综述：听力损失对语义预测的影响：在听觉负荷较大时，对可理解语音的预测会出现延迟

《EAR AND HEARING》：Effects of Hearing Loss on Semantic Prediction: Delayed Prediction for Intelligible Speech When Listening Is Demanding

传感器神经性耳聋亚型分类研究综述。通过系统检索1990-2024年7个数据库，纳入7项符合条件的研究（6回顾性队列，1病例对照），发现无监督机器学习在SNHL分型中存在模型选择依据不足、聚类数量确定方法不统一（4-11类）、验证手段薄弱等问题。所有研究APPRAISE-AI评分均低于中等（最高100分）。建议未来研究应重点提升数据质量（严格区分SNHL与传导性聋）、多模型比较验证、临床终点关联分析及代码数据公开，以增强模型可重复性和临床实用性。

　　在当代医学研究中，听力损失已成为全球范围内广泛存在的健康问题，其中大多数病例属于感音神经性听力损失（Sensorineural Hearing Loss, SNHL）。据世界卫生组织统计，全球约有20%的人口患有听力损失，而其中绝大多数为SNHL。随着对SNHL病理机制理解的不断深入，针对该疾病的新疗法正在被开发，但目前缺乏有效的工具来识别患者群体中可能对特定治疗方案产生反应的子群体。这一挑战限制了临床试验的进展以及个性化医疗的实施。因此，探索如何利用计算技术，特别是无监督机器学习（Unsupervised Machine Learning, UML），来识别SNHL的子类型，成为一个具有重要意义的研究方向。

无监督机器学习作为人工智能（Artificial Intelligence, AI）的一个分支，其优势在于无需预先设定标签，即可从数据中发现潜在的模式。这种技术在SNHL的子分类研究中展现出了巨大的潜力，因为它能够基于听力健康数据中的细微差异，将患者分为不同的群体。然而，尽管UML在多个医学领域，如神经学、心脏病学和呼吸病学中已被广泛应用，但目前尚未有系统性的研究来评估其在SNHL子分类中的应用效果。本系统综述的目的正是为了填补这一空白，对现有文献中UML在听力健康数据中的应用情况进行总结，评估其在识别SNHL子类型方面的潜力，并指出当前研究中存在的不足，为未来的研究提供指导。

在本研究中，我们对多个数据库进行了系统性文献检索，包括MEDLINE、PsycINFO（Ovid版本）、EMBASE、CINAHL、IEEE、Scopus，以及灰色文献资源GitHub和BASE。检索时间跨度为1990年1月至2024年3月。所有纳入研究的文献必须满足以下条件：针对成人SNHL患者，使用无监督机器学习方法进行分析。为了确保研究质量，我们采用了APPRAISE-AI工具进行评估。由于研究之间的异质性较高，我们采用叙述性综合的方法来总结结果。

最终，我们共纳入了七项研究。除了其中一项为病例对照研究外，其余均为队列研究。研究中使用的UML算法包括K均值聚类、层次聚类、高斯混合模型（GMM）和典范分析（Archetypal Analysis）。值得注意的是，没有一项研究对不同算法之间的性能进行比较，这表明目前对于UML在SNHL子分类中的适用性尚未形成统一的共识。此外，所识别的SNHL子类型数量仅有两种：4种和11种。尽管这些结果提供了有价值的参考，但由于研究质量整体较低，尚无法得出关于模型选择和子类型数量的明确结论。

无监督机器学习在SNHL子分类中的应用仍处于探索阶段，其效果受到多种因素的影响。首先，UML模型的输出高度依赖于输入数据的质量和结构。许多研究在数据预处理方面存在不足，例如未能对数据进行充分的标准化或特征选择，这可能导致模型对数据的解释出现偏差。其次，UML模型的验证方法相对有限，缺乏标准的评估指标，如准确率、灵敏度和特异性等，这些在监督学习中是常用的验证手段。因此，研究者往往采用替代方法，如临床结果的相关性分析、数据集的重复应用或数据重采样等，来评估模型的稳定性与临床相关性。

在研究中，我们发现大多数纳入研究的样本量较小，仅有一部分研究包含了超过100,000名患者。这种样本量的局限性可能影响模型的泛化能力，使得所识别的子类型难以推广到更广泛的临床场景。此外，研究在数据质量方面也存在一定的问题，部分研究仅依赖空气传导（Air Conduction, AC）阈值来定义听力损失，而忽略了骨传导（Bone Conduction, BC）数据，这可能导致患者群体中包含具有不同病理特征的个体，如传导性听力损失（Conductive Hearing Loss, CHL）或混合性听力损失（Mixed Hearing Loss），从而影响子分类的准确性。

在UML模型的选择方面，研究者往往缺乏明确的依据，仅依赖于模型的先前应用或简单直觉。这种做法可能导致模型的选择与实际临床问题不匹配，进而影响研究的实用性。此外，部分研究未能对模型的超参数进行详细报告，这也使得其他研究者难以复现或优化这些模型。

尽管当前研究中存在诸多不足，但UML在SNHL子分类中的应用仍然显示出一定的前景。通过将听力测试数据（如纯音测听、言语识别测试、耳声发射等）输入到UML模型中，研究者能够发现一些潜在的子类型，这些子类型可能与特定的临床特征或病理机制相关。例如，一些研究发现某些子类型与听力损失的持续时间、伴随症状（如耳鸣、眩晕）或遗传背景相关。然而，这些发现尚未得到充分的临床验证，其实际意义仍需进一步探讨。

未来的研究应更加注重模型选择的合理性，确保研究结果的可重复性，并采用高质量的听力数据进行训练和验证。此外，应加强对模型输出的临床相关性分析，探索如何将UML识别出的子类型与实际治疗方案或疾病管理策略相结合。同时，研究者还应考虑如何提升数据的多样性和代表性，以确保模型能够准确反映不同人群的听力损失特征。例如，当前的研究多集中于中老年人群，而较少关注年轻患者或不同种族背景的人群，这可能限制模型在更广泛人群中的适用性。

在技术层面，UML的应用需要更精细的数据处理和分析方法。例如，一些研究采用数据转换和降维技术（如主成分分析，PCA）来提高模型的性能，但这些方法的应用缺乏统一的标准。此外，部分研究在确定最佳聚类数量时，仅依赖于作者的假设或简单的优化指标，而未进行充分的统计分析或交叉验证。这种做法可能导致模型的输出结果不够稳定，难以推广。

为了克服这些挑战，研究者可以借鉴其他医学领域的经验，采用更系统的模型评估框架。例如，在神经学和心脏病学中，研究者已经开发出多种用于疾病分型的UML模型，并对其性能进行了详尽的评估。这些经验可以为SNHL子分类研究提供有价值的参考。此外，随着数据共享和开放科学理念的推广，研究者可以考虑构建公开的听力健康数据集，以便更多人能够访问和使用这些数据进行模型训练和验证。

在临床应用方面，UML可以帮助医生更精准地识别患者的听力损失类型，从而制定更加个性化的治疗方案。例如，在临床试验中，UML可以用于患者分层，将具有相似听力特征的患者归为一类，以便评估特定干预措施的效果。然而，目前的研究尚未充分展示这一潜力，大多数研究仍停留在理论探索阶段。因此，未来的研究应更加关注如何将UML的成果转化为实际的临床工具。

此外，随着AI技术的不断发展，新的模型和算法不断涌现，这为SNHL子分类研究提供了更多可能性。然而，缺乏对这些新方法的系统评估，使得研究者难以判断哪种方法最适合当前的临床需求。因此，建立一个标准化的评估体系，对不同UML模型在SNHL子分类中的表现进行系统比较，将是未来研究的重要方向。

综上所述，尽管无监督机器学习在SNHL子分类中展现出一定的潜力，但当前的研究仍存在诸多局限。为了推动这一领域的进一步发展，研究者需要在模型选择、数据质量、验证方法和临床相关性等方面进行改进。通过提升研究的严谨性和实用性，UML有望成为SNHL研究和临床实践中的重要工具，帮助医生更精准地识别患者群体，并制定更加有效的治疗策略。