От бинарного решения к персонализированной оценке: новый вероятностный показатель на основе машинного обучения для отбора кандидатов на кохлеарную имплантацию

Цель: Разработать и валидировать инструмент скрининга на основе машинного обучения для отбора кандидатов на кохлеарную имплантацию (КИ), который рассчитывает персонализированную вероятность и помогает проводить индивидуальное консультирование с учётом интересов пациента.

Методы: Ретроспективное когортное исследование на основе институционального регистра кандидатов на КИ и базы данных HERMES (1878 пациентов, 3756 ушей). С помощью моделей классификации на основе машинного обучения прогнозировали соответствие критериям КИ по двум показателям: (1) показатель распознавания слов CNC в каждом ухе при слухопротезировании <50% и (2) наилучший показатель распознавания предложений AzBio при двустороннем слухопротезировании <60%. Три модели машинного обучения — логистическая регрессия, случайный лес и XGBoost — сравнивали с правилом 60/60 (средний порог тональной аудиометрии, PTA, ≥60 дБ; показатель распознавания слов, WRS, ≤60%) в соответствии с рекомендациями TRIPOD-AI. В качестве входных признаков использовали пороги слуха, показатели распознавания слов и возраст. Данные разделяли в соотношении 80/20, настройку гиперпараметров выполняли с помощью вложенной десятикратной перекрёстной проверки. Оценивали чувствительность, специфичность, AUROC, F1-меру и кривые калибровки. Для оценки влияния дисбаланса классов применяли SMOTE. Для удобного доступа пользователей развернули веб-платформу.

Результаты: При показателе CNC <50% правило 60/60 обеспечивало более высокую F1-меру (0,83 против 0,77–0,79), однако модели машинного обучения демонстрировали более высокую чувствительность (0,80–0,84 против 0,77) и отличные значения AUROC (0,88–0,89). При показателе AzBio <60% модели машинного обучения превосходили правило 60/60 по F1-мере (0,79–0,80 против 0,71), точности (0,77–0,78 против 0,68) и специфичности (0,86–0,87 против 0,76); AUROC составляла 0,89–0,90. Анализ калибровки подтвердил хорошую калибровку и клиническую интерпретируемость распределений вероятностей. Балансировка наборов данных с помощью SMOTE не изменила показатели эффективности.

Выводы: Хотя модели машинного обучения не демонстрируют существенного превосходства над правилом 60/60, они дополняют его, выявляя кандидатов, которые в противном случае могли бы остаться без внимания, и рассчитывая индивидуальную вероятность соответствия критериям КИ по тестам CNC и AzBio. Такие оценки позволяют проводить более персонализированное консультирование и принимать решения совместно с пациентом, особенно при пограничных результатах, относящихся к «серой зоне».