gms | German Medical Science

Einer der Nachteile der transitorisch evozierten otoakustischen Emissionen (TEOAE) in ihrem Einsatz als Methode beim universellen Neugeborenenhörscreening (NHS) ist die vergleichsweise schlechte Spezifität. Dies führt dazu, dass 5 bis 10% der Kinder nochmals untersucht werden müssen. Die Verbesserung der Spezifität der TEOAE ist also zu Verbesserung der Praktikabilität eines NHS notwendig. Die vorliegende Studie befasst sich mit der Verbesserung der Spezifität der TEOAE unter Verwendung moderner Methoden der Signalanalyse.

Methoden

In die Studie gingen 1913 Messungen der TEOAE ein, die im Rahmen eines umschriebenen Screeningprojektes in der Zeit zwischen 1996 und 2000 in einer Kinderklinik erhoben wurden. Die Indikation zur Messung der TEOAE innerhalb dieses Programmes richtete sich nach einem Indikationskatalog [Ref. 1] anhand dessen Kinder mit einem erhöhten Risiko für eine Hörstörung identifiziert wurden. Seit 2000 wurde dieses Programm in ein universelles Screening umgewandelt und in das saarländische Hörscreeningprojekt integriert. Die Messungen erfolgten mit dem System ILO 88 (Otodynamics). Nach einer ersten Messung erfolgte im Falle nicht sicher nachweisbarer TEOAE die Zweitmessung noch während des stationären Aufenthaltes nach 1 bis 2 Tagen. Im Falle erneut nicht nachweisbarer TEOAE wurde die objektive Schwellenbestimmung durch die Ableitung der auditorisch evozierten Hirnstammpotentiale nach Clickstimulation sowie mit der Notched Noise - Technik durchgeführt. Als Kriterium für das Vorhandensein von TEOAE wurde in dem ursprünglichen Screeningprogramm ein Gesamtkorrelationsindex (KI) von 60% verwendet.

Die TEOAE-Messungen wurden bei einer zweiten (retrospektiven) Auswertung einer Signalanalyse unterzogen, bei der zunächst eine Wavelet-Framezerlegung durchgeführt wurde. Diese Zerlegung ergab 8 Frequenzbänder, innerhalb derer die Größen Entropie (normierte Shannonentropie) und Energie bestimmt wurden. Insgesamt ergaben sich also pro TEOAE-Messung 16 Signaleigenschaften, die als Eingabegrößen für einen kernbasierten Neuheitendetektor [Ref. 2] verwendet wurden. Bei dieser Methode ergibt sich im 16-dimensionalen Eingaberaum anhand der eingegebenen Signaleigenschaften eine Punktwolke. Es wird nun ein Körper berechnet, der diese Punktwolke umschließt und der durch im Randbereich der Punktwolke liegende Punkte definiert wird. Punkte (in unserem Beispiel TEOAE-Messungen), die außerhalb dieses Körpers liegen, werden als pathologisch, solche die innerhalb des Körpers liegen, als normal betrachtet.

Üblicherweise erfolgt die Definition des „Normalwertekörpers" im Rahmen eines künstlichen Lernprozess anhand einer möglichst großen Anzahl von normalen Messungen. Wir verwendeten hierfür die 1743 Messungen, die aufgrund eines über 60% liegenden Korrelationsindex (KI) und einer visuellen Auswertung der TEOAE- Messung im Zeitbereich als normal eingestuft wurden. Die Fähigkeit dieser Methode normale und pathologische Messungen zu differenzieren, wurde anhand der 170 Messungen bestimmt, die bei der ersten Messung als pathologisch eingestuft wurden. Hierbei wurde das in [Abb. 1] dargestellte hybride Auswerteschema verwendet, wobei nur Messungen, die anhand der Auswertung über den Korrelationsindex nicht sicher eingeordnet werden konnten, der Analyse über den Neuheitendetektor zugeführt wurden. Als Referenz diente dabei entweder die in der zweiten Stufe normale TEOAE-Messung oder die Messung der auditorisch evozierten Potentiale.

[Abb. 2] zeigt das Ergebnis dieses umschriebenen Screeningprojektes bei Verwendung des Korrelationsindex als Auswertekriterium, wobei hier eine Reproduzierbarkeit von 60% als breakpoint angenommen wurde. 170 Messungen mussten in einer zweiten Stufe einer Überprüfung unterzogen werden, wobei hierbei ebenfalls ein Korrelationsindex von 60% als breakpoint angenommen wurde. In der zweiten Stufe konnten erneut 94 Messungen als normal und 76 als pathologisch eingestuft werden, so dass in diesen Fällen die Durchführung der Messung der auditorisch evozierten Hirnstammpotentiale vorgenommen wurde. Eine Hörstörung wurde bei 30 Ohren bei insgesamt 18 Kindern (6 einseitige Schwerhörigkeiten) diagnostiziert. Unter retrospektiver Anwendung des oben beschriebenen hybriden Auswerteschemas aus Korrelationsindex und kernbasierter Neuheitendetektion konnten von den 170 in der ersten Stufe pathologischen Messungen 66 richtig der Normalgruppe zugeordnet werden, ohne auch nur eine Messung, die sich später als einem schwerhörigen Kind zugehörig herausstellte, zu übersehen. Wäre also die erste Messung mit dem beschriebenen Schema ausgewertet worden, so wären nur 104 statt 170 Messungen einer Überprüfung zuzuführen gewesen, was einer Verbesserung der Fail-Rate von 8,8 auf 3,8% entspricht.

Durch den Einsatz eines hybriden Auswertealgorithmus aus dem Korrelationsindex der TEOAE und der kernbasierten Neuheitendetektion konnte eine erhebliche Verbesserung der Failrate anhand der Daten eines retrospektiv ausgewerteten Screeningprojektes nachgewiesen werden.

Während die Signalanalyse moderner TEOAE-basierter Screeninggeräte auch heute noch auf der Korrelationsanalyse basiert, könnte also der Einsatz von auf künstlichen Lernprozessen basierenden Auswertealgorithmen die Effektivität dieser Geräte weiter steigern.

Automatische Lernprozesse, wenn auch in Form eines neuronalen Netzwerkes wurden auch von Buller und Lutman [Ref. 3] verwendet. Sie konnten ebenfalls zeigen, dass durch diese zwar auch auf künstlichen Lernprozessen basierende, jedoch einen völlig anderen Ansatz verfolgende, Methode ebenfalls Verbesserungen gegenüber der Auswertung der Reproduzierbarkeit erreicht werden konnten.

Es sind jedoch prospektive Untersuchungen notwendig, um die Ergebnisse der vorliegenden Untersuchung unter den Bedingungen eines laufenden Screeningprojektes und in Kombination mit den optimierten Messmethoden moderner Screeningeräte zu verifizieren.