보청기 만족도 예측을 위한 설명 가능한 머신러닝 프레임워크: HATASS 도구 및 임상적 통찰의 통합
An Explainable Machine Learning Framework for Predicting Hearing Aid Satisfaction: Integrating the HATASS Instrument and Clinical Insights.
- Question
- 인구통계학적, 임상적, 행동적 요인이 보청기 기술 적응 및 사용자 만족도에 미치는 다차원적 결정 요인을 예측할 수 있는가?
- Study
- HATASS(Hearing Aid Technology Adaptation and Satisfaction Scale)를 통해 얻은 환자 보고 결과와 인구통계학적 특성, 보청기 관련 변수를 통합하여 설명 가능한 머신러닝 프레임워크를 제안하고 5가지 회귀 알고리즘을 비교 평가한 연구이다.
- Comparison
- 선형 회귀(Linear Regression), 결정 트리 회귀(DTR), 랜덤 포레스트 회귀(RFR), 서포트 벡터 회귀(SVR), 그래디언트 부스팅 회귀(GBR)를 5-겹 교차 검증 전략을 통해 비교하였다.
- Findings
- 랜덤 포레스트 회귀(RFR)가 가장 일관된 예측 성능을 보였으며(평균 RMSE 14.225, 평균 R2 0.146), 설명 가능성 분석 결과 연령이 가장 영향력 있는 예측 변수로 나타났으며 교육 수준, 보청기 사용 기간, 일일 보청기 사용 시간이 그 뒤를 이었다.
- Limits
- 전반적인 예측 성능은 완만하며(modest), 제공 초록에 구체적 한계 미기재.
- Practice context
- 보청기 기술 적응 및 만족도와 관련된 인구통계학적, 임상적, 행동적 요인에 관한 연구이다.
Funding & disclosures
This research received no external funding.