Audiologia computacional

Origem: Wikipédia, a enciclopédia livre.

Audiologia computacional é um ramo da Audiologia que emprega técnicas da matemática e informática para aprimorar o tratamento clínico e o entendimento científico do sistema auditivo.[1] A audiologia computacional está intimamente relacionada à medicina computacional, que usa modelos quantitativos para desenvolver métodos aprimorados para diagnóstico e tratamento de doenças em geral.[2]

Visão geral[editar | editar código-fonte]

Em contraste com os métodos tradicionais em audiologia, a audiologia computacional enfatiza a modelagem preditiva e a análise em larga escala ("big data") em vez de estatísticas inferenciais e testes de hipóteses de pequena coorte. O objetivo da audiologia computacional é traduzir os avanços em ciência de dados, tecnologia da informação e aprendizado de máquina para cuidados na audiologia clínica. Pesquisas para entender a função auditiva e o processamento auditivo nos ser humano, bem como em animais, representam um exemplo da atuação da audiologia computacional. A investigação e o desenvolvimento de pesquisas para implementação de diagnósticos e tratamentos mais eficazes representam uma perspectiva translacional desse objetivo.[3]

Para pessoas com dificuldades auditivas, zumbido, hiperacusia ou problemas de equilíbrio, esses avanços podem levar a diagnósticos mais precisos, novas terapias e opções avançadas de reabilitação, incluindo próteses inteligentes e aplicativos e-Health/mHealth. Para os profissionais, fornecer conhecimentos e ferramentas acionáveis para automatizar parte do percurso clínico.[4]

O campo da audiologia computacional é interdisciplinar e inclui fundamentos em audiologia, neurociência, ciência da computação, ciência de dados, aprendizado de máquina, psicologia, processamento de sinais, processamento de linguagem natural e vestibulometria.

Aplicação[editar | editar código-fonte]

Na audiologia computacional, modelos e algoritmos são usados para entender os princípios que regem o sistema auditivo, rastrear perdas auditivas, diagnosticar distúrbios auditivos, fornecer reabilitação, gerar simulações para educação do paciente, entre outros.

Modelos computacionais de audição, fala e percepção auditiva[editar | editar código-fonte]

Durante décadas, modelos fenomenológicos e biofísicos (computacionais) foram desenvolvidos para simular características do sistema auditivo humano. Exemplos incluem modelos das propriedades mecânicas da membrana basilar,[5] a cóclea estimulada eletricamente,[6][7] mecânica da orelha médio,[8] condução óssea,[9] e a via auditiva central.[10] Saremi et al. (2016) comparou 7 modelos contemporâneos, incluindo bancos de filtros paralelos, bancos de filtros em cascata, linhas de transmissão e modelos biofísicos.[11] Mais recentemente, foram construídas e treinadas redes neurais convolucionais (CNNs) que podem replicar a função auditiva humana[12] ou reproduzir mecânicas cocleares complexas com alta precisão.[13] Embora inspirada na interconectividade das redes neurais biológicas, a arquitetura das CNNs é distinta da organização do sistema auditivo.

Serviços de saúde auditiva conectados, sem fio e baseados na Internet[editar | editar código-fonte]

Testes on-line de audiometria (ou triagem), medidas eletrofisiológicas, por exemplo, emissões otoacústicas e testes de triagem de fala no ruído estão se tornando cada vez mais disponíveis como ferramentas para promover a conscientização e permitir a identificação precoce precisa da perda auditiva em todas as idades, monitorar os efeitos da ototoxicidade e/ou ruído e orientar as decisões de cuidados auditivos e auditivos e dar suporte aos profissionais.[14][15] Testes baseados em smartphones foram propostos para detectar fluido na orelha média usando impedanciometria e aprendizado de máquina.[16] Os acessórios do smartphone também foram projetados para realizar timpanometria para avaliação acústica do tímpano da orelha média.[17][18] Fones de ouvido de baixo custo conectados a smartphones também foram prototipados para detectar as fracas emissões otoacústicas da cóclea e realizar a triagem auditiva neonatal.[19][20]

Big data e inteligência artificial em audiologia e saúde auditiva[editar | editar código-fonte]

A coleta de um grande número de dados de audiogramas (por exemplo, os bancos de dados NIOSH[21] ou NHANES) oferece aos pesquisadores oportunidades para encontrar padrões de configuração auditiva na população[22][23] ou para treinar sistemas inteligência artificial (IA) que podem classificar audiogramas.[24] O aprendizado de máquina pode ser usado para prever a relação entre vários fatores, por exemplo, prever a depressão com base na perda auditiva autorrelatada[25] ou a relação entre o perfil genético e a perda auditiva.[26] Os aparelhos auditivos e vestíveis fornecem a opção de monitorar o ambiente sonoro do usuário ou registrar os padrões de uso que podem ser usados para recomendar automaticamente as configurações que devem beneficiar o usuário.[27]

Abordagens computacionais para melhorar aparelhos e implantes auditivos[editar | editar código-fonte]

Os métodos para melhorar a reabilitação por implantes auditivos incluem a melhoria da percepção musical,[28] modelos da interface eletrodo-neurônio,[29] e um assistente de adaptação de implante coclear baseado em IA.[30]

Investigações baseadas em dados sobre perda auditiva e zumbido[editar | editar código-fonte]

Pesquisas online processadas com classificação baseada em aprendizado de máquina são usadas para diagnosticar o zumbido somatossensorial.[31] Técnicas automatizadas de processamento de linguagem natural (PLN), aprendizado de máquina não supervisionado e supervisionado são usadas para analisar postagens sociais sobre zumbido e analisar a heterogeneidade dos sintomas.[32][33]

Diagnóstico de alterações auditivas[editar | editar código-fonte]

O aprendizado de máquina foi aplicado à audiometria para criar ferramentas de estimativa flexíveis e eficientes que não exigem tempo de teste excessivo para determinar a configuração auditiva do paciente.[34][35] Da mesma forma, foram criadas versões baseadas em aprendizado de máquina de outros testes auditivos, incluindo a determinação de regiões mortas na cóclea ou contornos de sonoridade igual.[36]

e-Research (teste remoto, experimentos online, novas ferramentas e frameworks)[editar | editar código-fonte]

Exemplos de ferramentas de pesquisa incluem o Remote Testing Wiki,[37] o Portable Automated Rapid Testing (PART)[38], a Ecological Momentary Assessment (EMA) e o medidor de nível sonoro desenvolvido pelo NIOSH. Uma série de ferramentas podem ser encontradas online.[39]

Software e ferramentas[editar | editar código-fonte]

Software e grandes conjuntos de dados são importantes para o desenvolvimento e aplicação da audiologia computacional. Assim como em muitos campos da computação, grande parte da audiologia computacional está relacionada ao uso de software de código aberto e de sua manutenção, desenvolvimento e avanço contínuo.[40]

Campos relacionados[editar | editar código-fonte]

Biologia computacional, medicina computacional, patologia computacional são abordagens interdisciplinares para as ciências da vida que se baseiam em disciplinas quantitativas como matemática e ciência da informação.

Ver também[editar | editar código-fonte]

Referências

  1. ↑ «Introduction to Computational Audiology». Computational Audiology (em inglês). Consultado em 23 de setembro de 2023 
  2. ↑ Winslow, Raimond L.; Trayanova, Natalia; Geman, Donald; Miller, Michael I. (31 de outubro de 2012). «Computational Medicine: Translating Models to Clinical Care». Science Translational Medicine. 4 (158): 158rv11. PMC 3618897Acessível livremente. PMID 23115356. doi:10.1126/scitranslmed.3003528 
  3. ↑ Gannon, Frank (1 de novembro de 2014). «The steps from translatable to translational research». EMBO Reports. 15 (11): 1107–1108. ISSN 1469-221X. PMC 4253482Acessível livremente. PMID 25296643. doi:10.15252/embr.201439587 
  4. ↑ Wasmann, Jan-Willem A.; Lanting, Cris P.; Huinck, Wendy J.; Mylanus, Emmanuel A. M.; van der Laak, Jeroen W. M.; Govaerts, Paul J.; Swanepoel, De Wet; Moore, David R.; Barbour, Dennis L. (1 de novembro de 2021). «Computational Audiology: New Approaches to Advance Hearing Health Care in the Digital Age». Ear and Hearing. 42 (6): 1499–1507. PMC 8417156Acessível livremente. PMID 33675587. doi:10.1097/AUD.0000000000001041 
  5. ↑ De Boer, Egbert (1996), Dallos, Peter; Popper, Arthur N.; Fay, Richard R., eds., «Mechanics of the Cochlea: Modeling Efforts», ISBN 978-1-4612-6891-8, New York, NY: Springer New York, The Cochlea, Springer Handbook of Auditory Research, 8, pp. 258–317, doi:10.1007/978-1-4612-0757-3_5, consultado em 18 de janeiro de 2022 
  6. ↑ Frijns, J. H. M.; de Snoo, S. L.; Schoonhoven, R. (1 de julho de 1995). «Potential distributions and neural excitation patterns in a rotationally symmetric model of the electrically stimulated cochlea». Hearing Research (em inglês). 87 (1): 170–186. ISSN 0378-5955. PMID 8567435. doi:10.1016/0378-5955(95)00090-Q 
  7. ↑ Rubinstein, Jay T.; Hong, Robert (2003). «Signal Coding in Cochlear Implants: Exploiting Stochastic Effects of Electrical Stimulation». Annals of Otology, Rhinology & Laryngology. 112 (9_suppl): 14–19. ISSN 0003-4894. PMID 14533839. doi:10.1177/00034894031120s904 
  8. ↑ Sun, Q.; Gan, R. Z.; Chang, K.-H.; Dormer, K. J. (1 de outubro de 2002). «Computer-integrated finite element modeling of human middle ear». Biomechanics and Modeling in Mechanobiology (em inglês). 1 (2): 109–122. ISSN 1617-7959. PMID 14595544. doi:10.1007/s10237-002-0014-z 
  9. ↑ Stenfelt, Stefan (1 de outubro de 2016). «Model predictions for bone conduction perception in the human». Hearing Research. MEMRO 2015 – Basic Science meets Clinical Otology (em inglês). 340: 135–143. ISSN 0378-5955. PMID 26657096. doi:10.1016/j.heares.2015.10.014 
  10. ↑ Meddis, Ray; Lopez-Poveda, Enrique A.; Fay, Richard R.; Popper, Arthur N., eds. (2010). «Computational Models of the Auditory System». Springer Handbook of Auditory Research (em inglês). 35. ISBN 978-1-4419-1370-8. ISSN 0947-2657. doi:10.1007/978-1-4419-5934-8 
  11. ↑ Saremi, Amin; Beutelmann, Rainer; Dietz, Mathias; Ashida, Go; Kretzberg, Jutta; Verhulst, Sarah (2016). «A comparative study of seven human cochlear filter models». The Journal of the Acoustical Society of America. 140 (3): 1618–1634. Bibcode:2016ASAJ..140.1618S. ISSN 0001-4966. PMID 27914400. doi:10.1121/1.4960486 
  12. ↑ Kell, Alexander J. E.; Yamins, Daniel L. K.; Shook, Erica N.; Norman-Haignere, Sam V.; McDermott, Josh H. (2 de maio de 2018). «A Task-Optimized Neural Network Replicates Human Auditory Behavior, Predicts Brain Responses, and Reveals a Cortical Processing Hierarchy». Neuron (em inglês). 98 (3): 630–644.e16. ISSN 0896-6273. PMID 29681533. doi:10.1016/j.neuron.2018.03.044Acessível livremente 
  13. ↑ Baby, Deepak; Van Den Broucke, Arthur; Verhulst, Sarah (2021). «A convolutional neural-network model of human cochlear mechanics and filter tuning for real-time applications». Nature Machine Intelligence (em inglês). 3 (2): 134–143. ISSN 2522-5839. PMC 7116797Acessível livremente. PMID 33629031. doi:10.1038/s42256-020-00286-8 
  14. ↑ Paglialonga, Alessia; Cleveland Nielsen, Annette; Ingo, Elisabeth; Barr, Caitlin; Laplante-Lévesque, Ariane (31 de julho de 2018). «eHealth and the hearing aid adult patient journey: a state-of-the-art review». BioMedical Engineering OnLine. 17 (1). 101 páginas. ISSN 1475-925X. PMC 6069792Acessível livremente. PMID 30064497. doi:10.1186/s12938-018-0531-3 
  15. ↑ Frisby, Caitlin; Eikelboom, Robert; Mahomed-Asmail, Faheema; Kuper, Hannah; Swanepoel, De Wet (30 de dezembro de 2021). «MHealth Applications for Hearing Loss: A Scoping Review». Telemedicine and e-Health. 28 (8): 1090–1099. ISSN 1530-5627. PMID 34967683. doi:10.1089/tmj.2021.0460 
  16. ↑ Chan, Justin; Raju, Sharat; Nandakumar, Rajalakshmi; Bly, Randall; Gollakota, Shyamnath (15 de maio de 2019). «Detecting middle ear fluid using smartphones». Science Translational Medicine (em inglês). 11 (492): eaav1102. ISSN 1946-6234. PMID 31092691. doi:10.1126/scitranslmed.aav1102 
  17. ↑ Chan, Justin; Najafi, Ali; Baker, Mallory; Kinsman, Julie; Mancl, Lisa R.; Norton, Susan; Bly, Randall; Gollakota, Shyamnath (16 de junho de 2022). «Performing tympanometry using smartphones». Communications Medicine (em inglês). 2 (1): 57. ISSN 2730-664X. PMC 9203539Acessível livremente. PMID 35721828. doi:10.1038/s43856-022-00120-9 
  18. ↑ Community, Nature Portfolio Bioengineering (15 de junho de 2022). «Computing for Audiology: Smartphone tympanometer for diagnosing middle ear disorders». Nature Portfolio Bioengineering Community (em inglês). Consultado em 21 de junho de 2022 
  19. ↑ Goodman, Shawn S. (31 de outubro de 2022). «Affordable hearing screening». Nature Biomedical Engineering (em inglês). 6 (11): 1199–1200. ISSN 2157-846X. PMID 36316370. doi:10.1038/s41551-022-00959-2 
  20. ↑ Chan, Justin; Ali, Nada; Najafi, Ali; Meehan, Anna; Mancl, Lisa R.; Gallagher, Emily; Bly, Randall; Gollakota, Shyamnath (31 de outubro de 2022). «An off-the-shelf otoacoustic-emission probe for hearing screening via a smartphone». Nature Biomedical Engineering (em inglês). 6 (11): 1203–1213. ISSN 2157-846X. PMC 9717525Acessível livremente. PMID 36316369. doi:10.1038/s41551-022-00947-6 
  21. ↑ Masterson, Elizabeth A.; Tak, SangWoo; Themann, Christa L.; Wall, David K.; Groenewold, Matthew R.; Deddens, James A.; Calvert, Geoffrey M. (2013). «Prevalence of hearing loss in the United States by industry». American Journal of Industrial Medicine (em inglês). 56 (6): 670–681. PMID 22767358. doi:10.1002/ajim.22082 
  22. ↑ Charih, François; Bromwich, Matthew; Mark, Amy E.; Lefrançois, Renée; Green, James R. (2020). «Data-Driven Audiogram Classification for Mobile Audiometry». Scientific Reports (em inglês). 10 (1). 3962 páginas. Bibcode:2020NatSR..10.3962C. ISSN 2045-2322. PMC 7054524Acessível livremente. PMID 32127604. doi:10.1038/s41598-020-60898-3 
  23. ↑ Cox, Marco; de Vries, Bert (2021). «Bayesian Pure-Tone Audiometry Through Active Learning Under Informed Priors». Frontiers in Digital Health. 3: 723348. ISSN 2673-253X. PMC 8521968Acessível livremente. PMID 34713188. doi:10.3389/fdgth.2021.723348Acessível livremente 
  24. ↑ Crowson, Matthew G.; Lee, Jong Wook; Hamour, Amr; Mahmood, Rafid; Babier, Aaron; Lin, Vincent; Tucci, Debara L.; Chan, Timothy C. Y. (7 de agosto de 2020). «AutoAudio: Deep Learning for Automatic Audiogram Interpretation». Journal of Medical Systems (em inglês). 44 (9). 163 páginas. ISSN 1573-689X. PMID 32770269. doi:10.1007/s10916-020-01627-1 
  25. ↑ Crowson, Matthew G.; Franck, Kevin H.; Rosella, Laura C.; Chan, Timothy C. Y. (2021). «Predicting Depression From Hearing Loss Using Machine Learning». Ear and Hearing (em inglês). 42 (4): 982–989. ISSN 1538-4667. PMID 33577219. doi:10.1097/AUD.0000000000000993 
  26. ↑ Wells, Helena RR.; Freidin, Maxim B.; Zainul Abidin, Fatin N.; Payton, Antony; Dawes, Piers; Munro, Kevin J.; Morton, Cynthia C.; Moore, David R.; Dawson, Sally J (14 de fevereiro de 2019). «Genome-wide association study identifies 44 independent genomic loci for self-reported adult hearing difficulty in the UK Biobank cohort». dx.doi.org. doi:10.1101/549071. Consultado em 20 de janeiro de 2022 
  27. ↑ Christensen, Jeppe H.; Saunders, Gabrielle H.; Porsbo, Michael; Pontoppidan, Niels H. (2021). «The everyday acoustic environment and its association with human heart rate: evidence from real-world data logging with hearing aids and wearables». Royal Society Open Science. 8 (2). 201345 páginas. Bibcode:2021RSOS....801345C. PMC 8074664Acessível livremente. PMID 33972852. doi:10.1098/rsos.201345 
  28. ↑ Tahmasebi, Sina; Gajȩcki, Tom; Nogueira, Waldo (2020). «Design and Evaluation of a Real-Time Audio Source Separation Algorithm to Remix Music for Cochlear Implant Users». Frontiers in Neuroscience. 14: 434. ISSN 1662-453X. PMC 7248365Acessível livremente. PMID 32508564. doi:10.3389/fnins.2020.00434Acessível livremente 
  29. ↑ Garcia, Charlotte; Goehring, Tobias; Cosentino, Stefano; Turner, Richard E.; Deeks, John M.; Brochier, Tim; Rughooputh, Taren; Bance, Manohar; Carlyon, Robert P. (1 de outubro de 2021). «The Panoramic ECAP Method: Estimating Patient-Specific Patterns of Current Spread and Neural Health in Cochlear Implant Users». Journal of the Association for Research in Otolaryngology (em inglês). 22 (5): 567–589. ISSN 1438-7573. PMC 8476702Acessível livremente. PMID 33891218. doi:10.1007/s10162-021-00795-2 
  30. ↑ Battmer, Rolf-Dieter; Borel, Stephanie; Brendel, Martina; Buchner, Andreas; Cooper, Huw; Fielden, Claire; Gazibegovic, Dzemal; Goetze, Romy; Govaerts, Paul (1 de março de 2015). «Assessment of 'Fitting to Outcomes Expert' FOX™ with new cochlear implant users in a multi-centre study». Cochlear Implants International. 16 (2): 100–109. ISSN 1467-0100. PMID 25118042. doi:10.1179/1754762814Y.0000000093 
  31. ↑ Michiels, Sarah; Cardon, Emilie; Gilles, Annick; Goedhart, Hazel; Vesala, Markku; Schlee, Winfried (14 de julho de 2021). «Somatosensory Tinnitus Diagnosis: Diagnostic Value of Existing Criteria». Ear & Hearing. 43 (1): 143–149. ISSN 1538-4667. PMID 34261856. doi:10.1097/aud.0000000000001105 
  32. ↑ Palacios, Guillaume; Noreña, Arnaud; Londero, Alain (2020). «Assessing the Heterogeneity of Complaints Related to Tinnitus and Hyperacusis from an Unsupervised Machine Learning Approach: An Exploratory Study». Audiology and Neurotology. 25 (4): 174–189. ISSN 1420-3030. PMID 32062654. doi:10.1159/000504741Acessível livremente 
  33. ↑ «What can we learn about tinnitus from social media posts?». Computational Audiology (em inglês). 7 de junho de 2021. Consultado em 20 de janeiro de 2022 
  34. ↑ Barbour, Dennis L.; Howard, Rebecca T.; Song, Xinyu D.; Metzger, Nikki; Sukesan, Kiron A.; DiLorenzo, James C.; Snyder, Braham R. D.; Chen, Jeff Y.; Degen, Eleanor A. (2019). «Online Machine Learning Audiometry». Ear & Hearing (em inglês). 40 (4): 918–926. ISSN 0196-0202. PMC 6476703Acessível livremente. PMID 30358656. doi:10.1097/AUD.0000000000000669 
  35. ↑ Schlittenlacher, Josef; Turner, Richard E.; Moore, Brian C. J. (1 de julho de 2018). «Audiogram estimation using Bayesian active learning». The Journal of the Acoustical Society of America. 144 (1): 421–430. Bibcode:2018ASAJ..144..421S. ISSN 0001-4966. PMID 30075695. doi:10.1121/1.5047436 
  36. ↑ Schlittenlacher, Josef; Moore, Brian C. J. (2020). «Fast estimation of equal-loudness contours using Bayesian active learning and direct scaling». Acoustical Science and Technology. 41 (1): 358–360. doi:10.1250/ast.41.358Acessível livremente 
  37. ↑ «PP Remote Testing Wiki | Main / RemoteTesting». www.spatialhearing.org. Consultado em 20 de janeiro de 2022 [ligação inativa] 
  38. ↑ «P.A.R.T.». UCR | Brain Game Center (em inglês). Consultado em 6 de março de 2024 
  39. ↑ «Resources». Computational Audiology (em inglês). Consultado em 20 de janeiro de 2022 
  40. ↑ Fortunato, Laura; Galassi, Mark (17 de maio de 2021). «The case for free and open source software in research and scholarship». Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences. 379 (2197). 20200079 páginas. Bibcode:2021RSPTA.37900079F. PMID 33775148. doi:10.1098/rsta.2020.0079 
Obtida de "https://pt.wikipedia.org/w/index.php?title=Audiologia_computacional&oldid=67585806"