En multicenter multifunktionsbedömning av stora språkmodellers tolkning av ren-tonaudiogram för patienter

Varför hörseltestrapporter är så svåra att förstå

Många lämnar ett hörseltest med ett diagram fullt av punkter och linjer och bara en kort anteckning från läkaren. För icke-specialister är dessa ren-tonaudiogramrapporter nästan omöjliga att avkoda, ändå ligger de till grund för livsavgörande beslut om hörapparater, behandling och vardagskommunikation. Denna studie frågar om moderna AI-chattbotar, drivna av stora språkmodeller, kan omvandla tekniska diagram till tydliga, lugnande förklaringar för vanliga patienter.

Att omvandla komplexa hörseldiagram till vardagligt språk

Ren-tonaudiogram är referenstestet för att mäta hur väl vi hör olika toner, från låga mullranden till höga toner. Den resulterande rapporten ser mer ut som ett fysikexperiment än en hälsosammanfattning. Samtidigt är utbildade hörselspecialister knappa i världen, särskilt i regioner med begränsade medicinska resurser. Forskarna såg en möjlighet: om chattbotar kunde "läsa" dessa diagram och förklara resultaten på vardagligt språk, skulle de kunna hjälpa patienter att förstå sin hörsel tidigare och mer fullständigt, och stödja Världshälsoorganisationens mål om "hörselhälsa för alla."

Att testa flera olika chattbotar

Teamet samlade 140 verkliga hörseltestrapporter från två centra i Kina, tog bort personuppgifter och återskapade standardiserade versioner av audiogramdiagrammen. De bad sedan åtta olika stora språkmodeller, från företag i både Kina och USA, att utföra tre uppgifter för varje rapport: ange hur allvarlig hörselnedsättningen var och vilken typ (till exempel relaterad till innerörat eller ytterörat), förklara fynden i patientvänligt språk, och erbjuda praktiska rekommendationer som när man bör söka vård eller överväga hörapparat. Alla modellutdata samlades in under kontrollerade förhållanden och bedömdes senare av erfarna kliniker och separata lekmannavolontärer som inte visste vilken modell som producerat vilket svar.

Hur väl maskinerna diagnostiserade hörselnedsättning

När det gällde att agera som en virtuell hörselspecialist var modellernas prestation blandad. Det bästa systemet, DeepSeek-V3, bedömde korrekt svårighetsgraden av hörselnedsättningen i ungefär två tredjedelar av fallen och identifierade den breda typen av hörselnedsättning strax över hälften av gångerna. Andra modeller presterade ofta sämre, och noggrannheten var överlag långt under vad som förväntas av utbildade kliniker. Forskarna testade också alternativa sätt att mata information till modellerna, till exempel genom att lägga till mer strukturerade siffror tillsammans med diagrammen. Dessa ändringar förbättrade noggrannheten för de flesta system, vilket tyder på att hur information presenteras kan vara lika viktigt som hur kraftfull modellen är.

Hjälpsamma förklaringar, men oroande påhittade detaljer

Utöver rå noggrannhet undersökte studien hur läsbara och trovärdiga chattbotarnas förklaringar var. Vissa modeller producerade långa, ordrika svar, medan andra var mer kortfattade. Endast DeepSeek-modellerna skrev konsekvent på en läsnivå som ungefär motsvarar någon med mellanstadieutbildning, i linje med hälsolitteracitetsriktlinjer från större medicinska organisationer. Flera system visade dock en oroväckande tendens att hallucinera, det vill säga hitta på detaljer som inte fanns i de ursprungliga rapporterna. I ungefär ett av fyra svar från vissa modeller fabricerades siffror, tröskelvärden för hörseln återgavs felaktigt eller icke-existerande enheter och orealistiska behandlingsvägar rekommenderades. I kontrast hade en Gemini-modell betydligt färre hallucinationer, även om dess medicinska noggrannhet inte var högst.

Vad experter och vanliga användare tyckte

Kliniker betygsatte modellerna utifrån hur korrekta, grundliga och praktiskt användbara deras svar var. Återigen rankade DeepSeek-V3 och dess systermodell generellt högst för professionell kvalitet, med strukturerade tolkningar och fokuserade rekommendationer i linje med klinisk praxis. När allmänheten bedömde samma svar skiftade dock prioriteringarna. Icke-experter föredrog modeller som var lättare att följa, mer samtalstonade och mer emotionellt stödjande, även om dessa inte var de mest medicinskt precisa. Gemini-modellerna fick särskilt höga betyg för tydlighet, empati och övergripande tillfredsställelse, vilket lyfter fram en spänning mellan strikta professionella standarder och patientcentrerad kommunikation.

Varför detta är viktigt för personer med hörselproblem

Hörselnedsättning är vanligt, och många får aldrig en tydlig förklaring av sina testresultat. Denna studie visar att dagens chattbotar inte är redo att ersätta audiologer eller göra fristående diagnoser utifrån hörselkurvor. Deras felprocent och ibland påhittade detaljer kan vilseleda patienter om de används utan tillsyn. Samtidigt har modellerna redan verkliga styrkor: att omvandla täta diagram till vardagligt språk, erbjuda initial vägledning och minska ångest för personer som annars kanske inte har någon att fråga. Använda med försiktighet, med tydliga varningar och under överinseende av hörselprofessionella, skulle sådana verktyg kunna bli värdefulla assistenter som hjälper till att överbrygga vårdgap, förbättra förståelsen och stödja tidigare åtgärder för hörselhälsa.

Citering: Liang, J., Xing, M., Xiang, P. et al. A multicenter multifunctional assessment of large language models in pure-tone audiogram interpretation for patients. npj Digit. Med. 9, 348 (2026). https://doi.org/10.1038/s41746-026-02537-1

Nyckelord: hörselnedsättning, ren-tonaudiogram, stora språkmodeller, patientkommunikation, digital hälsa