Summary
Den här artikeln beskriver den halvautomatiska mätningen av amplituderna och latenserna för de första fem topparna och dalarna i den auditiva hjärnstammens responsvågform. En ytterligare rutin sammanställer och kommenterar data till ett kalkylblad för experimentanalys. Dessa gratis datorrutiner körs med hjälp av statistikpaketet R med öppen källkod.
Abstract
Många rapporter under de senaste 15 åren har bedömt förändringar i vågformen för hörselhjärnstamsrespons (ABR) efter förolämpningar som bullerexponering. Vanliga förändringar inkluderar minskningar av topp 1-amplituden och de relativa latenserna för de senare topparna, liksom ökad central förstärkning, vilket återspeglas av en relativ ökning av amplituderna för de senare topparna jämfört med amplituden för topp 1. Många experimenterare identifierar toppar och dalar visuellt för att bedöma deras relativa höjder och latenser, vilket är en mödosam process när vågformerna samlas in i steg om 5 dB i hela hörselområdet för varje frekvens och tillstånd. Detta dokument beskriver fria rutiner som kan köras i öppen källkodsplattform R med RStudio-gränssnittet för att halvautomatisera mätningarna av toppar och dalar av auditiva hjärnstamsrespons (ABR) vågformer. Rutinerna identifierar amplituder och latenser för toppar och dalar, visar dessa på en genererad vågform för inspektion, sammanställer och kommenterar resultaten i ett kalkylblad för statistisk analys och genererar genomsnittliga vågformer för siffror. I de fall då den automatiserade processen felaktigt identifierar ABR-vågformen finns det ett extra verktyg för att hjälpa till med korrigering. Målet är att minska den tid och ansträngning som krävs för att analysera ABR-vågformen så att fler forskare kommer att inkludera dessa analyser i framtiden.
Introduction
Det auditiva hjärnstamssvaret (ABR) används ofta för att bestämma hörseltrösklar hos djurförsökspersoner och mänskliga spädbarn. Eftersom ABR är ett elektroencefalogram (EEG) register över nervsystemets första svar på hörselstimuli, bär den ytterligare information som återspeglar den samordnade avfyrningen av cochleära spiral ganglionneuroner och tidig signalbehandling i den auditiva hjärnstammen, inklusive bilateral bearbetning1. Dessa svar kan påverkas av bullertrauma. Till exempel kan bullerexponering som är tillräcklig för att inducera en tillfällig tröskelförskjutning hos möss också permanent minska amplituden för ABR-topp 12. Dessutom kan sådant trauma minska interpeak-latenserna och öka de relativa amplituderna för de senare topparna3, möjligen på grund av en förlust av hämmande reglering4. Utöver dessa fynd har specifika genetiska mutationer visat sig förändra ABR-vågformen i frånvaro av trauma 5,6,7. Således kan rutinanalysen av ABR-vågformer ge insikt i hörselsystemet i experimentella modeller.
Det har också funnits intresse för att använda ABR-vågformer som ett diagnostiskt verktyg för patienter. Tidigare rapporter har bedömt om ABR topp 1 är reducerad hos humana patienter efter bullerexponering eller hos tinnituspatienter 8,9. I synnerhet har migränattacker rapporterats tillfälligt öka interpeak-latenserna i flera veckor, varefter ABR-vågformen återgår till det normala hos drabbade individer10. COVID-19 har rapporterats driva långsiktiga förändringar i ABR-interpeak-latenser 11,12, även om en annan studie rapporterade olika resultat13. Hörselnedsättning är ofta komorbid med demens i åldrande, och individer med större hörselnedsättning tenderar att uppleva demens som går snabbare14. Forskare har undersökt ABR-vågformsförändringar vid neurodegenerativa sjukdomar, såsom Parkinsons sjukdom (granskad i Jafari et al.15) och Alzheimers sjukdom (granskad i Swords et al.16), liksom vid normalt åldrande 17. I takt med att fler forskare och kliniker undersöker sensoriska brister som biomarkörer för vanliga sjukdomar vid åldrande kan tekniker som ABR bli rutin inom vården.
En undersökning av metodavsnitten i litteraturen visar att labb ofta skriver anpassade skript i MatLab för att analysera ABR-vågformer. ABR-plattformen tillverkad av Intelligent Hearing Systems har en funktion för vågformsanalys, men det kräver att en operatör manuellt väljer toppar och dalar. Här har vi skrivit halvautomatiska analysrutiner för den öppna källkoden, fritt tillgänglig statistikmiljö R och RStudio-gränssnittet. Denna rapport jämför de data som erhållits med hjälp av våra rutiner med de data som erhållits genom att låta en experimenterare manuellt identifiera toppar och dalar och visar att data från de två metoderna är starkt korrelerade. Viktigt är att rutinerna innehåller en bländande funktion, där metadata för proverna placeras i en separat fil som inte införlivas förrän i slutet. Dessa funktioner har strömlinjeformad vågformsanalys för vårt labb.
Protocol
Alla försök som utfördes på djur godkändes i förväg av University of Rochester Committee for Animal Research. Försökspersonerna var 12 vilda F1-han- och honmöss vid 1 månads ålder. Dessa F1-möss är en produkt av parning av en CBA / CaJ-damm och en C57BL / 6J-far. Mössen föddes upp och inrymdes i vivariumanläggningen med en standard 12 h ljus / mörk cykel, obegränsad mat och vatten och gott om häckningsmaterial. Högst fem syskon av samma kön inhystes tillsammans i en bur.
1. Hämta data för analys
OBS: Detta steg måste följa institutionella riktlinjer och förhandsgodkännas av den institutionella djurskyddskommittén. Den detaljerade processen för att generera ABR-data från möss har beskrivits på annat håll18.
- Spela in ABR med den valda plattformen.
OBS: I det fall som visas här utfördes inspelningarna på möss.- Använd en 5 ms klickstimulans som börjar vid en ljudtrycksnivå på 75 dB och minskar i 5 dB-steg till 5 dB. Spela in i genomsnitt 512 svep för varje amplitud. Avvisa svar om deras topp till trågamplitud är större än 31 μV vid något tillfälle mellan 1,3 ms och 12,5 ms efter stimulansen.
OBS: Inspelningar från tonpippresentationer kan också användas. Vi räknar med att analysrutinen kommer att fungera för andra arter, inklusive människor.
- Använd en 5 ms klickstimulans som börjar vid en ljudtrycksnivå på 75 dB och minskar i 5 dB-steg till 5 dB. Spela in i genomsnitt 512 svep för varje amplitud. Avvisa svar om deras topp till trågamplitud är större än 31 μV vid något tillfälle mellan 1,3 ms och 12,5 ms efter stimulansen.
- Exportera ABR-inspelningen som en ASCII-fil.
- För IHS öppnar du datorprogrammet.
- Ladda filen av intresse och visa önskade vågformer på en sida.
- Under fliken Data väljer du Spara sida som ASCII för att hämta en .txt fil.
- När du har namngett datafilen på lämpligt sätt ("ID") registrerar du ID- och ämnesinformationen i en metadatafil med titeln "info.csv". Se till att "ID" inte innehåller någon information som genotyp, kön, ålder eller behandling; Denna information registreras istället i "info.csv."
OBS: En rättvis kortlek kan användas för att slumpmässigt tilldela etiketter om det behövs. - Upprepa med alla filer som ska analyseras som separata "ID" -filer.
2. Installera de nödvändiga paketen och ladda data på arbetsdatorn
- Ladda ner och installera R (https://www.r-project.org) och RStudio (https://www.rstudio.com).
OBS: Protokollet som beskrivs här använde R ≥ 4.0.0. - Installera de nödvändiga biblioteken, tidyverse, glänsande, plotly och zoo, genom att skriva följande kommando i kommandofönstret i RStudio:
Install.packages("tidyverse")
Install.packages("glänsande")
Install.packages("plotly")
Install.packages("zoo") - Ladda ned skripten FindPeaks.R och See_trace_click. R från White lab GitHub (https://github.com/PWhiteLab/FindPeaks), samt den associerade filen "Time.csv."
- Skapa en ny mapp som innehåller alla ASCII-filer, "info.csv" och "Time.csv". I det här exemplet ger du mappen namnet "Test_Folder". I "Test_Folder" placerar du ASCII-filerna i en undermapp med titeln "ASCII_Folder".
3. Få den preliminära analysen med FindPeaks.R
- Öppna skriptet FindPeaks.R i RStudio.
- Högerklicka på fliken för skriptet i verktygsfältet för att välja Ange arbetskatalog och ställ in den på Test_Folder (se Kompletterande figur S1A).
- I skriptfönstret klickar du på Källa längst upp till höger i verktygsfältet för att läsa in programmet (se kompletterande bild S1B).
- I kommandofönstret använder du följande kommandon för att analysera vågformerna (se kompletterande bild S2):
FindPeaks_single("ASCII_folder/ID.txt") för enskilda filer (se tilläggsfigur S2A)
FindPeaks_group("ASCII_Folder") för bearbetning av tillverkningssatser (se kompletterande figur S2B)
OBS: Skriptet kommer att mata ut (1) pdf-filer som visar vågformerna med märkta toppar och dalar (se kompletterande figur S2C) och (2) en ID.csv-fil som innehåller numeriska data för amplituden (μV) och latensen (ms). Båda filerna kommer att placeras i "Test_Folder".
4. Kontroll av den preliminära analysen
OBS: Vid låga ljudnivåer kan delar av vågformen bli svåra att skilja från brus, och FindPeaks.R kan felidentifiera topparna eller dalarna jämfört med experimentörens åsikt. Om det finns en avvikelse kan .csv-filen ändras med data som erhållits från skriptet See_trace_click.R.
- Ladda vågformsdata för den specifika individen med kommandot (se kompletterande figur S3A):
Vågform <- ASCII_extract("ASCII_Folder/ID.txt") - Öppna See_trace_click. R-skript i RStudio.
- I sidhuvudet till vänster klickar du på knappen Kör app och väntar på att ett nytt interaktivt (blankt) fönster ska visas (se kompletterande bild S3B).
- I rutan längst upp till vänster matar du in ljudnivån för vågformen som kräver revision och letar efter vågformen som visas i fönstret.
- Flytta markören runt vågformen för att avslöja latensen och amplituden när som helst.
- Klicka på rätt topp och följande tråg för att registrera data i tabellen nedan. Kopiera och klistra in svarstidsdata i .csv-filen (se kompletterande bild S3C).
- För att beräkna amplitudmätningen, subtrahera följande trågamplitud från toppamplituden i kalkylbladscellen.
5. Sammanställa och visualisera datasetet
- Överför de verifierade .csv filerna till en ny undermapp i Test_Folder med titeln "Peak_Data".
- Lägg till data i en enda .csv fil och ge den namnet "Peak_Data.csv".
- Använd följande kommando:
Kompilera ("Peak_Data")
Det här skriptet kombinerar metadata från information.csv med Peak_Data.csv för att märka data med gruppinformation. Den beräknar också automatiskt interpeak-latenser och amplitudförhållanden. - Utför statistisk analys på sammanställda data.
- Använd ett test för normalitet, till exempel Shapiro-Wilks-testet, för att bedöma fördelningen av data med följande funktion:
shapiro.test() - Om Shapiro-Wilks-testet inte är signifikant har datauppsättningen en normalfördelning; bedöm därför data med ett parametriskt test som ANOVA med följande funktion:
AOV() - Om Shapiro-Wilks-testet är mindre än p = 0,05, använd Kruskal-Wallis rank sum test (med funktionen nedan) eller ett annat lämpligt icke-parametriskt mått (se andra möjligheter i diskussionen).
kruskal.test()
- Använd ett test för normalitet, till exempel Shapiro-Wilks-testet, för att bedöma fördelningen av data med följande funktion:
- Om du vill visa genomsnittliga vågformer använder du följande kommando:
Average_Waveform("ASCII_Folder ", aes(x = Data_Pnt_ms, y = "dB", grupp = Genotyp, färg = Genotyp))
OBS: Detta kommando visar de genomsnittliga vågformerna för olika genotyper i olika färger. För y-variabeln dB infogar du det tal som motsvarar önskad amplitud, till exempel 75, utan citattecken. För andra jämförelser använder du motsvarande gruppetikett från metadata.
Representative Results
Vi testade rutinerna på ABR-vågformssvar på en klickserie, som började vid 75 dB och steg ner i steg om 5 dB till 5 dB. Dessa data erhölls som tidigare beskrivits19. Vi testade också verktyget på tonpipdata och fick liknande resultat. ABR-data från de flesta ABR-system kan exporteras som ASCII-filer (.txt). Vi laddade ABR ASCII-filer på en dator och öppnade dem i RStudio enligt beskrivningen i protokollet. Efter att ha kört FindPeaks.R-rutinen i batchform fick vi provvågformer med automatiserad märkning (figur 1) och en .csv-fil med resultaten. Resultaten granskades för att ta bort irrelevanta toppar. För att validera den automatiska märkningen använde vi också ABR-programmets funktion för att manuellt märka de första fem topparna och dalarna på varje vågform som erhållits med klickserien som beskrivs ovan. Experimenten som utförde denna uppgift hade 2 års erfarenhet av att spela in och analysera ABR-data. Figur 2 visar denna jämförelse med de automatiserade FindPeaks.R-data i rött och manuellt erhållna data i svart. Varje spår representerar data från en enda mus. Medelvärdet för båda metoderna med en standardavvikelse visas också. Resultaten från FindPeaks.R korrelerar starkt med resultat som erhållits manuellt (se tilläggsfigur S4).
Figur 1: Representativt vågformssvar på en 75 dB klickstimulans för en ung F1-mus. Latens i millisekunder plottas på x-axeln och amplituden i mikrovolt plottas på y-axeln. Topparna identifierades automatiskt med FindPeaks.R och är märkta med rött, medan trågen är märkta med blått. Klicka här för att se en större version av denna siffra.
Figur 2: Jämförelse av data som erhållits från de manuellt identifierade topparna med de data som tillhandahålls av FindPeaks.R-analysen. (A,C,E,G,I) Amplituder i mikrovolt och (B,D,F,H,J) latenser i millisekunder ritas för ljudnivåer mellan 5 dB och 75 dB (x-axeln, alla grafer) för toppar I-V i de vågformer som erhålls för klickstimuli som presenteras för 12 möss. De manuellt erhållna värdena (svart) jämförs med samma datauppsättningar som analyseras med FindPeaks.R (röd). Medelvärdena ritas upp som tunga linjer, där det skuggade området representerar en standardavvikelse. Inga skillnader sågs mellan metoderna när de bedömdes med Kruskal-Wallis rangsummatest (A, skillnad = 0,0547977 ± 0,0010028, max = 0,96, p = 0,9216; B, skillnad = −0,0001734 ± 0,0001214, max = 0,04, p = 0,8289; C, skillnad = −0,0212209 ± 0,0006806, max = 0,92, p = 0,9687; D, skillnad = −0,0011047 ± 0,0001556, max = 0,06, p = 0,771; E, skillnad = −0,0323077 ± 0,0006169, max = 0,66, p = 0,899; F, skillnad = −0,0072189 ± 0,0001460, max = 0,04, p = 0,8644; G, skillnad = 0,201754 ± 0,0007407, max = 0,64, p = 0,9312; H, skillnad = −0,0007018 ± 0,0001717, max = 0,09, p = 0,8013; I, skillnad = 0,0347561 ± 0,0007343, max = 1,05, p = 0,8856; J, skillnad = −0,0078049 ± 0,0002762, max = 0,16, p = 0,886), och resultaten var starkt korrelerade (chi-kvadratvärden: A, 0,009696; B, 0,046684; C, 0,0015395; D, 0,084742; E, 0,016102; F, 0,029153; G, 0,0074604; H, 0,063322; Jag, 0,020699; J, 0,020544; skillnader som presenteras som medelvärde ± SEM; max = absolut maximal skillnad). Klicka här för att se en större version av denna siffra.
Kompletterande figur S1: Analys med FindPeaks.R. (A) Val av arbetskatalog (se protokoll steg 3.2); (B) laddar programmet (se protokoll steg 3.3). Klicka här för att ladda ner den här filen.
Kompletterande figur S2: Skriptutdata och kommandon för analys av vågformerna. Kommandon för (A) enskilda filer och (B) gruppbearbetning. (C) Mata ut PDF-fil som visar vågformer med märkta toppar och dalar. Se protokollsteg 3.4. Klicka här för att ladda ner den här filen.
Kompletterande figur S3: Kontroll av analysen. (A) Laddning av vågformsdata (se protokoll steg 4.1). (B) Plats för knappen Kör app . Exempeldatafilen anges också. (C) Glänsande fönster med vågform. I det här fallet är ljudnivån 75 dB, som anges i det övre fönstret. Genom att klicka på önskad topp och följande tråg registreras data för amplituden och latensen i tabellen (protokollsteg 4.6). Topp 3-data visas. Klicka här för att ladda ner den här filen.
Kompletterande figur S4: Jämförelse av de enskilda data som erhållits från de manuellt identifierade topparna med de data som tillhandahålls av FindPeaks.R-analysen. (A,C,E,G,I) Amplituder i mikrovolt och (B,D,F,H,J) latenser i millisekunder plottas för ljudnivåer mellan 5 dB och 75 dB (x-axeln, alla grafer) för toppar I-V i vågformer erhållna för klickstimuli som presenteras för 12 möss. Varje djur är märkt med en unik färg, som visas i legenden. Data som erhålls med FindPeaks.R är märkta med solida färger, medan data som erhålls manuellt är märkta med mindre mättade versioner av samma färger. Båda datauppsättningarna ritas i den här figuren, men när de är identiska är endast en rad uppenbar. Klicka här för att ladda ner den här filen.
Discussion
Protokollet som beskrivs i denna publikation bör hjälpa till att effektivisera insamlingen av data som beskriver spänningsamplitudförhållanden och latensintervall för ABR till klick och tonpips. Genom att använda enstaka kommandon i RStudio kan en experimenterare extrahera, kompilera och visa denna information i ett enda dokument för statistisk analys. Genom att göra denna analys rutin hoppas vi att fältet kommer att upptäcka nya sätt att ABR kan förändras i utveckling, åldrande eller genom förolämpning hos olika arter. Sådan information kan vara värdefull för att identifiera viktiga mekanismer som liknar synaptopati från buller2. De unga mössen som användes för detta experiment hade mycket varierande svar, troligen för att den auditiva hjärnstammen fortfarande mognar vid denna ålderav 20. De två kvantifieringsmetoderna visade dock mycket starka samband (figur 2).
Skriptet använder en fil som heter "Time.csv" för att ställa in intervall i data för toppidentifiering. Kortfattat är en maximal spänningsamplitud som förekommer i ett angivet tidsintervall märkt "topp 1", ett spänningsminimum som förekommer i följande intervall är märkt "tråg 1" och så vidare. Vi valde intervallen för att omfatta latenserna för både klick- och tonpipsvaren för CBA/CaJ-möss i åldern 1 månad till 12 månader med frekvenser som sträcker sig från 8 kHz till 32 kHz. Vi använde framgångsrikt verktyget för att även mäta tonpipsvar hos möss. Andra arter, inklusive människor, har också ABR-svar inom liknande fönster, och vi förväntar oss att detta verktyg också kan användas för data från andra arter. Vi rekommenderar att du använder den nya parallella ABR-metoden för människor21, som ger utmärkta vågformer. Tidsintervallbegränsningen begränsar användningen av detta verktyg till att bedöma omedelbara ABR-svar. Vi noterar dock att intervalldata i den här filen kan ändras av användare för att automatisera mätningarna av ABR-svar på tal eller av händelserelaterade potentialer (ERP) som karakteristiskt uppträder vid olika tidpunkter som svar på ljud.
Vissa funktioner i den statistiska behandlingen av dessa data är värda att lyfta fram. Såvitt vi vet har fältet ingen standardiserad behandling för att urskilja amplitudprogressioner. Tidiga studier använde ANOVA22,23. Data från klickserien här (figur 2) var icke-parametriska, vilket ledde till användningen av Kruskal-Wallis rank sum test. I likhet med ANOVA bedömer Kruskal-Wallis rangsummetest skillnader i de värden som erhållits vid en given nivå av en stimulans; det vill säga det jämför linjerna som erhållits i diagrammet. Men andra behandlingar är också möjliga. Biologiskt återspeglar amplitudprogressioner den ytterligare rekryteringen av neuroner med högre tröskel när stimulansnivån ökar. Detta tyder på att arean under kurvan, som representerar linjernas integraler, kan vara det mer relevanta måttet. Generaliserade skattningsekvationer (GEE) kan användas för att modellera individuella data för en integralanalys, som i Patel et al.5. I synnerhet kan GEE-analys ta hänsyn till utformningen av dessa experiment med upprepade åtgärder. När fler forskare diskuterar dataanalysmetoderna förväntar vi oss uppkomsten av konsensus om bästa praxis.
Sammanfattningsvis presenterar detta dokument gratis och lättanvända verktyg för att mäta, kompilera och visualisera ABR-vågformer. Dessa verktyg kan användas av nybörjare i RStudio genom att följa detta protokoll, och de innehåller ett bländande steg för förbättrad noggrannhet och reproducerbarhet. Vi förutser att rutinmässig ABR-vågformsanalys kommer att möjliggöra upptäckt av förolämpningar, genetiska varianter och andra behandlingar som kan påverka hörselfunktionen.
Disclosures
Författarna har inga intressekonflikter.
Acknowledgments
Detta arbete stöddes av två bidrag från NIDCD till PW: R01 DC018660 och ett administrativt tilläggsbidrag, R01 DC014261-05S1.
Materials
| Name | Company | Catalog Number | Comments |
| C57BL/6J mice | Jackson Labs | 664 | |
| CBA/CaJ mice | Jackson Labs | 654 | |
| E-series PC | Dell | n/a (this equipment was discontinued) | This runs the IHS system. |
| Mini-anechoic chamber | Industrial Acoustics Company | Special order number 104306 | This enclosure reduces noise levels for auditory testing of animals. |
| Optiplex 7040 | Dell | i5-6500 | Rstudio may also be run on a Mac or Linux system. |
| Universal Smart Box | Intelligent Hearing Systems | n/a (this equipment was discontinued) | Both TDT and IHS can output hearing data as ASCII files. |
References
- Gopal, K. V., Pierel, K. Binaural interaction component in children at risk for central auditory processing disorders. Scandinavian Audiology. 28 (2), 77-84 (1999).
- Kujawa, S. G., Liberman, M. C. Adding insult to injury: Cochlear nerve degeneration after "temporary" noise-induced hearing loss. Journal of Neuroscience. 29 (45), 14077-14085 (2009).
- Salvi, R. J., Wang, J., Ding, D. Auditory plasticity and hyperactivity following cochlear damage. Hearing Research. 147 (1-2), 261-274 (2000).
- Schrode, K. M., Muniak, M. A., Kim, Y. H., Lauer, A. M. Central compensation in auditory brainstem after damaging noise exposure. eNeuro. 5 (4), (2018).
- Patel, S., et al. SIRT3 promotes auditory function in young adult FVB/nJ mice but is dispensable for hearing recovery after noise exposure. PLoS One. 15 (7), 0235491 (2020).
- Milinkeviciute, G., Chokr, S. M., Castro, E. M., Cramer, K. S. CX3CR1 mutation alters synaptic and astrocytic protein expression, topographic gradients, and response latencies in the auditory brainstem. Journal of Comparative Neurology. 529 (11), 3076-3097 (2021).
- Ison, J. R., Allen, P. D., Oertel, D. Deleting the HCN1 subunit of hyperpolarization-activated ion channels in mice impairs acoustic startle reflexes, gap detection, and spatial localization. Journal of the Association for Research in Otolaryngology. 18 (3), 427-440 (2017).
- Chen, F., Zhao, F., Mahafza, N., Lu, W. Detecting noise-induced cochlear synaptopathy by auditory brainstem response in tinnitus patients with normal hearing thresholds: A meta-analysis. Frontiers in Neuroscience. 15, 778197 (2021).
- Santos-Filha, V. A., Samelli, A. G., Matas, C. G. Noise-induced tinnitus: Auditory evoked potential in symptomatic and asymptomatic patients. Clinics. 69 (7), 487-490 (2014).
- Kochar, K., Srivastava, T., Maurya, R. K., Jain, R., Aggarwal, P. Visual evoked potential & brainstem auditory evoked potentials in acute attack & after the attack of migraine. Electromyography and Clinical Neurophysiology. 42 (3), 175-179 (2002).
- Gedik, O., Husam, H., Basoz, M., Tas, N., Aksoy, F. The effect of coronavirus disease 2019 on the hearing system. Journal of Laryngology and Otology. 135 (9), 810-814 (2021).
- Ozturk, B., Kavruk, H., Aykul, A. Audiological findings in individuals diagnosed with COVID-19. American Journal of Otolaryngology. 43 (3), 103428 (2022).
- Dror, A. A., et al. Auditory performance in recovered SARS-COV-2 patients. Otology & Neurotology. 42 (5), 666-670 (2021).
- Lin, F. R., et al. Hearing loss and incident dementia. Archives of Neurology. 68 (2), 214-220 (2011).
- Jafari, Z., Kolb, B. E., Mohajerani, M. H.
- Swords, G. M., Nguyen, L. T., Mudar, R. A., Llano, D. A. Auditory system dysfunction in Alzheimer disease and its prodromal states: A review. Ageing Research Reviews. 44, 49-59 (2018).
- Konrad-Martin, D., et al. Age-related changes in the auditory brainstem response. Journal of the American Academy of Audiology. 23 (1), 18-35 (2012).
- Navntoft, C. A., Marozeau, J., Barkat, T. R. Cochlear implant surgery and electrically-evoked auditory brainstem response recordings in C57BL/6 mice. Journal of Visualized Experiments. (143), e59073 (2019).
- Gilels, F., Paquette, S. T., Beaulac, H. J., Bullen, A., White, P. M. Severe hearing loss and outer hair cell death in homozygous Foxo3 knockout mice after moderate noise exposure. Scientific Reports. 7, 1054 (2017).
- Rubio, M. E. Auditory brainstem development and plasticity. Current Opinion in Physiology. 18, 7-10 (2020).
- Polonenko, M. J., Maddox, R. K. The parallel auditory brainstem response. Trends in Hearing. 23, 2331216519871395 (2019).
- Shi, L., et al. Noise-induced damage to ribbon synapses without permanent threshold shifts in neonatal mice. Neuroscience. 304, 368-377 (2015).
- Lin, H. W., Furman, A. C., Kujawa, S. G., Liberman, M. C. Primary neural degeneration in the Guinea pig cochlea after reversible noise-induced threshold shift. Journal of the Association for Research in Otolaryngology. 12 (5), 605-616 (2011).
