《Bioengineering》:An Explainable Machine Learning Framework for Predicting Hearing Aid Satisfaction: Integrating the HATASS Instrument and Clinical Insights
编辑推荐:
助听器技术适应与用户满意度受多种相互关联的人口学、临床和行为因素影响,使得仅凭传统统计方法难以可靠预测结果。本研究提出一种可解释机器学习框架,通过整合人口学特征、助听器相关变量以及从助听器技术适应与满意度量表(HATASS)获取的患者报告结局,探讨助听器满意度
助听器技术适应与用户满意度受多种相互关联的人口学、临床和行为因素影响,使得仅凭传统统计方法难以可靠预测结果。本研究提出一种可解释机器学习框架,通过整合人口学特征、助听器相关变量以及从助听器技术适应与满意度量表(HATASS)获取的患者报告结局,探讨助听器满意度的多维决定因素。采用五折交叉验证策略,对五种回归算法——线性回归、决策树回归(DTR)、随机森林回归(RFR)、支持向量回归和梯度提升回归(GBR)——进行了比较评估。预测性能通过均方根误差(RMSE)、平均绝对误差(MAE)和决定系数()进行评估,模型可解释性则通过交叉验证的袋外置换特征重要性分析加以探究。在评估的算法中,随机森林回归取得了最一致的预测性能,在采用的验证框架下获得了最低的平均RMSE(14.225)和最高的平均(0.146)。尽管整体预测性能仍属中等,可解释性分析一致识别出年龄是最具影响力的预测因子,其次是发病年份、教育水平、助听器使用时长和每日助听器使用时间。相比之下,性别、电池类型、耳鸣和眩晕对模型预测的贡献相对较小。这些发现表明,助听器适应与满意度源于人口学、行为、临床和装置相关特征之间复杂的非线性交互作用,而非孤立的线性关联。所提出的框架为研究助听器技术适应与满意度提供了一种可解释、经内部验证的分析方法,并为未来整合全面听力学测量、纵向随访数据和独立外部验证的研究奠定了基础,以支持更透明、更个性化的听力保健系统的发展。
**论文解读:基于可解释机器学习框架的助听器满意度预测研究**
**一、研究背景与问题**
听力损失是一种需要多学科干预的健康状况,严重影响认知功能和社会参与。据预测,到2050年全球将有约25亿人经历不同程度的听力损失,其中超过7亿人需要康复服务。助听器是感音神经性听力损失患者最常用的康复设备之一。尽管过去十年助听器技术取得了显著进步(如智能手机集成、无线连接和人工智能),但许多用户仍报告音质、佩戴舒适度和适应方面存在困难,这些困难直接影响助听器接受度、长期使用和康复成功率。已有系统综述识别出众多影响助听器使用和满意度的决定因素,包括听力敏感度、自我感知的听力困难、社会支持、教育水平和经济状况等。然而,识别个体特异性困难的潜在驱动因素仍具挑战性,因为传统临床评估工具往往无法捕捉AI集成听力技术时代用户满意度的复杂性。此外,以往研究主要依赖传统统计分析、描述性评估或问卷解释,这些方法通常基于线性假设,可能不足以捕捉影响助听器满意度的复杂多维交互作用。
近年来,机器学习的发展为补充传统统计分析提供了新机遇,能够建模复杂的非线性关系并支持预测性医疗分析。然而,在助听器康复领域,仅实现高预测精度不足以使模型成功转化为临床应用。临床医生需要可解释、透明的算法输出,而非“黑箱”结果。因此,本研究提出一种可解释机器学习框架,整合人口学、临床和助听器相关变量,利用HATASS量表(一种由作者团队新开发并经心理测量学验证的多维工具)调查助听器技术适应与满意度。
**二、研究内容与结论**
研究人员利用583名成人助听器用户的横断面数据集(平均年龄53.3岁,SD=17.0,范围18-87岁),该数据集在伊斯坦布尔艾登大学伦理委员会批准下收集。研究比较了五种回归算法:线性回归(LR)、决策树回归(DTR)、随机森林回归(RFR)、支持向量回归(SVR)和梯度提升回归(GBR),采用五折交叉验证评估性能,并通过交叉验证的袋外(OOB)置换特征重要性分析提升模型可解释性。结果显示,随机森林回归取得了最一致的预测性能(最低平均RMSE=14.228,最高平均R2=0.146),支持向量回归获得最低平均MAE(9.758),而决策树回归和梯度提升回归表现较差(负R2值)。特征重要性分析一致识别年龄为最具影响力的预测因子,其次是发病年份、教育水平、助听器使用时长和每日助听器使用时间;性别、电池类型、耳鸣和眩晕贡献相对较低。
该研究的意义在于:(1)证明了可解释机器学习能够揭示传统线性统计无法捕捉的非线性交互关系;(2)整合了多维用户报告结局与常规临床变量,将助听器满意度视为多维构念而非孤立特征;(3)提供了可复现的计算框架,支持未来个性化听力学康复研究。
**三、主要技术方法**
研究采用以下关键技术:(1)数据预处理:包括反向编码负面措辞的问卷条目(公式:x_rev = 6 - x),计算总分(范围29-145),分类变量编码,数值特征在训练分区内标准化以防止数据泄漏;(2)五折交叉验证:将数据集随机分为5等份,每轮4份训练、1份验证,重复5次,平均性能指标;(3)五回归算法:线性回归、决策树回归、随机森林回归、支持向量回归、梯度提升回归,均使用MATLAB R2025b默认超参数,不进行系统优化;(4)性能评估:采用RMSE、MAE和决定系数(R2)三个互补指标;(5)可解释性分析:基于随机森林模型的袋外(OOB)置换特征重要性,在每个验证折内估计,跨折计算均值和标准差。样本队列来源为土耳其成人助听器用户,数据收集于伊斯坦布尔艾登大学伦理委员会批准的研究。
**四、研究结果**
**3.1 描述性统计分析**:研究人群包括583名助听器用户,男性占53.34%,女性占46.66%,平均年龄53.31岁(SD=16.97)。总HATASS平均分为127.79(SD=15.55),范围49-145,分布偏向高分端但保留足够变异性,适合回归建模。
**3.2 相关性分析**:Pearson相关分析显示,年龄与总HATASS评分之间呈可忽略的线性关联(r=0.02),年龄与教育水平之间相关性最强(r=0.16),其余成对相关均较弱。这支持使用非线性机器学习方法。
**3.3 机器学习模型预测性能**:五折交叉验证显示,随机森林回归取得最低平均RMSE(14.228)和最高平均R2(0.146),支持向量回归取得最低平均MAE(9.758),而决策树和梯度提升回归产生较高误差和负R2值。置换特征重要性分析显示年龄最重要,其次为发病年份、教育水平、使用时长和每日使用时间。预测图显示大多数观测沿理想线分布,但低分端误差较大,中等和高分端一致性较好。
**五、讨论与结论**
讨论部分指出,年龄在传统线性分析中与满意度无显著关联,但在非线性随机森林模型中却具有最高重要性,这凸显了非线性交互作用的存在。发病年份和教育水平的较高重要性可能反映健康素养、技术接受度和设备管理能力的差异。性别、电池类型、耳鸣和眩晕贡献较低。整体预测性能中等,说明当前变量仅解释总HATASS评分变异的有限比例,需纳入更多客观听力学指标(如纯音测听、言语识别、数据记录)和心理社会变量。
研究结论总结:本研究提出了一个可解释机器学习框架,结合比较回归模型和交叉验证可解释性分析,扩展了传统统计方法。结果表明助听器适应与满意度源于多维非线性交互,而非单一主导因素。随机森林回归表现最佳,但所有算法预测性能均属中等,强调需纳入更多客观变量。该框架并非自主临床决策系统,而是支持临床医生决策的研究工具。未来需在更大、更多样化的人群中进行纵向研究、客观数据记录和独立外部验证,以提升预测性能和泛化能力。该研究发表在《Bioengineering》期刊。