耳鸣风险因素及其随时间演变的机器学习预测模型与临床问卷开发

本研究针对主观性耳鸣（Subjective tinnitus）预防和管理中风险因素认知不足的现状，通过机器学习分析英国生物银行（UK Biobank）19万+参与者的多维度数据，首次建立区分耳鸣存在与严重程度的预测模型。研究发现听力健康是耳鸣发生的主要风险因素，而情绪、神经质（Neuroticism）和睡眠障碍则主导其严重程度演变。团队开发的6项临床问卷（POST）可精准预测9年内耳鸣恶化风险（Cohen's d=1.3，ROC=0.78），并在独立队列（TRI数据库）验证。该成果为早期识别高风险患者提供工具，发表于《Nature Communications》。

　　

耳鸣研究的困境与突破
全球约14%人群受耳鸣困扰，这种无外界声源的自发性听觉感知（Subjective tinnitus）虽多数不造成困扰，但约20%患者会发展为伴随睡眠障碍、焦虑抑郁的严重症状。目前耳鸣机制尚未完全阐明，临床仅能提供缓解症状的姑息治疗。更棘手的是，传统研究难以区分耳鸣存在与严重程度的影响因素，且缺乏长期预后工具。这种认知缺口使得高危人群的早期干预成为难题。

由Lise Hobeika（第一单位：未标注国内机构）领衔的国际团队在《Nature Communications》发表研究，首次利用机器学习解析耳鸣的双维度特征。团队采用英国生物银行（UK Biobank）192,993人（含41,042例耳鸣患者）的多模态数据，结合Tinnitus Research Initiative（TRI）数据库463例患者进行验证。

关键技术方法
研究采用非线性迭代偏最小二乘（NIPALS）算法构建预测模型，处理101个涵盖听力、心理、社会人口学等特征。通过十折交叉验证训练模型，并利用线性前向特征选择开发简化问卷。纵向分析追踪参与者9年，通过正交化风险评分（adjusted risk scores）控制基线水平，专注预测演变趋势。

研究结果

耳鸣存在模型：听力健康主导
• 模型解释12.5%方差，其中听力健康贡献12.5%（主要来自自报听力困难），人口统计学仅2.1%。
• 分类效能：区分"偶尔"与"持续"耳鸣的AUC达0.68-0.80，但无法预测9年内的演变（所有AUC<0.58）。

耳鸣严重程度模型：心理因素关键
• 四等级预测（无/轻度/中度/重度）解释9.2%方差，神经质（3.7%）、听力健康（3.6%）、情绪（3.0%）和睡眠（2.2%）为主要贡献因素。
• 预后价值：对"无→重度"恶化的预测AUC达0.81（Cohen's d=1.15），显著优于存在模型。

临床转化：POST问卷
从原模型提取6项可干预特征（如噪声下对话困难、睡眠障碍、情绪波动），构建简化风险评分：
• 0-1分=低风险，4-5分=高风险，6分=极高风险（OR=4.2中重度耳鸣）。
• 在TRI验证队列中，预测"无→灾难性"恶化的AUC高达0.94（Cohen's d=2.5）。

讨论与意义
该研究首次明确耳鸣存在与严重程度的不同驱动机制：前者主要由外周听觉损伤（如老年性聋、噪声暴露）引发，后者则更多受中枢调控因素（情绪、人格特质）影响。这一发现解释了为何听力损失者不一定出现耳鸣，而相同听力损伤者的症状差异显著。

临床层面，POST问卷实现了三重突破：

1. 精准分层：通过6个简单问题识别5年内可能恶化的高风险人群；
2. 资源优化：帮助基层医生判断是否需要转诊至专科，避免过度干预低风险患者；
3. 治疗靶点：证实心理干预（如改善睡眠、情绪调节）可能改变耳鸣严重程度轨迹，而不仅是掩盖症状。

局限性包括UK Biobank以白人为主（91%），且缺乏耳鸣亚型（如伴听觉过敏Hyperacusis）的细分数据。未来需结合遗传学（如近期发现的耳鸣特异性基因位点）和神经影像（如听觉脑干反应ABR异常）深化机制研究。

这项研究为耳鸣的精准防治提供了首个可落地的预测工具，其"分维度解析"的研究范式也为其他感官障碍（如慢性疼痛）的研究提供了借鉴。