Automatic Audiogram Classification
Projekt der anvender maskinlæring til automatisk at genkende og klassificere audiogrammønstre i mindst 8–10 af de mest almindelige høretab-subtyper, med henblik på at understøtte klinisk beslutningsstøtte og mulig integration med patientbetjent audiometri (UAud).
Beskrivelse af systemet
Projektet udvikler en AI-algoritme til automatisk mønstergenkendelse og klassificering af audiogrammer i mindst 8–10 af de mest almindelige subtyper af høretab. Systemet er udviklet ved ØNH-afdelingen på OUH i samarbejde med Maersk Mc-Kinney Moller Instituttet ved SDU. Algoritmen er designet til at understøtte klinikere i at identificere den rette udredning og behandling, og den er potentielt integrationsegnet med UAud-projektet (User-operated Audiometry), der giver patienter mulighed for selv at måle høretærskler med algoritmisk diagnostisk assistance.
Projektet løb fra 2020 til 2024. Relaterede initiativer er finansieret af William Demant Fonden og Innovationsfonden.
Systemet anvender maskinlæringsbaseret mønstergenkendelse til automatisk at analysere og klassificere audiogrammønstre. Algoritmen identificerer hvilken type hørepatologi audiogrammet afspejler, og giver dermed klinisk beslutningsstøtte til valg af videre udredning og behandling. Den konkrete maskinlæringsmetode er ikke nærmere beskrevet i de tilgængelige kilder.
Algoritmen er udviklet på data fra projektet "Hearing loss and dementia: Towards a better understanding of the underlying mechanisms". Der er ikke fundet yderligere oplysninger om træningsdatasættets størrelse og sammensætning.
Systemet er designet til at understøtte den kliniske vurdering. Der er ikke fundet yderligere oplysninger om konkrete sikkerhedsforanstaltninger.
Der er ikke fundet oplysninger om pilotprojekter forud for det nuværende projekt.
Manuel klassificering af audiogrammer er tidskrævende og afhænger af klinisk erfaring. Automatisk AI-klassificering kan give tidsbesparelser og øget konsistens i diagnostikken. En potentiel integration med UAud-projektet kan yderligere muliggøre skalerbar, patientbetjent hørescreening med algoritmisk diagnostisk støtte.
ALIVE (PROJ-022) og PEACE (PROJ-027): Beslægtede projekter der anvender maskinlæring til mønstergenkendelse i kliniske data (hhv. vævsprøver og kolposkopidata) til diagnostisk klassificering.
Algoritmer til audiogramklassificering trænet på specifikke datasæt kan have reduceret præcision ved atypiske audiogrammønstre. En potentiel integration med patientbetjent audiometri (UAud) vil kræve særlig opmærksomhed på validering uden for den kliniske kontekst og på konsekvenserne af diagnostisk usikkerhed i en selvbetjeningsmodel.
Bidrag til offentlig-ai
Har du supplerende oplysninger, ønsker du ændringer som projektejer eller vil du give et bidrag til offentlig-ai.dk og vores arbejde med at synliggøre AI i den offentlige sektor?
Bidrag med oplysninger til offentlig-ai.dkStøt forskningen finansieltÆndringshistorik (2 opdateringer)
Vis detaljer
Citér dette projekt
APA 7
Odense Universitetshospital & Syddansk Universitet. (2020). Automatic Audiogram Classification. I «Offentlig AI – Database over kunstig intelligens i den offentlige sektor». Tilgået 7. september 2026 fra https://offentlig-ai.dk/projekter/automatic-audiogram-classification
Citér databasen
APA 7
Küçüksu, A., & Gyldenkærne, C. H. (2026). Offentlig AI - Kunstig Intelligens i det offentlige v2 [Data set]. Zenodo. https://doi.org/10.5281/zenodo.20660412