揭示感音神经性听力损失的相关表型：无监督机器学习方法的系统综述

《EAR AND HEARING》：Uncovering Phenotypes in Sensorineural Hearing Loss: A Systematic Review of Unsupervised Machine Learning Approaches

噪声峰值因子调整等效声级的实践与评估。

　　本研究聚焦于工业环境中由复杂噪声引起的听力损失评估问题，探讨了三种可能的噪声峰度调整方法：算术平均、几何平均和分段调整。噪声峰度作为一种统计指标，用于衡量噪声分布与正态分布的尾部差异，已被证实能够更准确地反映复杂噪声对听力的额外危害。研究旨在确定哪种峰度调整方案在实际工业噪声监测和评估中更具操作性和实用性，以提高对噪声性听力损失（NIHL）的预测精度。通过收集中国制造业4276名工人的全天噪声记录，并结合听力测试数据，研究团队对这三种方法进行了比较分析，评估了其在预测NIHL方面的效果。

研究的核心在于分析噪声等效声压级（L_Aeq,8hr）与噪声峰度（β）对听力损失的共同影响。为了实现这一目标，研究团队使用了ISO 1999模型和Lempert模型，分别对NIPTS（噪声诱导永久阈值移位）进行预测，并与实际测量值进行对比。这些模型的预测结果通过修正年龄和性别因素，与未受噪声影响的对照组（1297名工人）进行比较，从而获得更精确的听力损伤评估。此外，研究团队还对噪声峰度进行了分类，将数据划分为不同的组别，并通过多种统计方法评估各组的预测效果。

算术平均和几何平均是传统的噪声峰度计算方法，而分段调整则是一种新的方法，它通过每60秒计算一次噪声峰度，并对每60秒的噪声等效声压级进行调整，最终通过对480个一分钟调整后的L_Aeq,60sec值进行对数平均，得到最终的L_Aeq,8hr调整值。这种分段调整方法类似于个人噪声剂量计，可以提供更详细的噪声暴露信息，并有助于研究短期噪声峰度与等效声压级之间的相互作用。研究发现，几何平均和分段调整方法在预测NIPTS₃₄₆方面表现优于算术平均方法。然而，分段调整方法对极端值较为敏感，因此在实际应用中仍需进一步优化。

在研究中，通过多变量回归分析，研究团队确定了不同峰度调整方法对应的调整系数。对于算术平均方法，调整系数为6.5；对于几何平均方法，调整系数为7.6；而分段调整方法的调整系数为5.4。这表明，几何平均方法在调整噪声峰度时能够更有效地捕捉噪声的特性，从而提高预测的准确性。相比之下，分段调整方法虽然具有更高的灵活性和更广泛的应用前景，但其计算复杂度较高，且对极端值的处理存在一定的局限性。

研究还发现，Lempert模型在预测NIPTS₃₄₆方面优于ISO 1999:2013模型，这可能是因为Lempert模型能够更好地考虑噪声暴露的个体差异。通过将峰度调整后的L_Aeq,8hr值代入Lempert模型，可以进一步提高对听力损失的预测精度。因此，研究建议在实际应用中结合Lempert模型和峰度调整方法，以实现更准确的听力损伤评估。

研究还强调了噪声峰度在工业噪声暴露评估中的重要性。尽管算术平均方法在某些情况下仍被广泛使用，但其结果可能受到极端值的影响，导致预测偏差。相比之下，几何平均方法和分段调整方法在处理非对称分布数据时表现更为稳定，能够更准确地反映噪声的真实影响。然而，分段调整方法由于其计算过程涉及大量数据点，可能导致回归分析难以收敛，尤其是在噪声峰度与等效声压级之间存在多重映射关系的情况下。

总体而言，研究结果表明，基于几何平均的峰度调整方法和分段调整方法在预测噪声性听力损失方面具有较高的准确性和实用性。其中，几何平均方法因其计算简单且与ISO 1999标准兼容，更适用于大规模的工业噪声监测。而分段调整方法虽然在某些情况下能够提供更详细的噪声暴露信息，但其计算复杂性和对极端值的敏感性仍然是其进一步优化的方向。未来的研究应重点关注如何提高分段调整方法的稳定性和准确性，同时探索其在不同应用场景下的适应性。此外，如何在实际工作中更有效地结合噪声峰度和等效声压级，以实现更全面的听力损伤评估，也是值得进一步研究的课题。