머신러닝은 고막 측정검사 사용을 확대하고 어린이들의 청력검사를 향상시킬 수 있습니다.

“The addition of a lay-friendly cost-effective tool paired with automated machine- learning capabilities will result in a paradigm shift in how we can start to address hearing loss in the areas that need it most.”

"대중적으로 친숙하고 비용대비 효율적인 도구와 자동화된 기계 학습 기능과 결합하면 가장 필요한 지역에서 난청 문제를 해결하기 시작하는 방식에 패러다임 전환이 발생할 것입니다."

---

Ear and Hearing 6월 15일자에 발표된 새로운 연구 에서는 스마트폰 기술을 사용하는 컴퓨터 기반 시스템이 시골 지역의 훈련받지 않은 개인이 어린이의 청력 문제를 보다 정확하게 선별하는 데 도움이 될 수 있음을 보여줍니다. 연구진은 귀 측정에 대한 대규모 데이터 세트를 사용하여 일반적인 중이 감염과 같은 문제를 식별하는 데 도움이 되는 고막 움직임 그래프인 고실도를 분류할 수 있는 하이브리드 딥 러닝 모델을 개발했습니다. 저자들은 이것이 "자동화된 임상 의사 결정 지원이 훈련된 청각사와 유사한 민감도를 가진 시골 소외 계층에서 Tympanometry를 수행하는 것이 가능함을 입증한 최초의 작업" 이라고 말합니다.

 

어린이 난청은 의사소통, 언어 및 사회적 기술에 영향을 미칠 수 있으며, 어린이가 청력 도움을 일찍 받을수록 잠재력을 최대한 발휘할 가능성이 더 높아집니다. 미 국립 보건원(National Institutes of Health) 에 따르면 , 어린이 6명 중 약 5명은 3세까지 적어도 한 번 귀 감염을 경험하며, 귀 감염은 부모가 자녀를 의사에게 데려가는 가장 흔한 이유입니다. 귀 감염에 대한 치료 경로는 조심스럽게 기다리는 것에서부터 고막 뒤에 체액이 쌓이는 것을 방지하는 항생제 및 귀 튜브에 이르기까지 다양합니다. 또한 청각 문제가 있는 것으로 확인된 어린이에게는 학교 내 확성기, 특별 좌석 및 기타 편의 시설이 제공될 수 있습니다.

 

의사가 중이 문제를 확인하는 가장 일반적인 방법은 휴대용 검이경을 사용하여 고막을 관찰하는 것입니다. 그러나 중이기능을 평가하는 또 다른 보다 객관적인 방법은 고막 뒤의 체액, 유스타키오관 기능의 문제 또는 고막의 구멍을 감지하기 위해 소리와 기압의 변화를 사용하는 고실 측정법을 이용하는 것입니다.

 

연구 저자들은 최근 일반인이 관리하는 청력 검사를 향한 중요한 단계를 나타낼 수 있는 스마트폰 기반 고실계를 개발했습니다. 연구원들은 이 스마트폰 기반 장치에서 수집한 데이터에 대해 머신러닝 모델을 테스트한 결과 잘 작동했습니다. 즉, 이는 시스템 자원이 부족한 지역에서 저렴한 장치와 함께 시스템을 사용할 수 있음을 시사합니다.

 

전통적인 방법 대신 그들의 모델을 사용하여 그들은 예방 가능한 난청의 추가 77개 사례를 식별할 수 있었고, 추가 평가는 98개의 추가 사례만 필요하다고 추정했습니다. 그들은 난청 예방의 이점이 추가 평가 비용보다 크다는 점에 주목합니다.

 

광범위한 교육이 필요하고 정확하게 수행하기 어려울 수 있는 검이경 검사 및 기존 고실 측정법과 비교할 때 연구원들은자동화된 시스템이 거의 효과적이라는 것을 발견했습니다. 이는 훈련을 받지 않은 개인이 잠재적인 청력 문제를 식별하기 위해 시스템을 사용할 수 있다는 것을 의미하기 때문에 선별 프로그램에 중요합니다.

 

연구 공동 저자인 Samantha Kleindienst, AuD, PhD는 “시골 지역 난청의 거의 75%는 예방이 가능합니다.”라고 말했습니다. "자동화된 머신러닝 기능과 결합된 일반인 친화적인 비용 효과적인 도구를 추가하면 가장 필요한 영역에서 난청을 해결할 수 있는 방법에 대한 패러다임 전환이 일어날 것입니다."

 

머신러닝을 사용하여 내시경의 이미지를 분석하는 연구가 있었지만, 팀파노그램의 자동 분류에 대한 연구는 더 적습니다. 연구원들은 또한 소음과 아티팩트가 결과에 부정적인 영향을 미칠 수 있는 저자원 환경에서 시스템을 사용하는 문제를 해결했습니다. 투명한 의사 결정 구조와 딥 러닝 기술을 결합하여 시스템을 보다 해석 가능하고 임상적으로 관련성이 높은 하이브리드 모델이 개발되었습니다. 그들은 이 접근 방식이 불확실성 추정, 견고성 및 시스템 훈련의 유연성을 허용한다고 말합니다.

 

사용된 데이터 세트가 특정 농촌 인구에서 한 가지 유형의 상업용 하드웨어 및 소프트웨어로만 수집된 것을 포함하여 연구에 몇 가지 제한 사항이 존재하므로 향후 연구에는 다양한 시나리오에서 시스템의 효율성을 보장하기 위해 보다 다양한 장치 및 인구가 포함되어야 합니다. 그러나 이 연구는 훈련을 받지 않은 개인도 자동화 시스템을 사용하여 고실측정을 사용하여 어린이의 청력 문제를 정확하게 선별할 수 있음을 시사합니다. 연구원들이 개발한 하이브리드 딥러닝 모델은 정확하고 저렴한 청력 검사를 다양한 지역 사회, 특히 농촌 지역 및/또는 자원이 제한된 지역에 통합할 수 있는 가능성을 보여줍니다.

 

 

원본 연구 인용 :  Jin FQ, Huang O, Kleindienst Robler S, Morton S, Platt A, Egger JR, Emmett SD, Palmeri ML. A hybrid deep learning approach to identify preventable childhood hearing loss. Ear Hear. 2023; June 15, 2023. DOI: 10.1097/AUD.0000000000001380

 

출처 : HearingTracker 

 

이편한보청기 청각센터 문의, 상담

(전화연결) 031-994-2544

---

 

[이편한보청기 일산청각센터 찾아오시는 길]

 

---

※ 방문예약을 남겨주신 분들께는 추가 할인혜택을 제공해드립니다.