Une technologie qui quitte le discours marketing
La littérature récente montre que l’IA prend une place croissante en audiologie. La revue de Frosolini et al., publiée en 2024 dans Sensors, recense 104 publications sur le sujet. Elle décrit des applications dans plusieurs domaines audiologiques : audiométrie automatisée, aide à la décision, analyse de données cliniques, imagerie, dépistage et optimisation des parcours de soins.
L’IA en audiologie ne se résume pas aux aides auditives et à leur technologie de traitement du signal. Elle touche aussi la manière de mesurer, de suivre et d’interpréter les données audiométriques.
Dans les aides auditives, son apport concerne surtout le traitement de la scène sonore. L’enjeu clinique reste connu de tous : aider le patient à comprendre la parole dans le bruit, sans augmenter inutilement la charge cognitive.
Dans une situation réelle, le signal utile n’arrive jamais seul. Une voix, un bruit de vaisselle, une ventilation, une conversation latérale, une porte qui s’ouvre et la réverbération se mélangent en permanence. L’oreille saine trie ces informations naturellement avec une efficacité remarquable. L’oreille malentendante y consacre une énergie considérable.
C’est là que les approches par deep learning (ou réseaux neuronaux profonds) prennent tout leur sens.
Oticon comme exemple d’intégration embarquée
Oticon illustre bien cette évolution. La marque a intégré un réseau neuronal profond dans ses aides auditives récentes, notamment à travers MoreSound Intelligence 3.0 et le Réseau Neuronal Profond (RNP) 2.0, embarqué, notamment, dans Oticon Intent et Oticon Zeal.
Grâce à cette technologie avant-gardiste, on passe d’algorithmes fondés sur des règles fixes à des systèmes entraînés sur de grandes bases de scènes sonores. Le but n’est plus seulement de réduire le bruit. L’objectif est désormais d’analyser la scène sonore, d’identifier les composantes du signal, de préserver les indices utiles de parole et d’adapter le traitement en temps réel.
Chez Oticon, le RNP 2.0 est entraîné sur plus de 12 millions de scènes sonores. La technologie 4D Sensor ajoute une autre dimension : les mouvements de tête, les mouvements du corps, l’activité conversationnelle et l’environnement acoustique servent à ajuster le niveau de soutien auditif selon l’intention d’écoute de l’utilisateur. C’est une synergie particulièrement efficace pour soutenir le patient dans son quotidien actif.
C’est un point essentiel. L’appareil ne « comprend » pas le patient au sens humain du terme. Il ne lit pas son intention comme le ferait un clinicien. Il exploite des indices mesurables pour adapter le traitement sonore et anticiper les besoins d’écoute du patient.
En savoir plus sur l’intention d’écoute
Ce que cela change pour le patient
Pour le patient, le progrès ne se résume pas à “entendre plus fort”. Ce n’est pas cela qui lui permettra de vivre sa vie comme s’il n’avait pas de perte d’audition.
Le vrai bénéfice se joue souvent ailleurs : suivre une conversation plus longtemps, rester engagé dans un repas, rentrer moins épuisé en fin de journée, ne pas décrocher dès que plusieurs personnes parlent en même temps. Bref, rester pleinement présent à chaque instant, sans que la fatigue cognitive ne se fasse sentir.
Les données cliniques internes d’Oticon rapportent, pour Oticon Intent, une réduction de 31 % de l’effort d’écoute soutenu et une réduction de 40 % du stress d’écoute, par rapport à la génération précédente d’aides auditives. La promesse pour les patients est alors une écoute moins coûteuse, surtout dans les environnements complexes.
En savoir plus sur les données cliniques Oticon Intent.
Ce que confirme la recherche indépendante
La recherche indépendante avance dans la même direction, même si cela reste avec prudence.
En audiométrie vocale, Jean et al. ont publié en 2025 une étude sur l’automatisation de l’audiométrie vocale dans le calme et dans le bruit, à l’aide d’un réseau neuronal profond. Ils démontrent qu’une audiométrie vocale automatisée, fiable et reproductible, allège une partie du temps de passation. Elle renforce aussi la standardisation des mesures.
Mais l’audiométrie vocale automatisée ne remplace pas l’interprétation clinique. Un score vocal ne dit pas tout. Il doit être relié à l’audiogramme, aux plaintes, au contexte de vie, à la cognition, à la fatigue et à l’histoire auditive du patient.
Wasmann et al. Décrivent, quant à eux, cette évolution sous le terme d’audiologie computationnelle. L’idée est claire : utiliser les données, l’apprentissage automatique et les outils numériques pour rendre l’audiologie plus précise, plus accessible et plus personnalisée. Mais les auteurs rappellent aussi les risques : qualité et sécurité des données, biais existants, confidentialité, responsabilité clinique et validation en conditions réelles.
Ce que l’IA ne remplace pas
Un réseau neuronal apprend à partir de données. C’est sa force. C’est aussi sa limite.
Mais le quotidien des audioprothésistes ne ressemble pas à une base de données. Pensons au patient qui consulte avec une neuropathie auditive, une hyperacousie sévère, ou une perte asymétrique complexe.
Ces profils atypiques sont précisément ceux pour lesquels aucun modèle statistique ne peut anticiper le bon réglage. Non pas parce que les données manquent mais parce que ces situations exigent quelque chose que l'IA ne sait pas faire : comprendre un historique et un vécu personnel.
L’audioprothésiste entend les mots, mais aussi les hésitations. Il observe le visage, la posture, les stratégies d’évitement. Il distingue le patient qui s’est adapté à sa perte de celui qui a renoncé à entendre. Il choisit un compromis entre gain, confort, embout, occlusion, tolérance au bruit, attentes du patient et réalité de port.
Aucune IA embarquée ne remplace cette lecture. Elle aide à traiter le signal. Elle ne construit pas la relation thérapeutique.
L’IA va-t-elle changer le métier d’audioprothésiste ?
On ne peut nier que l’Intelligence Artificielle apporte des changements dans les métiers liés à l’audition. Cependant, elle ne rend pas l’audioprothésiste moins utile. Elle revalorise son rôle.
Certaines tâches vont gagner en automatisation : analyse de scène sonore, réglage initial, adaptation contextuelle, cotation de certains tests, aide à la décision. Ce mouvement est déjà engagé.
À court terme, on peut imaginer que l'audiométrie assistée devienne la norme : des bilans plus rapides, une cartographie audiologique plus fine dès la première séance. Ce gain ne diminue pas le rôle de l’audioprothésiste, il permet de l'exercer là où il compte le plus.
L’IA devient un outil puissant quand elle sert l’audioprothésiste. Elle permet une pratique audiologique mieux outillée, plus mesurable, plus réactive, mais toujours guidée par un professionnel capable de relier le signal, le patient, ses besoins et la vie réelle.
Comme le souligne Soren Nielsen, PDG du groupe Demant, dont fait partie Oticon : « L’IA ne consiste pas à faire moins. Il s’agit de permettre plus d’innovation. » L’IA prend en charge ce qu’elle fait mieux que l’humain, comme la rapidité, la résolution, la cohérence du traitement du signal et libère ainsi l’audioprothésiste pour ce que lui seul sait faire : écouter, comprendre, décider, accompagner.
En résumé, l’intelligence artificielle transforme déjà la pratique audiologique, en automatisant les traitements les plus complexes et en fiabilisant les réglages. Mais elle ne remplace pas l’audioprothésiste : au contraire, elle renforce son rôle en recentrant son expertise sur ce qu’aucun algorithme ne peut capturer — la compréhension fine du patient.
Références :
1. Frosolini A, Franz L, Caragli V, Genovese E, de Filippis C, Marioni G. Artificial Intelligence in Audiology: A Scoping Review of Current Applications and Future Directions. Sensors. 2024;24(22):7126
2. Wasmann J-WA, Pragt L, Eikelboom R, Swanepoel DW. Digital Approaches to Automated and Machine Learning Assessments of Hearing: Scoping Review. J Med Internet Res. 2022;24(2):e32581
3. Barbour DL, Howard RT, Song XD, et al. Online Machine Learning Audiometry. Hear. 2019;40(4):918–926
4. Heisey KL, Walker AM, Xie K, Abrams JM, Barbour DL. Dynamically Masked Audiograms with Machine Learning Audiometry. Hear. 2020;41(6):1692–1702
5. Wallaert N, Perry A, Quarino S, Jean H, Creff G, Godey B, Paraouty N. Performance and reliability evaluation of an improved machine learning-based pure-tone audiometry with automated masking. World J Otorhinolaryngol Head Neck Surg. 2024 Hear 10.1002/wjo2.208
6. Jean H, Wallaert N, Dreumont A, Creff G, Godey B, Paraouty N. Automating Speech Audiometry in Quiet and in Noise Using a Deep Neural Network. Biology. 2025;14(2):191
7. Kassjański M, Kulawiak M, Przewoźny T, et al. Automated hearing loss type classification based on pure tone audiometry data. Sci Rep. 2024;14:14203
8. Zapata-Rodríguez & Santurette (2024). Reducing sustained listening effort and listening stress with Oticon Intent™. New clinical evidence. Oticon Research Brief.
9. Wasmann J-WA, Lanting CP, Huinck WJ, et al. Computational Audiology: New Approaches to Advance Hearing Health Care in the Digital Age. Hear. 2021;42(6):1499–1507
