Umeå universitets logga

Millions of people suffer from hearing loss globally. Otitis media and age-related hearing loss are the most common causes of hearing loss. Besides hearing loss, otitis media can lead to severe infections in the balance and hearing organs as well as the brain with serious complications. Long term consequences of both otitis media and hearing loss are preventable, but for prevention, available and reliable diagnostics is essential. South Africa is one of many countries where ear disease and hearing loss are prevalent and the studies in this thesis are conducted in low-income communities in the City of Tshwane in South Africa. The aim was to validate two new diagnostic tools based on eHealth for ear disease and hearing loss and to explore the prerequisites to implement the methods at clinics in the low-income communities. 

The thesis includes two studies of smartphone-based audiometry and one study of image-based otitis media diagnostics using artificial intelligence. To explore the prerequisites for implementing these methods, the thesis also includes one study in which primary healthcare professionals working in low-income settings were interviewed about their perspectives of ear and hearing health today and for the future. 

In study I and II, the accuracy and reliability of smartphone audiometry was investigated. The thresholds from the smartphone hearing tests were compared to the thresholds from conventional audiometry. When the test was conducted in an operator-controlled manner (study I), the mean difference between methods was in a soundproof booth 1.6 decibel (SD 9.9) and in a noisy primary healthcare environment -1.0 decibel (SD 7.1) (smartphone thresholds subtracted from conventional). When the hearing test was updated to a self-test (study II) and studied in a noisy environment, the mean difference compared to conventional audiometry was -2.2 decibel (SD 10.1) (smartphone thresholds subtracted from conventional). There were no significant differences between repeated measurements with the smartphone test, and smartphone audiometry was therefore considered reliable.

The third study compared the diagnosis from a convolutional neural network (one kind of artificial intelligence) to the reference diagnosis from an expert panel using otoscopic images of tympanic membranes. Accuracy was calculated and how modifications of data affected it (addition of more images, augmentation and normalisation). The accuracy was ≥88 % for all instances tested when the network was used to discern between normal ears, obstructing wax and pathological ears. The modifications of data had no apparent effect on the accuracy. 

The interview study (study IV) is ongoing, and the results are therefore preliminary. Professionals from public primary healthcare clinics were interviewed about the prerequisite for ear and hearing healthcare today, their knowledge of and attitude towards artificial intelligence and the prerequisite to implement tools like the ones proposed in study I-III at their clinics. Some important components seem to be present, although there are several aspects necessary to consider before the tools can be incorporated in the everyday work. An openness to the technique and willingness to learn and being involved was considered beneficial together with critical thinking towards possible pitfalls. It was however seen that maintenance of facilities and equipment and basic medical treatment were at instances missing, which must be prioritised first.

Overall, the studies in this thesis showed that tools supported by eHealth for ear and hearing care can contribute to accurate and accessible ear and hearing diagnostics in low-income settings. They can thereby offer possibilities to prevent long-term consequences from ear disease and hearing loss, but the unique conditions at the clinics must be considered. Future studies of AI supported tools should be performed in clinical settings. 

Hörselnedsättning drabbar miljontals människor globalt och kan orsakas av inflammation eller infektion i mellanörat (mediaotit). Förutom hörselnedsättning kan mediaotit leda till allvarliga infektioner i balans- och hörselorganen och i hjärnan. Långvariga konsekvenser av både mediaotit och hörselnedsättning går att förebygga, men då behövs tillgänglig och tillförlitlig diagnostik. Sydafrika är ett av många länder där förekomsten av öronsjukdom och hörselnedsättning är hög. Studierna i denna avhandling är genomförda i låginkomstområden i Sydafrika, i City of Tshwane. Syftet med studierna är att validera två nya metoder för att med eHälsa diagnostisera öronsjukdom och hörselnedsättning och också att undersöka förutsättningarna för att implementera metoderna i låginkomstområden. Avhandlingen omfattar dels två studier om smartphone-baserad hörselmätning och en studie om bildbaserad diagnostik av mediaotit med hjälp av artificiell intelligens. Avhandlingen omfattar också en studie där personal från primärvårdskliniker i låginkomstområden intervjuas om förutsättningarna för att implementera de nya diagnostiska metoderna i sitt kliniska arbete. 

I de två första studierna undersöktes träffsäkerheten för ett smartphonebaserat hörseltest. Hörselresultaten från smartphone-testet jämfördes mot konventionell hörselmätning. Studierna visar att smartphoneundersökningen gav kliniskt acceptabla resultat både då en undersökare testade försökspersonerna manuellt och även då undersökningen utfördes som ett självtest. Hörseltestet är studerat med likvärdiga resultat både i ett ljudisolerat rum och i en miljö med mycket omgivningsljud. 

I den tredje studien jämfördes örondiagnosen ställd av en typ av artificiell intelligens som används vid bildigenkänning, ett s.k. faltningsnätverk, mot en referensdiagnos ställd av en expertpanel bestående av en grupp erfarna öronläkare. Som grund för diagnos användes bilder av trumhinnor. I studien analyserades också hur modifiering av data (tillägg av fler bilder och s.k. normalisering och augmentering) påverkade resultaten. Träffsäkerheten för nätverket var hög, ≥88 % under alla testade omständigheter då nätverket skulle skilja på normala trumhinnor, sjuka trumhinnor och skymmande vax. De modifieringar av data som användes gav varken en tydlig förbättring eller försämring av träffsäkerheten. 

Intervjustudien, som utgör den sista delen i avhandlingen är pågående och resultaten därför preliminära. Personal från offentligt drivna primärvårdskliniker i Sydafrika har intervjuats om förutsättningarna att bedriva öron- och hörseldiagnostik idag, om sin kunskap och attityd till artificiell intelligens och om förutsättningarna att använda redskap baserade på artificiell intelligens på klinikerna. Det framkommer att det finns möjligheter för de nya metoderna att göra nytta, men att det också finns många aspekter att beakta innan de kan tas i bruk i den kliniska verksamheten. 

Sammantaget visar studierna i denna avhandling att det finns förutsättningar att med nya diagnostiska metoder baserade på eHälsa diagnostisera öronsjukdom och hörselnedsättning i låginkomstområden. Om metoderna kan implementeras kan de bidra till ökad tillgång till träffsäker diagnostik och en minskning av de långvariga konsekvenserna av dessa tillstånd.