Page 70 - 2022-35-中国全科医学

http://www.chinagp.net E-mail:zgqkyx@chinagp.net.cn ·4419·

and the calibration ability of the model was tested using the calibration curve. Results The prevalence of hearing loss changed
significantly according to age，gender，monthly household income，history of diabetes，labor intensity，physical exercise，
ototoxic chemical exposure，sleep disturbance，shift，and high temperature exposure（P<0.05）. The prevalence of hearing
loss rose with the increase in years of work and cumulative noise exposure（P<0.05）. The results of unconditional multivariate
Logistic regression analysis showed that 50- years old，diabetes，ototoxic，chemical exposure，insomnia，shift，30-years of
work and cumulative noise exposure ≥ 90 dB（A）·year were risk factors for hearing loss in oil workers（P<0.05），monthly
household income ≥ 11 000 and moderate labor intensity were protective factors for hearing loss in oil workers（P<0.05）. The
AUC of the random forest in assessing hearing loss risk in oil workers was 0.95，with 95.99% accuracy，91.43% sensitivity，
97.69% specificity，a Youden index of 0.89 and a F1 score of 0.74，the AUC of the XG Boost model in assessing hearing loss risk
in oil workers was 0.93，with 95.22% accuracy，89.09% sensitivity，97.50% specificity，a Youden index of 0.87 and a F1 score
of 0.73，and that of the BP neural network model in assessing hearing loss risk in oil workers was 0.83，with 88.62% accuracy，
70.13% sensitivity，95.47% specificity，a Youden index of 0.66 and a F1 score of 0.73. The Brier score of the random forest was
0.04，with an observation-to-expectation（O/E） ratio of 1.02 and a calibration-in-the-large of 0.029. The Brier score，O/E
ratio and calibration-in-the-large of the XG Boost model were 0.04，1.04 and 0.032，respectively. The Brier score of the BP
neural network model was 0.11，with an O/E ratio of 1.21 and a calibration-in-the-large of 0.097. The calibration efficiency of
the random forest model was the best. Conclusion The random forest model outperformed the XG Boost model and the BP neural
network model，which could be adopted to assess the risk of hearing loss in oil workers more accurately.
【Key words】 Hearing loss；Occupational diseases；Random forest；XG Boost；Back propagation neural network；
Oil workers；Root cause analysis

职业性听力受损是全球常见的职业病之一 ［1］ ，可 露且完成听力学检查者。排除标准：体检资料不完整
导致每 1 000 名工人每年损失 2.53 年的健康寿命 ［2］ ， 者；在进入本研究前有耳创伤、耳部手术或耳部疾病史
对个人生活的许多方面可产生重大不良影响，在发展中 者。本研究已获得华北理工大学伦理委员会核实批准
［3］
国家尤为明显 。诸多研究证明职业性听力受损在采矿、 （15006），所有参与的研究对象知情同意。
石油和天然气开采部门具有较高的发病率 ［4-5］ ，石油企 1.2 研究方法
业工人这一群体较其他人群具有独特的职业暴露，诸如 1.2.1 一般情况调查 经过统一培训的课题组成员与研
长期暴露于有害噪声及各类化学物质，可对该群体的听 究对象进行面对面问卷调查，收集工人一般资料包括年
力功能带来不可逆转的损伤，如能早期识别高危人群， 龄、性别、文化程度〔小学及以下、初中及高中（中
及时采取有效的个体化干预方案，可以有效预防石油工 专）、本科（大专）及以上〕、婚姻状况（未婚、已
人职业性听力受损的发生。目前关于职业性听力受损的 婚、其他）、家庭月收入（2 000~、5 000~、8 000~、
研究主要集中于发病机制及影响因素分析等方面，鲜有 ≥ 11 000 元）、体质指数（BMI）（正常、超重 / 肥胖）、
针对职业性听力受损的风险评估 ［6］ 。近年来深度学习 糖尿病史、高血压史、吸烟情况（从不吸烟、既往吸烟、
算法在疾病发生发展趋势预测等方面取得了较为广泛的 现在吸烟）、饮酒情况（从不饮酒、既往饮酒、现在饮
应用，由于其能够处理非线性问题、具备固有的自学特 酒）、劳动强度、体育锻炼、耳毒性化学毒物暴露、睡
性和强大的模拟能力等特点而在疾病风险评估应用中表 眠障碍、倒班情况、高温暴露、工龄、累积噪声暴露量、
现出更高的准确性 ［7-9］ 。风险评估模型已被广泛应用于 血红蛋白、尿酸、丙氨酸氨基转移酶水平等。
医学研究领域，但目前职业人群听力受损风险评估模型 1.2.2 听力学检查 工人在脱离了噪声环境 12 h 后进
的建立报道较少。基于此，本研究依托华北石油管理局 行纯音气导听阈测试，在经检测合格的隔声屏蔽室内进
井下医院某石油企业工人的体检数据，结合机器学习技 行。采用 otometrics（XETA 兹达）听力计对接触噪声的
术构建多个听力受损风险评估模型，通过判别度及校准 石油工人进行双耳 0.5、1.0、2.0、3.0、4.0、6.0 kHz 听
度等指标进行模型效果评价，获得适用于石油工人职业 阈测定。该测试用于确定每个测试频率下的听力阈值，
性听力受损风险评估的最优模型，为石油工人听力受损 以各频率下测得的听阈平均值即平均听阈对石油工人的
的早期预防提供依据。 听力水平进行衡量。
1 对象与方法 1.2.3 体格及实验室检查 体格检查包括身高、体质量
1.1 研究对象 选择 2018—2019 年在华北石油管理局 及血压的测量。工人空腹状态抽血，并在体检医院实验
井下医院进行体检的某石油企业工人 1 423 例作为研究 室进行生化分析。
对象。纳入标准：年龄 18~60 岁；存在职业性噪声暴 1.2.4 相关定义 （1）听力受损：按照 GB/T 7528-