收益：
- 能够在人工智能的支持下准确定位OAE和基于ABR的自动筛查结果的“通过/失败”逻辑以及筛查和诊断之间的差异
- 能够使用人工智能作为预筛选器，优先考虑筛选列表中需要跟进的病例，并避免漏报的风险
- 了解人工智能输出在工作场所噪声筛查和学校筛查中的限制和通知义务
听力筛查是一种快速识别社会中可能存在听力问题的人并指导他们进行诊断评估的筛查过程。筛查不是诊断；这是本单元最关键的一句话。筛查说“这个人可能有问题，让检查一下”；诊断书上写着：“这个人有这种类型和程度的损失。”人工智能是一种强大的预筛选器，可用于预先评估筛选结果，特别是在对大量结果进行排序并优先考虑需要跟进的结果时。但它不能完全防止假阴性（漏掉真实病例），也永远无法做出诊断决定。
在本单元中，我们将介绍三种常见的筛查情况：新生儿听力筛查、学龄筛查和工作场所噪音筛查。在每个问题中，我们都将阐明您可以在哪里安全地使用人工智能以及在哪里应该停止。
筛选测试的逻辑
让我们了解两种基本的新生儿/婴儿筛查方法。
OAE（耳声发射）：测量健康耳蜗（内耳中的听觉器官）响应声音而产生的非常微弱的声音。将一个小探头放入耳朵中；如果耳蜗发出“回声”，则测试被视为“通过”。 OAE 速度很快，但无法检测耳蜗（听觉神经）后面的问题。
自动 ABR（听觉脑干反应）：测量听觉神经和脑干对声音的电反应。它尤其适用于重症监护婴儿，因为它可以检测 OAE 可能漏掉的病症，例如听神经病变（耳蜗正常工作但神经传导受损的病症）。
两项测试的结果通常是“通过”或“失败/参考”。 “失败”并不是一个诊断；而是一个诊断。表明需要进一步评估。 “通过”表示当前扫描没有明显问题，不保证终生听力。
注意：OAE 结果为“通过”的婴儿可能仍隐藏着听觉神经病型丧失。家人不会被告知“一切都结束了=永远不会成为问题”；如有必要，建议对以后可能发生的损失进行症状监测和随访。
为什么早期诊断如此重要？
新生儿听力筛查之所以如此普遍且受到重视，是因为听力是语言和言语发展的基础。从婴儿出生的那一刻起，他就通过听周围的声音来学习语言；如果听力损失未被注意到，那么这个发展窗口可能会悄无声息地错过。如果早期发现听力损失并给予适当支持，孩子的语言发展会比发现较晚时明显进步。这就是为什么筛查的“假阴性”——即漏掉真正失去的婴儿“通过”——是该领域代价最高的错误：失去的几个月可能会转化为难以弥补的发育差异。
在这种情况下，人工智能在确保跟踪链不被破坏方面尤其有价值。筛查项目中的一个常见问题是，结果为“失败”的婴儿永远不会接受进一步评估（家人没有出现，记录丢失，预约被忘记）。人工智能可以通过整理需要跟进的案例列表并生成提醒文本来帮助降低“丢失跟进”率。但关于哪个婴儿真正面临风险以及如何进行诊断过程的决定始终是专家和项目的临床责任。
假阴性和假阳性的平衡
每个筛选测试都可能出现两种类型的错误。假阴性是指漏掉了真正有问题的人，因为他们已经“克服了这个问题”——这是医疗保健中最危险的错误，因为孩子仍然没有得到关注。假阳性本质上是将健康人标记为“失败”——造成不必要的焦虑和额外的测试，但危险性较小。
在筛查名单中使用人工智能时，你应该有意识地取得这种平衡：在预筛查中，将阈值保持在“不失踪”（即跟踪嫌疑人）通常更安全。下表对这三种情况进行了比较。
背景
典型方法
假阴性的风险
人工智能的安全作用
新生儿
OAE/自动ABR
高（发育迟缓）
结果列表编辑、后续提醒
学龄
纯语音扫描
中（训练效果）
类/列表优先级
工作场所
噪声测听
中高（职业病）
趋势/比较图
一步一步：利用 AI 进行扫描预评估
- 匿名化和结构化数据。按代码/序列号而不是 ID、通过/失败和测量值（如果适用）列出结果。
- 定义资格预审规则。优先考虑那些“失败”的人和那些处于边缘的人；进行设置，这样您就不会错过决定。
- 让AI优先。要求提供一份清单，详细说明哪些内容需要监控、哪些内容需要重新扫描以及哪些内容是正常的。
- 注意假阴性。即使在“通过”组中，如果有人描述症状（家人怀疑、言语迟缓），也要跟进。
- 将诊断指导留给专家。最终诊断和进一步测试决定属于听力学家/医生。
- 履行通知义务。实施职业健康通知和保护流程，特别是在工作场所发现损失的情况下。
弱提示/强提示
弱提示：
以下婴儿有 OAE 结果，告诉我哪些是聋子：[列表]
它需要像“聋子”这样精确的诊断语言，忽略了筛查与诊断的区别，也忽略了假阴性的风险。
强力提示：
您的角色：预筛查助理，负责整理筛查结果。不要做出诊断；提醒我，“通过/失败”筛查并不是诊断。数据（匿名，带有序列号）：[通过/失败列表+注释（如果有）]任务：（1）优先考虑“失败”的，（2）单独标记“通过”但未注明（家庭怀疑等），（3）为每个组写下建议的下一步。声明最终诊断和进一步测试决定取决于听力学家/医生。
强烈请求是匿名的，保留筛查与诊断的区别，考虑假阴性，并将决定权留给专家。
三个迷你箱子
案例 1——优先级。一个筛查单位有120个新生儿结果； 8“左”。听力学家将匿名列表交给人工智能并编辑跟踪列表。 AI 区分出 8 例“不及格”病例和 3 例标注“通过，但有听力损失家族史”的病例。专家跟踪 11 名婴儿。 AI分钟编辑120行；绑架的风险有所下降。
案例 2 — 漏报捕获。在学校筛查中，一名9岁的孩子在纯音筛查中获得了“及格”，但老师指出“他一直在重复，从后面叫时他听不到”。听力学家将这张纸条扫描到人工智能中，并使用过滤器“通过组中是否有任何症状？”孩子被带去进行进一步评估，发现有轻微的波浪状损失。数字“通过”并没有掩盖临床症状。
案例 3——工作场所偏见。一家工厂每年对 50 名工人进行噪音测听。专家要求提供一份与去年匿名值进行比较的草图。 YZ 标记了 5 名工作人员在 4000 Hz 处表现出显着的阈值偏移。专家建议他们进行诊断评估和个人防护装备审查；启动职业健康通知流程。
可复制的提示模板
筛选列表优先级模板将以下匿名筛选结果分为三组：(1) 后续优先级（“失败”），(2) 由于等级/疑问而进行审查（“通过”+指示），(3) 常规。筛查不是诊断，也不是明确的诊断。数据：[列表]
假阴性过滤模板带有“通过”结果但带有症状/家庭怀疑/发展注释的记录显示为单独的列表，并写下您建议采取后续行动的原因。数据：【通行证+笔记】
工作场所趋势比较模板比较以下匿名工人代码今年和去年的噪声听力测试阈值；标记那些表现出明显恶化的部分（尤其是 3000-6000 Hz）。决定和通知属于专家。数据：[值]
家庭/相关信息模板 用简单的土耳其语写一个信息段落，其中包含以下信息：“筛查不是诊断，通过并不提供终身保证，留下来并不意味着失聪。”不要制造焦虑，要现实，强调跟进的重要性。
常见错误
- 将扫描误认为诊断。呈现“通过/失败”结果作为明确的诊断。
- 忘记假阴性。忽略“通过”组中有症状的病例。
- 给家人虚假的安慰。说“通过=没问题”；忽略听觉神经病变等可能性。
- 绕过通知义务。未向职业健康流程报告在工作场所发现的损失。
- 将识别数据输入车辆。将婴儿/工人的身份赋予人工智能，无需匿名。
综上所述
筛查是一种消除，消除潜在问题并将其引导至诊断评估；这不是诊断。人工智能是一种强大的预筛选器，可以对大量结果进行排序，并对需要跟进的结果进行优先级排序，但它不能完全防止漏报。如果“通过”仍有症状，则由专科医生决定跟进，如果“失败”，则由专科医生决定进一步评估；如果在工作场所发现损失，必须履行通知和保护义务。
应用任务
准备一份匿名的、虚构的筛查清单（至少 15 行，通过/失败，以及某些的症状注释）。为 AI 提供两个包含“优先级”和“假阴性过滤器”模板的列表。然后手动检查：是否有一行被AI遗漏或标记过？使用“家庭信息”模板为家庭制作一个信息段落，并纠正夸大/保证不足的情况。
清单
- [ ] 我以匿名且结构化的方式提供了扫描结果。
- [ ]“失败”，我优先关注边境的那些人。
- [ ] 我单独回顾了“通过”组中的有症状病例。
- [ ] 我将最终诊断和进一步测试的决定留给了专家。
- [ ] 我已遵守工作场所中的通知/保护义务。
- [ ] 我用现实、不焦虑的语言写下了家庭信息。