L’otite media secretiva (otitis media with effusion, OME) è una delle cause più comuni di ipoacusia conduttiva acquisita (conductive hearing loss, CHL).
Secondo le linee guida di pratica clinica dell’American Academy of Otolaryngology del 2016 l’otoscopia, l’audiometria a tono puro (PTA) e la timpanometria sono gli strumenti essenziali per la diagnosi di OME.
La PTA, però – considerata il gold standard per la valutazione della sensibilità uditiva – presenta diversi limiti a causa della natura soggettiva della sua misurazione, che richiede un alto grado di cooperazione da parte dei pazienti per raggiungere soglie uditive accurate e affidabili.
Un recente studio pubblicato su JAMA Otolaryngology – Head & Neck Surgery ha utilizzato tecniche di deep learning (DL) e un modello di regressione logistica basato sulle caratteristiche della membrana timpanica per prevedere la CHL da immagini otoscopiche.
Il modello DL: misure, punteggi e prestazioni
In particolare, si è trattato di uno studio diagnostico/prognostico retrospettivo condotto utilizzando 2.790 immagini otoscopiche, ottenute da più centri in un periodo di 5 anni (gennaio 2015-novembre 2020). I 1.239 partecipanti avevano un’età compresa tra 4 e 89 anni e le immagini otoscopiche sono state assegnate casualmente a un set di formazione (80%) e un set di convalida (20%). Il modello di DL è stato sviluppato per prevedere un gap medio aria-osso (A-O) maggiore di 10 dB.
Le prestazioni del modello di DL nella previsione della CHL sono state misurate utilizzando l’area sotto la curva (AUC) operativa del ricevitore, l’accuratezza e il punteggio F1 (una misura qualitativa, un punteggio F1 più alto significa prestazioni migliori). Inoltre, questi parametri erano valutati rispetto ai risultati ottenuti dal modello di regressione logistica e alle previsioni fatte da tre otologi.
Le prestazioni del modello di DL nella previsione della CHL hanno mostrato un’AUC di 0,74, un’accuratezza dell’81% e un punteggio F1 di 0,89. Questo pattern di punteggi era migliore di quello relativo al modello di regressione logistica (AUC di 0,60, accuratezza del 76% e punteggio F1 di 0,82) e significativamente superiore rispetto alle prestazioni dei 3 otorinolaringoiatri; accuratezza del 16%, 30%, 39% e punteggi F1 rispettivamente di 0,09, 0,18 e 0,25. Inoltre, il modello di DL ha impiegato 2,5 secondi per analizzare 205 immagini otoscopiche, mentre i 3 otorinolaringoiatri hanno impiegato rispettivamente 633 secondi, 645 secondi e 692 secondi.
Il futuro: potenzialità del DL
Nel campo dell’otorinolaringoiatria e dell’audiologia clinica, studi precedenti hanno dimostrato che i modelli DL sono utili strumenti diagnostici per assistere i clinici in termini di distinzione di varie condizioni patologiche sulla base di immagini otoscopiche.
Ad esempio, è stata dimostrata la capacità dell’intelligenza artificiale di diagnosticare automaticamente l’OME con una precisione del 93%. Inoltre, una recente revisione della letteratura ha indicato che i modelli DL hanno raggiunto un’accuratezza dal 75,3% al 99% nella previsione della perdita dell’udito indotta dal rumore.
Il modello in questo studio diagnostico/prognostico ha sicuramente fornito una buona accuratezza nella previsione della CHL in soggetti affetti da OME, indicando un grande potenziale per l’uso di strumenti di intelligenza artificiale come questo, soprattutto quando la valutazione del CHL con i mezzi tradizionali è difficile e laboriosa a causa delle condizioni di base del paziente.
Reference
Zeng J, Kang W, Chen S, et al. A Deep Learning Approach to Predict Conductive Hearing Loss in Patients With Otitis Media With Effusion Using Otoscopic Images [published online ahead of print, 2022 May 19]. JAMA Otolaryngol Head Neck Surg. 2022;e220900. doi:10.1001/jamaoto.2022.0900
