综述：耳鸣的生态瞬时评估研究：文献回顾

这篇综述系统回顾了生态瞬时评估（EMA）在耳鸣研究中的应用，总结了其在捕捉耳鸣症状波动、昼夜节律、个体差异及治疗评估中的价值，并指出与机器学习（ML）和多模态数据整合的未来方向。

　　

引言

耳鸣作为一种常见的听觉现象，表现出显著的个体间异质性和个体内波动性。生态瞬时评估（EMA）作为一种接近实时的数据收集方法，能够捕捉主观症状的短期和长期波动，及其与心理、环境和生理因素的相互作用。与传统回顾性方法相比，EMA在自然环境中最小化回忆偏差，为耳鸣研究提供了新的视角。

生态瞬时评估

EMA起源于20世纪20年代，由J.C. Flügel首次提出，旨在研究日常生活中的情绪波动。1977年，Csikszentmihalyi等人进一步发展了经验采样法（ESM），通过随机提示记录青少年的活动和情绪。1990年代，Stone和Shiffman正式提出EMA概念，将其定义为“在自然环境中实时监测现象的策略”。EMA的核心在于重复采样、生态效度和减少回忆偏差，现已成为研究临床症状波动的关键工具。

耳鸣的临床特征

耳鸣是指在无外界声源情况下的听觉感知，通常与听觉通路异常相关。慢性耳鸣（持续≥6个月）影响约10%的人口，其中2%患者症状严重。耳鸣的异质性体现在感知特征、潜在机制及对生活的影响上，且常与焦虑、抑郁等心理健康问题共病。

EMA在耳鸣研究中的应用

可行性
多项研究表明，EMA不会加重耳鸣症状。Henry等人发现，两周的EMA评估未显著改变耳鸣障碍量表（THI）评分（p=0.50）。TYT应用数据显示，长期用户（≥1个月）的耳鸣响度和痛苦评分无显著变化（p>0.2）。

症状交互作用
Probst等人发现，耳鸣响度通过压力和情绪效价部分介导耳鸣痛苦（p<0.001）。情绪动态（如效价和唤醒度）与耳鸣严重程度相关，高效价变异性预示响度增加（p=0.007）。Simoes等人的个体化模型揭示了耳鸣症状与压力、情绪和活动的异质性关联，65%患者显示同日症状相关性。

机器学习与数据整合
TYT平台通过机器学习分析大规模EMA数据，发现操作系统可能混淆结果（预测准确率79%）。用户依从性研究显示，早期压力和耳鸣感知可预测持续使用（女性依从性更高）。此外，季节性（夏季）和国家差异影响耳鸣感知。

治疗评估
EMA已用于监测治疗反应。Engelke等人发现，临床改善与耳鸣响度线性下降、快乐感增加相关（p<0.01）。单病例研究显示，EMA诱导的监测未恶化症状，但可能改善压力水平。

挑战与未来方向

尽管EMA在耳鸣研究中展现出潜力，但仍面临数据可靠性、参与者依从性及传感器数据整合等挑战。未来研究应结合多模态数据（如环境噪声、位置）和高级分析（如过程挖掘），以增强生态效度和个性化管理。

结论

EMA为理解耳鸣的动态性和异质性提供了独特工具，但其应用需克服方法学限制。借鉴心理健康领域的经验，整合实时传感和机器学习，将推动耳鸣研究的精准化和个体化发展。