.

Det er verdt å være forsiktig med hva dette viser. Dette er sammenhenger funnet i en prediksjonsmodell. Studien viser ikke at høyt blodsukker forårsaker hørselstap, og en markør kan ha prediktiv verdi uten å være en årsak.

Hva det betyr for personer med hørselstap

Ingen bør lese denne studien og konkludere med at en blodprøve kan fortelle dem om de har hørselstap. Forfatterne er tydelige på at dette er et verktøy for forhåndsscreening av store befolkningsgrupper, ikke en diagnostisk test for enkeltpersoner, og et audiogram er fortsatt måten å finne ut hvordan hørselen din faktisk fungerer.

Det den derimot antyder, er en endring i hvordan hørselstap kan oppdages. I dag venter systemet på at folk selv skal merke noe og handle. En modell som denne peker i motsatt retning: å identifisere sannsynlige tilfeller ut fra data som allerede er samlet inn, og deretter invitere disse personene til testing. Det interessante er ikke algoritmen, men at det snus på hvem som tar det første steget.

Det finnes også en beskjeden personlig lærdom. Hvis metabolske markører har så stor prediktiv vekt, hører diabetes og blodsukkerkontroll hjemme i den samme samtalen som hørsel – og det er ikke der folk flest plasserer dem. Og uansett hva som avdekker risikoen, er varselet bare verdt noe hvis neste steg er så enkelt at folk faktisk tar det.

Å avdekke risiko hjelper bare hvis testing er lett tilgjengelig

Hele utgangspunktet for denne studien er at hørselstap går for lenge uten å bli målt. En modell for forhåndsscreening reduserer gapet fra den ene enden ved å identifisere hvem som bør testes. Den andre enden av gapet er hva som skjer etterpå, og det er der en test du kan ta selv, endrer regnestykket.

Siden denne studien i bunn og grunn handler om å oppdage hørselstap tidligere, er apparater med innebygd hørselssjekk relevante for det samme problemet. Panda Quantum hører til kategorien høreapparater med egen hørselstest: Du parer det med Panda-appen, som kjører en frekvensspesifikk test gjennom selve høreapparatet og programmerer forsterkning og frekvensrespons etter audiogrammet ditt, slik en klinisk tilpasning gjør. Panda Air har den samme appbaserte testen. Det er denne appbaserte tilpasningen til hørselen din som gjør et apparat til noe som er tilpasset nettopp din hørsel, og ikke bare en generisk forsterker.

Quantum er et RIC-høreapparat (høyttaler i øret) med 16-kanals behandling og aktiv støyreduksjon, laget for klar tale i støyende omgivelser – der aldersrelatert hørselstap vanligvis gjør seg gjeldende først. Det gir opptil 80 timers total batterikapasitet med etuiet, Bluetooth for samtaler, TV og musikk, og leveres med 5 års garanti og 45 dagers returrett. Ett forbehold er verdt å ha i bakhodet: OTC-høreapparater er godkjent for lett til moderat hørselstap, og ved alvorlig eller dypt hørselstap er klinisk tilpasning fortsatt det beste.

Du kan lese mer på pandahearing.com/products/panda-hearing-aids-quantum.

Begrensninger ved denne forskningen

Utvalget er lite for denne typen forskning. Totalt 542 deltakere fordelt på trenings- og valideringssett gir beskjedne tall i hvert sett, og den eksterne valideringen bygde på bare 92 tilfeller fra ett enkelt senter, en begrensning forfatterne selv påpeker. En ekstern kohort fra ett senter tester bare i liten grad om modellen kan overføres, siden pasientene ved ett sykehus har sine egne særtrekk. Det balanserte designet, med like mange tilfeller og kontroller, gjenspeiler heller ikke hvor vanlig ARHL faktisk er i befolkningen generelt, noe som påvirker hvordan treffsikkerhetstallene kan overføres til screening i praksis.

Det finnes også et mer subtilt problem. Å sammenligne 113 algoritmekombinasjoner og velge vinneren er en fremgangsmåte som gjerne gir for optimistiske resultater, fordi den beste av mange kandidater delvis blir belønnet for å tilpasse seg støy. Den eksterne valideringen er den riktige kontrollen av dette, og fallet fra 0.948 til 0.839 er omtrent det denne bekymringen skulle tilsi. Forfatterne er også nøye med å posisjonere modellen som et verktøy for forhåndsscreening og ikke som en diagnostisk test for aldersmatchede personer. Sammendraget oppga ingen interessekonflikter eller finansieringskilde.

Hva du kan gjøre med dette

Se på dette som et signal om retning snarere enn et resultat du kan handle på personlig. Ingenting her endrer hva den enkelte bør gjøre med hørselen sin, og ingen blodprøve kommer til å fortelle deg om du trenger hjelp til å høre barnebarna dine. Det studien derimot antyder, er at aldersrelatert hørselstap kan være mer synlig i vanlige helsedata enn noen har trodd, og at blodsukker spiller en større rolle i historien enn de fleste ville gjette. Hvis en slik modell etter hvert får en plass i praksis, vil effekten være at hørselstap oppdages tidligere – og det har alltid vært den vanskelige delen.

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). Hentet fra PubMed. https://doi.org/10.3390/diagnostics16132025