Nye metoder kombinerer hørselsvitenskap med kunstig intelligens for å tilpasse kompensasjonen i høreapparater til den enkelte lytteren og til virkelige lydmiljøer.

Høreapparater har gjort hørselstap fra en usynlig barriere til en håndterbar tilstand for millioner av mennesker. Likevel fungerer de, etter flere tiår med innovasjon, fortsatt ikke like godt for alle. Noen setter dem inn og glemmer at de har dem på. Andre sliter med bakgrunnsstøy, opplever at musikk låter forvrengt, eller føler at høreapparatet kjemper mot øret i stedet for å hjelpe det. Årsaken er ikke likegyldighet eller dårlig design, men en grunnleggende utfordring: Hørselstap er svært ulikt fra person til person. Ingen ører mister lyd på nøyaktig samme måte, og ingen enkelt regel for forsterkning passer i alle lyttesituasjoner.

Inntil nylig optimaliserte ingeniørene høreapparater med en begrenset verktøykasse: De justerte hvor høye lydene ble, reduserte bakgrunnsstøy med romlige filtre, komprimerte dynamikkområdet og sa seg ferdige. Disse komponentene virket hver for seg, jaget hvert sitt mål og gikk noen ganger i beina på hverandre. Men hva om et høreapparat kunne lære? Hva om det kunne tilpasse seg ikke bare personen som bruker det, men også lydbildet som utspiller seg rundt dem i sanntid?

Bakgrunn: hvorfor vanlig optimalisering av høreapparater ikke strekker til

Tradisjonell tilpasning av høreapparater bygger på en enkel formel: Mål hørselstapet, og forsterk deretter lyden etter en standardisert foreskrivningsregel. Metoden fungerer fordi den følger grunnleggende audiologiske prinsipper. Men standardiserte regler kan ikke ta høyde for at hørselstap ikke er jevnt fordelt over frekvensene, og at døde områder i øret ikke bare gjør lyden svakere, men også forvrenger hvordan man oppfatter tonehøyde, timing og hvor lyder kommer fra. Utover hørbarhet gir hørselstap det forskerne kaller «overterskelvansker»: problemer som vedvarer selv når lyden er sterk nok til å bli hørt.

Legg til kompleksiteten i hverdagen, så blir utfordringen mange ganger større. En person kan i løpet av én dag bevege seg mellom et stille hjemmekontor, en støyende restaurant, en bil i fart og stuen til en venn. Hvert lydmiljø krever andre prioriteringer. Tradisjonelle høreapparater prøvde å løse dette med et lite antall forhåndsinnstilte programmer, men denne trinnvise tilnærmingen fanger ikke opp gradvise forskjeller og overganger.

Slik ble forskningen gjennomført

Dette er en omfattende oversiktsartikkel som ser på to hovedtilnærminger forskere og ingeniører har utviklet for å komme videre fra kompensasjon i høreapparater etter én mal for alle. Forfatterne, Torsten Dau og Tobias May fra Danmarks fremste institusjon for hørselsforskning, sammenfatter funn fra signalbehandling, audiologi og maskinlæring for å kartlegge hva som er mulig i dag, og hvor praktisk bruk fortsatt henger etter løftene.

Den første tilnærmingen bygger på bevissthet om lydbildet: Høreapparatet lytter til lydmiljøet rundt seg og justerer bearbeidingen etter hva det oppdager. Ved å klassifisere lydbildet kan høreapparatet bytte mellom optimaliserte profiler for signalbehandling underveis. Den andre tilnærmingen går en mer grunnleggende vei og bruker hørselsmodeller som optimaliseringsmål. I stedet for å justere enkeltkomponenter hver for seg forsøker disse strategiene å minimere forskjellen mellom hvordan et normalthørende øre ville oppfattet en lyd, og hvordan et øre med nedsatt hørsel oppfatter den med høreapparatets kompensasjon. Maskinlæring gjør begge tilnærmingene raskere og lar høreapparatet lære av eksempler og finne kompensasjonsstrategier som ikke er åpenbare.

Dette fant forskerne

Både tilnærminger basert på lydbildet og på hørselsmodeller er reelt lovende. Systemer som gjenkjenner lydbildet, kan bedre taleforståelsen i støy og tilpasse lyttekomforten i ulike miljøer uten at brukeren må bytte program manuelt. Når et høreapparat vet at du ser på personen som snakker, kan det prioritere stemmen til den som snakker. Når det oppdager et bilhorn, kan det dempe plutselige, høye lyder.

Strategier basert på hørselsmodeller er lovende på en annen måte: De gir et prinsipielt, fysikkbasert mål for optimaliseringen. Denne tilnærmingen er særlig verdifull for å forstå sammensatte hørselstap der enkle regler kommer til kort. Maskinlæring gjør begge tilnærmingene raskere.

Oversikten dokumenterer likevel også vedvarende utfordringer. Mange foreslåtte systemer fungerer godt i laboratoriet under kontrollerte forhold, men snubler i virkeligheten, der regnekraften er begrenset og brukerens behov endrer seg fra minutt til minutt. Toveiskommunikasjon og gjenkjenning av ansiktsuttrykk, som er avgjørende for kommunikasjon, blir ofte oversett. Oversikten konkluderer med at det fortsatt er en stor teknisk og forskningsmessig utfordring å utnytte det fulle potensialet i sanntid og under virkelige forhold.

Hva det betyr for personer med hørselstap

Denne forskningen er viktig fordi den viser hvor høreapparatteknologien er på vei: mot personlig tilpasning og tilpasning til virkelige omgivelser. Frustrasjonen mange opplever med tradisjonelle høreapparater, skyldes ofte ikke teknologien i seg selv, men at den er lite fleksibel. Et høreapparat som er tilpasset på et stille kontor hos en audiolog, kan føles perfekt der, men bli en kilde til anstrengelse i de støyende omgivelsene der folk faktisk tilbringer tiden sin. Etter hvert som maskinlæring og hørselsmodeller modnes, kan høreapparater begynne å løse dette misforholdet ved å justere seg selv.

For deg som vurderer høreapparater i dag, betyr dette at du bør se etter høreapparater med maskinlæring, adaptiv støyreduksjon og Bluetooth-tilkobling for tilbakemelding fra hverdagen. Et høreapparat som kan utvikle seg ut fra hvordan det faktisk brukes, kan gi en helt annen opplevelse enn et med faste, forhåndsinnstilte programmer.

Hva fremveksten av smart høreapparatteknologi betyr for bedre ytelse

De danske forskernes oversikt peker mot en fremtid der høreapparater ikke er noe som tilpasses én gang, men lærende systemer som er skreddersydd for det enkelte øret og virkelige lydmiljøer. Det er nettopp denne typen innovasjon OTC-kategorien skulle legge til rette for: intelligent, adaptiv teknologi som fortsatt er forankret i hørselsvitenskap. Panda Quantum bygger på dette prinsippet med 16-kanals arkitektur, innstilling inspirert av hørselsmodeller og Bluetooth-tilkobling for adaptiv tilbakemelding. Høreapparatet har en klinisk tilpasset online hørselstest på 10 minutter, smart støyreduksjon i 12 bånd og Bluetooth for telefonsamtaler, TV og musikk. Med opptil 80 timers batteritid per ladesyklus lar Panda Quantum deg oppleve hvordan optimalisering med maskinlæring fungerer i ditt eget lydmiljø. For deg som ønsker den intelligente, adaptive høreapparatopplevelsen denne forskningen arbeider mot, er Panda Quantum en praktisk inngang til denne fremtiden.

Begrensninger ved denne forskningen

Dette er en oversiktsartikkel som sammenfatter funn fra ulike forskningsgrupper. Noen av systemene som beskrives, er fortsatt aktive forskningsområder og ikke ferdig utviklede løsninger. Oversikten gir ingen data fra kliniske studier om noen av tilnærmingene. Ingen finansieringskonflikter ble oppgitt.

Hvor står vi nå?

Forskningen beveger seg mot høreapparater som tenker, tilpasser seg og skreddersys. Gapet mellom laboratorieprototyper og ferdige løsninger blir mindre. For deg som vurderer høreapparater i dag, kan det å vite at maskinlæring er et område i aktiv utvikling, hjelpe deg å avgjøre hva du bør prioritere.

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. Retrieved from PubMed. DOI: https://doi.org/10.1007/s10162-026-01043-1