影響聽力學未來的關鍵詞：大數據

聽力學是一門跨界的應用型學科。說它是跨界，是因為這門學科從一開始就定位成多學科的交叉發展，據統計，聽力學至少涉及15門一級學科和30多門二級學科。說它是應用型，是因為學科主要發展是將各項交叉學科的知識和經驗整合成一套可以實施的知識系統，然後用於臨床實踐。由於這些個特點，聽力學是最容易受到學科發展的影響。從最早的電生理技術的發現到腦幹誘發電位的應用，從1978年肯普發現耳蝸“回聲”到耳聲發射檢查技術的應用，可以說比比皆是。不過那些變化和當今聽力學所面臨的巨大的技術革命相比，真算不了什麼，因為那些都是一些局部技術的更新，而今天則是一個行業的整體更新。在廣泛徵求行業專家和讀者的意見基礎上，從今天開始，將選出會影響聽力學未來的五大關鍵詞，並陸續在本網刊登出，和讀者分享。重要的是，我們希望讀者能對於我們的選擇提出意見，可以完善，也可以批評。聽力學今天所處的是最好的時代，也是變動最大的時代；這是智慧的時代，這是不可沉默的時代。

一、大數據時代（Big data）:

聽力學是一個不斷生成各種數據的行業。從基本的純音測試開始，每一個患者的每隻耳朵必須獲得至少從500Hz到8000Hz的8個氣導閾值，加上雙耳是16個閾值；如果有不對稱耳的話，可能再增加8個閾值；如果包括骨導測試的話，還得增加10閾值，如此推算下去，平均計算每一個聽力檢測患者至少要產生30個純音數據點，如果包括言語測試、聲導抗測試、電生理測試等，每完成一個聽力全面檢測所需數據超過100個。聽力學家的工作便是通過使用儀器和其他手段來獲得各種關於患者聽力狀況的數據。這些按照一定邏輯關係、遵循預先制定的心理聲學流程和格式所獲得聽力圖、腦幹誘發電位反應、鼓室圖、蝸後測試結果等，屬於所謂的結構性數據，結果可以預測和進行所需要的處理。同時，聽力學還產生大量的非結構性數據，比如海量的病史文字記錄、圖片複印、語音錄音和其它關於健康背景的資料等。這些是伴隨和患者深入交流所產生和留下的數據規模龐大，如果用今天我們熟悉的數據單位G或T來儲存的話，是難以勝任的。這些需要計量單位P（1000個T）、E（100萬個T）或Z（10億個T）來衡量的數據被稱為大數據（big data）。如何保存、如何利用大數據為聽力學臨床診治和康復服務已經成為行業不可繞開的問題

何為大數據？我們可追溯到2001年美國高德納公司分析員道格·萊尼（Doug Laney）關於數據快速增長的三個維度的描述：量（Volume，數據大小）、速（Velocity，數據輸入輸出的速度）與多變（Variety，多樣性），今天被統稱為大數據的“3V”。 2012年美國高德納重新修訂的大數據定義被業內普遍使用，即：“大數據是大量、高速、及/或多變的信息資產，它需要新型的處理方式去促成更強的決策能力、洞察力與優化處理。”簡言之，大數據其實就是我們日常生活、工作中所留下的任何可以保存的數字信息，有些數據是我們刻意留下和大家分享的，比如在微信中登出的個人最喜歡的某一種花卉，或者是社交網站發佈的一段個人感言，而有些是我們不知不覺留下的痕跡，比如照片不僅僅是個人圖像載體，其實還包含了許多其他信息，也是文字和地理位置的載體，能揭示在何時、何地所照等。大數據的爆發式增長是因為人類生活方式和經濟發展產生了越來越多的數據，而通訊技術的發達，直接為大數據的產生提供方便，比如全世界共有約46億的移動電話用戶，並有10至20億人鏈接互聯網，全世界通過電信網絡交換信息的容量在1986年為281兆億字節（PB），1993年為471兆字節，2000年時增長為2.2艾字節（EB），在2007年則為65艾字節。與此同時，數據採集的設施和工具也變得越來越便捷和普及，各種新型移動設備、遙感技術、軟件記錄、相機、麥克風、無線射頻辨識（RFID）和無線傳感網絡等已經廣泛用於我們的日常生活。

這些看來毫無價值的大數據通過深度分析和挖掘後，能提供許多重要的信息，有助於趨勢預測、技術發明、系統分析等。大數據在科學、經濟、衛生和教育等領域的作用已經凸顯，在聽力學領域也已經開始。比如利用大數據建立的網絡聽力診斷便是最好的例子。我們知道由於傳統聽力計的限制，接受聽力測試的人次極度有限，在中國超過上億的聽力圖無法完成。為了解決聽力測試技術和距離的問題，電話聽力測試和網絡聽力測試等多種創新性的技術，在近幾年可謂蓬勃發展。目前有兩種基於網絡和大數據的聽力測試技術，並沿不同的方向在發展，一是提供在線聽力閾值測試，這和傳統聽力測試一樣，用戶上網戴上耳機，在線操作即可。種測試的優點是能得到閾值，患者可以在放鬆的情況下，接受測試，容易操作，但是問題是測試的準確性和對測試結果的解釋。

另一種聽力測試不需要獲取聽力閾值，要求患者提供聽力損失的症狀，然後根據成千上萬聽力患者形成的大數據，通過智能性分析，最後得出具有一定數據意義的結論。和閾值測試不同的是，這種測試的目的是正確判斷不同聽力症狀和相關的疾病的關係。這種基於大數據的聽力測試有有兩大優勢：一是用戶參與的即時性，二是擁有支持海量“大數據”的後臺支持。這兩項優勢已經充分在其他領域得到充分的發揮，比如目前流行的電子商務是基於用戶參與性特點，能滲入到每一個人的電腦之中去，從而融入到每一個人的生活；而大數據的應用是以雲計算為代表。

在聽力學領域，海量數據能給不同的聽力損失症狀和類型提供分類和分析的支持，幫助醫生做出正確的臨床決策，更重要的是協助患者對自己的聽力疾病有更好的認識，採取合適的行動。

基於大數據的聽力測試網站已經進入廣泛應用，並得到用戶支持。比如由兩名哈佛醫學院學生創建的醫學診斷網站Symcat剛剛上線，便擁有上百萬用戶，被譽為未來健康管理和診治的重要創新。在聽力測試項目中，患者只需提出任何一種聽力不適症狀，網站便能列出和這些症狀向對應的、具有一定數據相關意義的疾病。如果改變患者的個體參數，患病時間和年齡等，該技術可以更準確和詳細列出可能的診斷結果。更有價值的是用戶能在該網站提供的各種行動方案中，選取適合自己的一種，比如去醫院就診，或者網絡諮詢，或者和醫生聯繫等。

大數據不僅有助於聽力學臨床診斷和治療，在聽力學研究方面也具有很大的潛力，尤其適合於對已有聽力數據深度挖掘和定向分析，其中最好的例子是英國Anwar利用大數據來分析聽力學數據和耳鳴掩蔽器之間相關性的研究。他們從一個有2.3萬人和18萬份檔案的助聽器驗配中心數據庫裡，調出了1316份耳鳴患者的檔案和10437份病史記錄，採用大數據分析工具，進行全面分析，發現聽力學數據和耳鳴掩蔽器有統計學意義的相關性，比如輕度聽力損失患者更有可能使用耳鳴掩蔽器，患者的年齡、性別、使用的助聽器和耳模的式樣都和耳鳴掩蔽器的驗配有相關性，尤其是年齡超過55歲的有輕度聽力損失的耳鳴患者最後可能使用耳鳴掩蔽器。

大數據對於聽力學的影響在於重新定義什麼聽力學的數據，除了純音閾值外，我們如何利用其它海量數據，更準確地診斷和治療各種聽力疾病，更有效地預防聽力損失，提高人類的聽力健康。