A pesar de los grandes avances en todos los pasos del proceso de adaptación de audífonos, el ajuste correcto para llegar a la total precisión sigue siendo, y probablemente seguirá siendo, una parte clave en la experiencia inicial del usuario. Como bien saben los audioprotesistas, los primeros ajustes del audífono se basan únicamente en un audiograma y permanecen invariables, lo que es en gran medida ineficaz.
A menudo, los usuarios con los mismos audiogramas empiezan con ajustes de audífono similares, pero tras varias correcciones de «prueba y error», acaban con ajustes preferidos muy diferentes. Estas diferencias en los ajustes ponen de manifiesto la naturaleza individualizada de la adaptación de audífonos: la satisfacción y la aceptación dependen de la capacidad del usuario para ajustar sus audífonos, especialmente durante el uso inicial.
Hoy en día, cuando el proceso de ajuste lo lleva a cabo un profesional de la salud cualificado, puede producir resultados notables que conducen a un excelente beneficio y satisfacción del usuario. Sin embargo, incluso el mejor audioprotesista, no siempre puede hacer frente a algunas de las limitaciones que supone el proceso de ajuste manual. Estos condicionantes pueden incluir la necesidad de que el usuario esté presente en el centro para la cita de la adaptación y la capacidad del usuario para recordar y describir con precisión los problemas que deben abordarse. Además, como demostraron Anderson et al. (2018), la forma en que el audioprotesista interpreta los comentarios del usuario, especialmente cuando se puede encontrar un número casi infinito de ajustes en el software de adaptación de los audífonos modernos, es un proceso muy variable.
En 2020, Signia introdujo Signia Assistant (SA) como un nuevo enfoque para conseguir un ajuste preciso utilizando inteligencia artificial. SA ofrece varios beneficios potenciales nuevos a los usuarios y a los profesionales sanitarios que abordan las limitaciones del ajuste tradicional (Høydal y Aubreville, 2020; Taylor y Høydal, 2023). La idea central de SA es utilizar una red neuronal profunda (DNN) para sugerir ajustes del audífono mientras el usuario experimenta dificultades. Mediante el uso de un enfoque basado en IA, es posible predecir la mejor solución viable a un problema que el paciente pueda experimentar en cualquier situación y en cualquier momento. La predicción realizada por SA se basa en tres tipos de información: 1.) las situaciones de escucha del usuario y los problemas comunicados en esas situaciones de escucha, 2.) los datos de otras adaptaciones anonimizadas y las diferentes soluciones audiológicas que pueden haber resuelto esos problemas, y 3.) las preferencias individuales del usuario.
La idea central de Signia Assistant es utilizar una red neuronal profunda para sugerir ajustes del audífono mientras el usuario experimenta dificultades.
En estudios anteriores se han investigado el rendimiento y los beneficios de la SA a través de la realización de encuestas a usuarios de audífonos y audioprotesistas sobre sus experiencias (Høydal et al., 2020; Høydal et al., 2021). Los resultados han sido positivos, mostrando altos niveles de satisfacción tanto entre los pacientes como entre los profesionales. En este artículo, evaluamos una amplia muestra de los más de 150.000 usuarios de audífonos Signia de todo el mundo que han utilizado SA en su vida diaria. Los datos demuestran claramente la capacidad de SA para proporcionar soluciones y cómo su sistema de aprendizaje automático conduce a un rendimiento mejorado con el tiempo.
Autores:
Niels Søgaard Jensen, MSc, Brian Taylor, AuD, Michael Müller, PhD.
