Predicción del entendimiento del habla en ruido en pacientes con implantes cocleares usando señales de electrococleografías

Abstract

Si bien los implantes cocleares permiten restaurar la audición de pacientes con sordera, se ha observado una notable variabilidad en la capacidad de compresión del habla, sobre todo con ruido de fondo. Esta disparidad representa un desafío particular para aquellos que experimentan resultados deficientes, ya que puede afectar diversos aspectos de su vida. Por ende, resulta crucial identificar los factores que inciden en esta variabilidad para poder predecir de mejor forma el desempeño auditivo y comprender su relación con la variable en cuestión. En este contexto, abordar este problema desde la perspectiva de la ingeniería, con un enfoque específico en el uso de herramientas de ciencia de datos, emerge como una opción lógica. La ciencia de datos ofrece una gama de técnicas para desarrollar modelos predictivos, lo cual resulta especialmente pertinente para comprender y anticipar la variabilidad en la comprensión del habla dentro de este grupo de pacientes.

De esta forma el siguiente trabajo de tesis aborda el diseño de una herramienta que permite definir niveles de comprensión del habla mediante modelos que puedan contribuir al desarrollo de mejores estrategias para abordar los desafíos en el tratamiento de pacientes que tienen malos desempeños en la comprensión del habla en entornos ruidosos después de la implantación.

La herramienta se ha desarrollado utilizando un conjunto de datos de señales de electrococleografías registrados de pacientes implantados en el Hospital Clínico de la Universidad de Chile. Este proyecto ha sido realizado considerando el conocimiento en procesamiento de señales, así como el expertise en el campo de la ciencia de datos, con el objetivo de implementar un enfoque de modelado integral que incluye tanto la regresión como la clasificación.

En base a las herramientas desarrolladas, se evalúan diferentes representaciones de la señal como también diferentes modelos según el enfoque de clasificación y de regresión, donde la representación y modelo seleccionado para la predicción del entendimiento del habla en ruido, resultó ser un modelo de red neuronal en el cual todas las representaciones estudiadas lograron el mismo desempeño con un MAPE de un 79\% en contraste con el mejor resultado del estado del arte de un MAPE de 167\%.