25dga150 10.3205/25dga150 urn:nbn:de:0183-25dga1500 Meeting Abstract Heitkötter Heitkötter Felix F

Univ. HNO Klinik Münster, Experimentelle Audiologie, Westerkappeln, Deutschland

author Kaimeh Kaimeh Mouhamed M

Univ. HNO Klinik Münster, Experimentelle Audiologie, Westerkappeln, Deutschland

author Rudack Rudack Claudia C

Univ. HNO Klinik Münster, Experimentelle Audiologie, Westerkappeln, Deutschland

author German Medical Science GMS Publishing House

Düsseldorf

610 20250318 germ This is an Open Access article distributed under the terms of the Creative Commons Attribution 4.0 License. Dieser Artikel ist ein Open-Access-Artikel und steht unter den Lizenzbedingungen der Creative Commons Attribution 4.0 License (Namensnennung). M0607 150 Deutsche Gesellschaft für Audiologie e. V. und ADANO 27. Jahrestagung der Deutschen Gesellschaft für Audiologie und Arbeitstagung der Arbeitsgemeinschaft Deutschsprachiger Audiologen, Neurootologen und Otologen Postersession Göttingen 20250319 20250321 150 TextHintergrund: Die präzise Anpassung der Stimulationsparameter (C-Level und T-Level) bei Cochlea-Implantaten ist essenziell, um eine optimale auditorische Wahrnehmung und ein verbessertes Sprachverständnis bei CI-Trägern zu erreichen. Derzeit erfolgt diese Justierung häufig manuell durch Audiologen, was sowohl zeitaufwendig ist als auch erheblich vom Erfahrungswissen der Behandelnden abhängt. Künstliche Intelligenz, (KI)-basierte Verfahren, insbesondere Methoden des Maschinellen Lernens (ML), bieten hier ein vielversprechendes Potenzial, um die Parametereinstellung zu automatisieren, zu standardisieren und individuell zu optimieren.Zielsetzung: Ziel der geplanten Studie ist die Entwicklung und Evaluierung eines datengetriebenen ML-Modells, das elektrodenspezifische Parameter bei CI-Träger vorhersagen kann. Durch die Analyse von elektrodenspezifischen Messwerten (z.B. Impedanz, elektrophysiologische Messungen, anatomische Parameter) soll ein Modell trainiert werden, das C-Level und T-Level für jede Elektrode individuell prognostiziert. Damit sollen klinisches Fachpersonal bei der Einstellung des Cochlea-Implantats unterstützt werden.Methodik: Prospektiv werden Daten von CI-Patienten erfasst, darunter elektrodenspezifische technische Parameter sowie patientenbezogene Faktoren (u.a. Alter, Dauer der Ertaubung, Audiogramm). Anschließend erfolgt eine Bereinigung und Normalisierung der Daten. Ein künstliches neuronales Netzwerk wird mithilfe von Verfahren der Hyperparameter-Optimierung (Bayesian Optimization) trainiert und validiert. Parallel werden Maßnahmen wie patientenweises Cross-Validation-Splitting eingesetzt, um Overfitting zu minimieren und eine robuste Modellgüte zu gewährleisten. Die Modellgüte wird anhand von Metriken wie Root Mean Squared Error (RMSE), Mean Absolute Error (MAE) und Korrelationskoeffizienten evaluiert.Erwartete Ergebnisse: Obwohl zum jetzigen Zeitpunkt noch keine finalen Ergebnisse vorliegen, erwarten wir, dass das ML-Modell eine deutliche Unterstützung bei der elektrodenspezifischen Parameterfindung bieten kann. Insbesondere rechnen wir mit einer Reduktion der Variabilität zwischen Klinikern, einer Zeiteinsparung im klinischen Alltag und letztlich einer Verbesserung des audiologischen Outcomes für CI-Trägern. 0 0 0 0