Keuntungan:
- Kemampuan untuk secara akurat memposisikan logika 'lulus/gagal' dari hasil skrining OAE dan otomatis berbasis ABR serta perbedaan antara skrining dan diagnosis dengan dukungan kecerdasan buatan
- Kemampuan untuk menggunakan kecerdasan buatan sebagai pra-penyaringan yang memprioritaskan kasus-kasus yang memerlukan tindak lanjut dalam daftar penyaringan dan menghindari risiko negatif palsu
- Memahami batasan dan kewajiban pemberitahuan keluaran kecerdasan buatan dalam penyaringan kebisingan di tempat kerja dan penyaringan sekolah
Pemeriksaan pendengaran adalah proses pemeriksaan yang dengan cepat mengidentifikasi orang-orang yang mungkin memiliki masalah pendengaran di masyarakat dan mengarahkan mereka ke evaluasi diagnostik. Skrining bukanlah diagnosis; Ini adalah kalimat paling kritis dari unit ini. Screening mengatakan “mungkin ada yang salah dengan orang ini, biar diperiksa”; Diagnosisnya mengatakan, "Orang ini memiliki jenis dan tingkat kehilangan seperti ini." Kecerdasan buatan adalah alat pra-penyaringan yang ampuh untuk melakukan pra-evaluasi hasil pemeriksaan — khususnya dalam memilah-milah sejumlah besar hasil dan memprioritaskan hasil-hasil yang memerlukan tindak lanjut. Namun hal ini tidak dapat sepenuhnya mencegah hasil negatif palsu (kasus nyata yang terlewatkan) dan tidak pernah dapat membuat keputusan diagnostik.
Dalam unit ini, kita akan membahas tiga konteks pemeriksaan umum: pemeriksaan pendengaran bayi baru lahir, pemeriksaan usia sekolah, dan pemeriksaan kebisingan di tempat kerja. Di masing-masingnya, kami akan menjelaskan di mana Anda dapat menggunakan kecerdasan buatan dengan aman dan di mana Anda harus berhenti.
Logika tes penyaringan
Mari kita mengenal dua metode dasar pemeriksaan bayi baru lahir/bayi.
OAE (Otoacoustic Emission): Mengukur suara sangat samar yang dihasilkan oleh koklea (organ pendengaran di telinga bagian dalam) yang sehat sebagai respons terhadap suara. Sebuah probe kecil ditempatkan di telinga; Jika koklea mengeluarkan bunyi "gema", maka tes tersebut dianggap "lulus". OAE berlangsung cepat tetapi tidak dapat mendeteksi masalah di belakang koklea (saraf pendengaran).
ABR Otomatis (Respon Batang Otak Auditori): Mengukur respons listrik saraf pendengaran dan batang otak terhadap suara. Alat ini terutama lebih disukai pada bayi yang dirawat intensif karena dapat mendeteksi kondisi yang mungkin terlewatkan oleh OAE, seperti neuropati pendengaran (suatu kondisi di mana koklea berfungsi namun konduksi saraf terganggu).
Hasil dari kedua tes tersebut biasanya “lulus” atau “gagal/rujuk”. “Gagal” bukanlah suatu diagnosis; menunjukkan perlunya evaluasi lebih lanjut. "Lulus" menunjukkan bahwa tidak ada masalah nyata pada pemindaian saat ini, dan tidak menjamin pendengaran seumur hidup.
Perhatian: Hilangnya tipe neuropati pendengaran mungkin tetap tersembunyi pada bayi dengan hasil "lulus" dari OAE. Keluarga tidak diberitahu “sudah berakhir = tidak akan ada masalah”; Pemantauan gejala dan tindak lanjut, jika perlu, direkomendasikan untuk kerugian yang mungkin terjadi di kemudian hari.
Mengapa diagnosis dini sangat penting?
Alasan mengapa pemeriksaan pendengaran bayi baru lahir merupakan program yang umum dan dilakukan secara serius adalah karena pendengaran merupakan dasar dari perkembangan bahasa dan bicara. Sejak bayi lahir, ia belajar bahasa dengan mendengarkan suara-suara di sekitarnya; Jika gangguan pendengaran tidak disadari, masa perkembangan ini bisa saja terlewatkan. Jika gangguan pendengaran terdeteksi sejak dini dan mendapat dukungan yang tepat, perkembangan bahasa anak akan mengalami kemajuan yang jauh lebih baik dibandingkan jika terlambat terdeteksi. Itu sebabnya hasil skrining yang "negatif palsu"—yakni, melewatkan bayi yang benar-benar mengalami kehilangan karena "lulus"—adalah kesalahan yang paling merugikan di lapangan: kehilangan beberapa bulan kemudian dapat menyebabkan perbedaan perkembangan yang sulit untuk dikompensasi.
Kecerdasan buatan sangat berharga dalam konteks ini untuk memastikan bahwa rantai pelacakan tidak terputus. Masalah umum dalam program skrining adalah bayi dengan hasil “gagal” tidak pernah datang untuk evaluasi lebih lanjut (keluarga tidak muncul, catatan hilang, janji temu lupa). AI dapat membantu mengurangi tingkat “kehilangan tindak lanjut” ini dengan menyusun daftar kasus yang memerlukan tindak lanjut dan menghasilkan teks pengingat. Namun keputusan mengenai bayi mana yang benar-benar berisiko dan bagaimana proses diagnosis akan dilanjutkan selalu menjadi tanggung jawab klinis dokter spesialis dan programnya.
Keseimbangan negatif palsu dan positif palsu
Setiap tes penyaringan dapat membuat dua jenis kesalahan. Negatif palsu adalah kehilangan orang yang sebenarnya mempunyai masalah karena mereka "sudah mengatasinya"—kesalahan paling berbahaya dalam layanan kesehatan karena anak tersebut tetap tidak diikuti. Hasil positif palsu pada dasarnya menandai orang yang sehat sebagai orang yang “gagal” – menimbulkan kecemasan yang tidak perlu dan pengujian tambahan, namun tidak terlalu berbahaya.
Anda harus mencapai keseimbangan ini secara sadar ketika menggunakan AI dalam daftar penyaringan: dalam pra-penyaringan, umumnya lebih aman untuk menjaga ambang batas menuju "tidak hilang" (yaitu mengikuti tersangka). Tabel di bawah membandingkan ketiga konteks tersebut.
Konteks
Metode yang khas
Risiko negatif palsu
Peran AI yang aman
baru lahir
OAE / ABR otomatis
Tinggi (keterlambatan perkembangan)
Pengeditan daftar hasil, pengingat tindak lanjut
usia sekolah
Pemindaian suara murni
Sedang (efek pelatihan)
Prioritas kelas/daftar
tempat kerja
Audiometri kebisingan
Sedang-tinggi (penyakit akibat kerja)
Plot tren/perbandingan
Langkah demi langkah: penilaian awal pemindaian dengan AI
- Anonimkan dan susun data. Cantumkan hasil berdasarkan kode/nomor urut, bukan ID, lulus/gagal, dan nilai pengukuran jika ada.
- Tentukan aturan pra-kualifikasi. Prioritaskan mereka yang “gagal” dan mereka yang berada di perbatasan; Atur agar Anda tidak ketinggalan mengambil keputusan.
- Biarkan AI memprioritaskan. Mintalah daftar yang merinci apa yang perlu dipantau, apa yang perlu dipindai ulang, dan apa yang normal.
- Waspadai negatif palsu. Bahkan pada kelompok “Lulus”, jika ada yang menggambarkan gejalanya (kecurigaan keluarga, keterlambatan bicara), tindak lanjuti.
- Serahkan panduan diagnostik kepada ahlinya. Diagnosis akhir dan keputusan pengujian lebih lanjut berada di tangan audiolog/dokter.
- Menegakkan kewajiban pemberitahuan. Mengoperasikan proses pemberitahuan dan perlindungan kesehatan kerja, terutama jika terjadi kasus kerugian yang terdeteksi di tempat kerja.
Perintah lemah / Perintah kuat
Perintah yang lemah:
Bayi berikut hasilnya OAE, beri tahu saya mana yang tuli: [daftar]
Hal ini memerlukan bahasa diagnostik yang tepat seperti “tuli”, mengabaikan perbedaan skrining dan diagnosis, dan mengabaikan risiko negatif palsu.
Perintah yang kuat:
Peran Anda: asisten pra-penyaringan yang mengatur hasil penyaringan. JANGAN MEMBUAT DIAGNOSIS; Ingatkan saya bahwa pemeriksaan "lulus/gagal" bukanlah suatu diagnosis. Data (anonim, dengan nomor urut): [daftar lulus/gagal + catatan jika ada]Tugas: (1) memprioritaskan yang “gagal”, (2) menandai secara terpisah “lulus” tetapi tidak dicatat (kecurigaan keluarga, dll.), (3) menulis rekomendasi langkah berikutnya untuk masing-masing kelompok. Menyatakan bahwa diagnosis akhir dan keputusan pengujian lebih lanjut ada di tangan audiolog/dokter.
Permintaan yang kuat bersifat anonim, mempertahankan perbedaan diagnosis-skrining, memperhitungkan negatif palsu, dan menyerahkan keputusan kepada ahlinya.
tiga kasus mini
Kasus 1 — Prioritas. Satu unit skrining mempunyai 120 hasil bayi baru lahir; 8 "kiri". Audiolog memberikan daftar anonim kepada kecerdasan buatan dan mengedit daftar pelacakan. AI memisahkan 8 kasus “gagal” dan 3 kasus dengan catatan “lulus, namun terdapat riwayat gangguan pendengaran dalam keluarga”. Spesialis mengikuti 11 bayi. AI mengedit 120 baris dalam hitungan menit; Risiko penculikan telah berkurang.
Kasus 2 — Penangkapan negatif palsu. Dalam pemutaran film di sekolah, seorang anak berusia 9 tahun menerima "lulus" dalam pemutaran nada murni, tetapi guru mencatat bahwa "dia mengulanginya sepanjang waktu dan tidak mendengarnya ketika dipanggil dari belakang." Audiolog memindai catatan ini ke dalam kecerdasan buatan dengan filter "Apakah ada gejala pada grup yang lulus?" Anak tersebut dibawa untuk evaluasi lebih lanjut dan terdeteksi adanya kehilangan yang sedikit bergelombang. Angka “lulus” tidak mengesampingkan gejala klinis.
Kasus 3 — Bias di tempat kerja. Ada audiometri kebisingan tahunan terhadap 50 pekerja di sebuah pabrik. Pakar meminta sketsa yang membandingkan nilai anonim dengan tahun lalu. YZ menandai 5 pekerja yang menunjukkan pergeseran ambang batas yang signifikan pada 4000 Hz. Spesialis merujuk mereka ke evaluasi diagnostik dan peninjauan alat pelindung diri; Memulai proses pemberitahuan kesehatan kerja.
Templat cepat yang dapat disalin
TEMPLATISASI DAFTAR LAYAR Bagilah hasil penyaringan anonim berikut menjadi tiga kelompok: (1) prioritas tindak lanjut (“gagal”), (2) tinjauan karena nilai/keraguan (“lulus” + indikasi), (3) rutin. Skrining bukanlah diagnosis, bukan diagnosis pasti. Data: [daftar]
TEMPLATE FILTER NEGATIF SALAH Catatan dengan hasil "Lulus" tetapi dengan gejala/kecurigaan keluarga/catatan perkembangan muncul sebagai daftar terpisah dan tuliskan alasan Anda merekomendasikan tindak lanjut. Data: [lulus grup + catatan]
TEMPLATE PERBANDINGAN TREN TEMPAT KERJABandingkan ambang batas audiometri kebisingan tahun ini dan tahun lalu untuk kode pekerja anonim berikut; Tandai yang menunjukkan penurunan signifikan (terutama 3000-6000 Hz). Keputusan dan pemberitahuan ada pada ahlinya. Data: [nilai]
TEMPLATE INFORMASI KELUARGA/TERKAIT Tulislah paragraf informasi dalam bahasa Turki sederhana dengan pesan "Pemeriksaan bukanlah diagnosis, kelulusan tidak memberikan jaminan seumur hidup, tetap tinggal tidak berarti tuli." Jangan menimbulkan kecemasan, bersikaplah realistis, tekankan pentingnya tindak lanjut.
Kesalahan umum
- Salah mengira pemindaian sebagai diagnosis. Menyajikan hasil “lulus/gagal” sebagai diagnosis pasti.
- Lupakan negatif palsu. Mengabaikan kasus-kasus bergejala pada kelompok “Lulus”.
- Kepastian palsu kepada keluarga. Mengatakan "Lulus = tidak masalah"; Mengabaikan kemungkinan seperti neuropati pendengaran.
- Melewati kewajiban pemberitahuan. Tidak melaporkan kerugian yang terdeteksi di tempat kerja kepada proses kesehatan kerja.
- Memasukkan data identifikasi ke dalam kendaraan. Memberikan identitas bayi/pekerja pada kecerdasan buatan tanpa menganonimkannya.
Singkatnya
Skrining adalah eliminasi yang menghilangkan potensi masalah dan mengarahkannya ke evaluasi diagnostik; Ini bukan diagnosis. AI adalah alat pra-penyaringan yang ampuh untuk memilah sejumlah besar hasil dan memprioritaskan hasil yang perlu ditindaklanjuti, namun AI tidak dapat sepenuhnya mencegah hasil negatif palsu. Apabila terdapat gejala meskipun “Lulus”, keputusan dokter spesialis untuk menindaklanjutinya, dan apabila “Gagal”, evaluasi lebih lanjut merupakan keputusan dokter spesialis; Kewajiban pemberitahuan dan perlindungan harus ditegakkan jika terjadi kerugian yang terdeteksi di tempat kerja.
Tugas aplikasi
Siapkan daftar penyaringan anonim yang dibuat-buat (setidaknya 15 baris, lulus/gagal, dan catatan gejala pada beberapa baris). Berikan AI dua daftar dengan templat “prioritas” dan “filter negatif palsu”. Kemudian tinjau secara manual: apakah ada garis yang terlewat atau dilebih-lebihkan oleh AI? Buatlah paragraf informasi untuk keluarga menggunakan templat “informasi keluarga” dan perbaiki agar tidak berlebihan/kurang meyakinkan.
daftar periksa
- [ ] Saya memberikan hasil pemindaian secara anonim dan terstruktur.
- [ ] "Gagal" dan saya memprioritaskan mengikuti mereka yang ada di perbatasan.
- [ ] Saya meninjau kasus gejala di grup "Lulus" secara terpisah.
- [ ] Saya menyerahkan diagnosis akhir dan keputusan pengujian lebih lanjut kepada spesialis.
- [ ] Saya telah mengamati kewajiban pemberitahuan/perlindungan dalam konteks tempat kerja.
- [ ] Saya menulis informasi keluarga dalam bahasa yang realistis dan tidak membuat cemas.