最近在《自然通讯》杂志上发表的一项研究中，加拿大和法国的研究人员利用机器学习模型（特别是应用已建立的算法）来调查主观性耳鸣的存在频率和严重程度。该研究使用了英国生物银行的数据（n = 192,993，耳鸣患者 = 41,042），发现听力健康是最强烈与症状存在和严重程度风险相关的变量，而情绪、睡眠状况和神经质则是耳鸣严重程度的重要预测因素。
虽然存在模型无法预测未来的存在风险，但严重程度模型在预测耳鸣严重程度随时间的变化方面表现出良好的性能，特别是在发展为重度困扰的个体中。研究人员在Tinnitus Research Initiative数据库的一个志愿者队列（n = 463）中验证了该模型，并进一步简化了严重程度模型，以促进对严重耳鸣患者的快速部署和筛查。
背景
主观性耳鸣是一种听觉状况，患者在没有外部声学刺激的情况下感知到嗡嗡声、嘶嘶声或其他声音提示。据估计，这种状况影响约14%的成年人。虽然大多数人的耳鸣并不令人烦恼，但有些患者可能会出现严重的困扰、认知困难和社会经济干扰。
“由于目前尚无治愈耳鸣的方法——只有旨在减轻相关困扰的姑息性干预措施——通过更好地识别关键风险因素来增强预防和临床管理至关重要。”
多项研究试图阐明耳鸣病理生理学的基础，但结果仍然存在争议。迄今为止，过度噪音暴露、创伤、老年性听力损失和耳毒性药物引起的感官去传入被认为是该病的主要原因，但关于耳鸣风险因素的纵向研究仍然缺乏。
关于研究
本研究旨在通过识别能够预测主观性耳鸣发作和演变的风险因素来填补这些文献空白。研究数据来自年龄在40至69岁之间的英国生物银行参与者。前瞻性参与者接受了基线筛查（V1，收集于2009年4月至2021年11月）和主要随访访问（V2，收集于2012年8月至2023年2月）。
耳鸣的存在通过参与者填写的问卷进行评估。报告耳鸣症状的参与者接受了额外的问题以评估病情的严重程度。
对于机器学习模型的开发，特征是由作者们基于其在文献中的既定相关性预先选择的，包括101个特征，涉及听力健康、情绪、身体健康和人口统计学。非线性迭代偏最小二乘（NIPALS）回归算法用于模型训练，因其在处理高维临床数据集方面的优势（尤其是其处理多重共线性和提供可解释成分的能力）。
特征使用存在和严重程度作为感兴趣的结果进行评分。最终训练数据集包括存在模型的166,119项和严重程度模型的35,942项。计算调整后的风险评分以独立于基线状态检查耳鸣的演变。模型性能通过解释方差（R²）、AUC-ROC和Cohen's d效应大小进行评估。
研究发现
研究发现，英国生物银行中有41,042名（21.3%）参与者患有耳鸣，其中22.7%的人经历了中度至重度困扰。男性（特别是老年男性）最常经历这种情况，而女性则经历了更高的严重程度。
“耳鸣的存在和严重程度与更大的听力缺陷相关，无论是自我报告的听力困难、噪声中言语听力困难（自我报告和测量）、还是助听器或人工耳蜗的使用。”
NIPALS风险评分计算显示，听力健康是模型性能最强的预测因子，能准确区分患者和非患者。值得注意的是，存在风险评分未能预测耳鸣随时间的发展，AUC值低于0.60且效应量较小，表明一般健康、环境和社会人口统计学因素不是耳鸣研究的理想特征。
相比之下，严重程度风险评分显示出更好的预后价值，AUC ROC高达0.81，用于预测严重程度恶化，支持同时研究多种特征（情绪、睡眠、听力和神经质）可以阐明该疾病的多因素性质。
简化的模型（称为POST——“耳鸣严重程度预测”）也表现出中等到优秀的性能，特别是在识别高度可能发展为严重困扰的个体时，在TRI参与者子集中，如果具备足够的有关情绪、睡眠、听力和神经质的数据（6项），验证AUC为0.94。
结论
本研究确定了主观性耳鸣的风险预测因素，使用机器学习模型预测长期严重程度结果，但不能预测存在轨迹。听力健康被认定为症状存在和严重程度最重要的预测因子，强调其在未来抗耳鸣干预中的重要性。同时，情绪、睡眠、神经质和听力成为影响耳鸣体验的关键可改变因素，为临床干预提供了可操作的目标。
POST工具可以帮助初级保健和专科医生对长期严重耳鸣风险最高的患者进行分诊，有助于优化资源分配并指导早期支持。
研究局限性包括英国生物银行缺乏种族多样性（91%的白人参与者）、未评估超敏症以及模型的解释方差有限（存在约为12.5%，严重程度约为9.2%），这表明未来研究需要更多的生物学和环境预测因素。
(全文结束)
