Kan AI identificere tuberkulose ud fra hostelyde med bedre nøjagtighed end menneskelige klinikere ?

Tuberkulose forbliver en af de førende smitsomme dræbere på verdensplan, hvor tidlig diagnose er afgørende for behandlingens succes. Hostelyde indeholder akustiske signaturer, der er unikke for luftvejssygdomme. AI-modeller bliver udviklet til at analysere hosteoptagelser for specifikke biomarkører for tuberkuloseinfektion. Disse systemer kunne muliggøre fjern- og lavpris-screening i ressourcebegrænsede områder. Sådanne værktøjer skal gennemgå streng validering på forskellige befolkningsgrupper for at sikre pålidelighed.

Nylige studier indikerer, at AI kan identificere tuberkulose ud fra hostelyde med en nøjagtighed, der er sammenlignelig med eller overstiger den hos uddannede klinikere, især i ressourcefattige områder. For eksempel har forskning, der anvender konvolutionelle neurale netværk og transfer learning på crowdsourcede hostedatasæt, rapporteret sensitivitet og specificitet omkring 90–95 % ved påvisning af TB-specifikke akustiske biomarkører. Disse systemer er dog ofte afhængige af optagelser af høj kvalitet og kan have svært ved forstyrrende faktorer som baggrundsstøj eller samtidige luftvejssygdomme. Implementering i reelle kliniske miljøer er stadig begrænset, og regulatorisk validering er undervejs.

— Opdateret 12. maj 2026 · Kilde: Verdenssundhedsorganisationen — https://www.who.int/publications/i/item/9789240079242