综述:新兴噪声下言语测试工具在听力损失评估中的应用:一项范围综述

《Audiology Research》:Emerging Speech-in-Noise Tools for the Assessment of Hearing Loss: A Scoping Review Andrea Migliorelli, Marianna Manuelli, Chiara Visentin, Chiara Bianchini, Francesco Stomeo, Stefano Pelucchi, Nicola Prodi and Andrea Ciorba

【字体: 大 中 小 】 时间:2026年04月13日 来源:Audiology Research 1.8

编辑推荐:

  本综述系统梳理了过去十年间涌现的噪声下言语(SIN)评估工具,涵盖先进数字噪声(DIN)范式、AI(如ML、TTS、ASR)辅助自动化平台等方法学创新,证实其在听力损失筛查中能可靠区分听损与正常听力,相比纯音测听(PTA)可提供更具生态效度的功能性互补信息,为临床筛查提供了更敏感、可及性更高的新策略。

  
1. 引言
听力损失是一个全球性公共卫生挑战。尽管纯音测听(PTA)是临床听力评估的金标准,但它无法完全解释许多人在噪声环境中理解言语的日常困难。噪声下言语测试(SIN)通过评估个体在背景噪声下理解言语的功能性能力,提供了更贴近真实世界的评估手段。其核心结果指标是语音识别阈值(SRT),通常定义为听者能正确识别一定比例刺激信号时的信噪比(SNR)。近年来,数字化平台、自动化测试程序和新刺激呈现范式推动了SIN评估领域的快速发展,旨在超越传统听力测量,为听力损失的早期识别和功能评估提供新工具。
2. 材料与方法
本范围综述遵循PRISMA-ScR指南。在PubMed/MEDLINE、Scopus和Embase数据库中进行了系统文献检索,时间跨度为近十年。检索策略结合了“噪声下言语”、“数字噪声”、“听力筛查”等关键词。最终,九项研究符合纳入标准。研究筛选流程如下图所示,直观展示了从大量初始记录中筛选出最终纳入文献的过程。
这些研究涵盖了多种SIN评估工具,均在包含正常听力(NH)和听力损失(HL)成年人的群体中进行。
3. 结果
纳入的九项研究展现了SIN评估工具的多样性。数字噪声测试(DIN)是最常研究的工具,其他还包括基于句子的SIN测试、数字化言语筛查工具以及机器学习辅助筛查方法。方法学创新主要体现在以下几个方面:
  1. 1.
    测试范式创新:包括采用抗相差和双耳呈现模式,以增强对不对称性和传导性听力损失的检测敏感性。
  2. 2.
    程序优化:例如将贝叶斯方法应用于矩阵句子测试,以优化自适应程序,提高测试效率并减少聆听负荷。
  3. 3.
    数字化与自动化:通过智能手机或网络平台实现远程、自管理测试,扩大了SIN评估的潜在覆盖范围。
  4. 4.
    人工智能整合:应用机器学习(ML)、文本到语音(TTS)和自动语音识别(ASR)等技术,自动化测试开发、实施和听力损失分类。
在诊断性能方面,这些新兴工具展现出可靠区分听力损失与正常听力的能力。例如,抗相差DIN验证的ROC分析显示,检测20 dB HL以上听力损失的敏感性和特异性分别约为0.96和0.93。基于机器学习的多变量模型分类准确率可达0.85。自动化生成的DIN测试(如ALADDIN框架)也报告了高灵敏度(100%)和特异性(~84%)。这些结果一致表明,SIN测量能够提供超越纯音测听(PTA)的互补信息。
4. 讨论
本综述分析表明,新兴SIN工具在方法和技术上取得了快速进展,其核心优势在于比PTA更敏感、更易获取,且能捕捉PTA未能完全代表的功能性听力方面。由于SIN测试依赖于阈上测量和相对测量,其对环境噪声变化的敏感性较低,生态效度更高,非常适合临床评估、听力筛查以及识别常规测听不易发现的听觉处理障碍。
在各种SIN测试中,基于数字的测试(DIN)因其简单、可靠以及对语言和认知因素依赖性低,已成为主流和开发新工具的参考范式。特别是抗相差呈现范式的引入,增强了对单侧或传导性听力损失的分辨能力,实现了从单纯筛查到基于听力缺损配置进行初步功能分诊的演变。
程序优化,如贝叶斯自适应方法,致力于减少测试时间和聆听疲劳,对老年或听损人群尤其重要。数字化与自动化平台的整合,使得自管理测试在非临床环境下也能保持良好的判别能力,为大规模听力筛查扫除了许多物流障碍。TTS和ASR技术的应用,大幅降低了测试开发成本和时间,便于跨语言和文化背景的适配,为SIN工具的全球传播开辟了前景。
人工智能,特别是机器学习(ML)的应用,代表了评估模式的重大转变。通过整合SRT、年龄、反应准确性和反应时间等多维度特征,ML模型不仅能提高听力损失识别的准确性、敏感性和特异性,还能实现更详细的听觉功能表征。结合可解释性技术,可以洞悉各个特征的相对贡献,增强了模型预测的可解释性,辅助临床决策。
当然,SIN测试也有其局限性。首先,不同工具在范式、研究人群和结果指标上存在异质性,难以直接比较。其次,其区分不同类型听力损失(如传导性与感音神经性)的能力有限,尽管抗相差等范式提高了对特定配置的敏感性,但仍不足以替代传统听力评估进行鉴别诊断。因此,SIN测试应被视为筛查和功能评估的补充工具,而非独立诊断方法。未来研究需关注测试程序的标准化、不同硬件平台的校准,以及在多样人群和真实环境中的验证,并建立规范的临床阈值。
5. 结论
总之,过去十年噪声下言语(SIN)评估领域经历了快速而重大的发展。新兴SIN工具在改善听力损失的识别和表征方面展现出巨大潜力,支持了相比常规测听(PTA)更具功能性、可及性和敏感性的评估方法。未来研究应聚焦于如何将这些工具有效整合到临床实践和听力筛查流程中,以促进早期诊断和及时干预。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号