La perdita dell’udito da rumore (Noise-Induced Hearing Loss, NIHL) continua a rappresentare una delle patologie professionali più diffuse e difficili da contrastare. Irreversibile e spesso sottovalutata, colpisce milioni di lavoratori in tutto il mondo, soprattutto in ambito industriale. Un recente studio condotto in Cina e pubblicato su Hearing Research ha provato a rispondere a una domanda cruciale: possiamo prevedere chi è più a rischio, e quindi intervenire prima che il danno diventi permanente?
La risposta, secondo i ricercatori, passa dall’uso dell’intelligenza artificiale (AI) e del machine learning (ML), capaci di riconoscere pattern nascosti tra i fattori di rischio che sfuggono ai modelli statistici tradizionali.
Uno studio su oltre 15 mila lavoratori
Per arrivare a risultati solidi, gli autori hanno unito due ampi database nazionali: il Workplace Risk Factor Database e il Workers Health Examination Database. Dopo un’accurata selezione, sono stati analizzati i dati di 15.160 lavoratori provenienti da 601 aziende industriali in 13 province.
L’analisi si è concentrata su otto fattori di rischio: età, durata di esposizione al rumore, livello di pressione sonora equivalente (LAeq,8h), curtosi del rumore (indicatore della sua struttura temporale), pressione arteriosa sistolica e diastolica, sesso e frequenza d’uso dei dispositivi di protezione uditiva (HPD).
Un punto chiave della ricerca è stato valutare se fosse meglio trattare le variabili in forma continua o trasformarle in categorie. Questa scelta, apparentemente tecnica, si è rivelata determinante per l’accuratezza predittiva.
Variabili continue: più informazione, meno errori
Il risultato è stato netto: le variabili mantenute nella loro forma continua hanno garantito previsioni molto più accurate rispetto alle versioni categorizzate. Tranne che per la regressione logistica – usata come modello di confronto – tutti gli algoritmi di machine learning hanno beneficiato in maniera evidente dei dati quantitativi.
In altre parole, ridurre l’informazione a soglie o fasce di valori significa rischiare di perdere sfumature importanti, che invece gli algoritmi riescono a cogliere per individuare correlazioni non lineari.
I fattori di rischio che contano davvero
Quando i modelli hanno elaborato i dati, alcuni fattori sono emersi con chiarezza. I livelli di rumore (LAeq,8h), l’età, il sesso e la curtosi del segnale acustico sono risultati i predittori più forti di NIHL. Anche l’uso dei dispositivi di protezione ha confermato il suo ruolo protettivo.
Sorprendentemente, la durata dell’esposizione al rumore e la pressione arteriosa hanno avuto un peso minore e, in alcuni casi, hanno persino peggiorato le performance dei modelli, introducendo fenomeni di overfitting. La loro esclusione ha infatti migliorato la capacità predittiva.
L’algoritmo vincente: LGBM
Tra i diversi algoritmi testati – Random Forest, XGBoost, TabNet e regressione logistica – è stato il Light Gradient Boosting Machine (LGBM) a primeggiare. Con i dati continui, ha raggiunto un’AUC di 0,745, dimostrandosi il modello più accurato e anche il più rapido nell’elaborazione.
Gli altri modelli di machine learning, comunque, hanno superato di gran lunga le performance della regressione logistica, segno che le relazioni tra fattori di rischio e NIHL sono complesse e non possono essere ridotte a semplici relazioni lineari.
I numeri emersi confermano l’impatto del problema: il 39,8% dei lavoratori analizzati presentava una diagnosi di NIHL ad alta frequenza. I soggetti colpiti erano in media più anziani, esposti a livelli di rumore maggiori e più spesso di sesso maschile. Chi invece utilizzava regolarmente dispositivi di protezione mostrava un rischio significativamente ridotto.
Implicazioni per la pratica clinica e la prevenzione
Questo studio porta due messaggi chiave. Il primo è di metodo: i dati quantitativi sono preziosi e non vanno semplificati eccessivamente. Per chi si occupa di medicina del lavoro, significa che misurazioni precise e dettagliate forniscono basi migliori per valutare e prevenire i rischi.
Il secondo riguarda la pratica: gli algoritmi di machine learning potrebbero diventare strumenti di supporto per la sorveglianza sanitaria dei lavoratori esposti al rumore, permettendo di stratificare il rischio in maniera più mirata e di concentrare gli interventi preventivi sui gruppi più vulnerabili.
In prospettiva, la capacità di prevedere con maggiore precisione chi svilupperà NIHL potrebbe tradursi in strategie di prevenzione personalizzate, evitando di affidarsi solo a misure generiche di protezione collettiva.