L'IA può identificare la tubercolosi da registrazioni audio di tosse con maggiore accuratezza rispetto ai clinici umani ?

La tubercolosi rimane uno dei principali killer infettivi a livello mondiale, con la diagnosi precoce fondamentale per il successo del trattamento. I suoni della tosse contengono firme acustiche uniche delle condizioni respiratorie. Si stanno sviluppando modelli di intelligenza artificiale per analizzare le registrazioni di tosse alla ricerca di specifici biomarcatori dell'infezione tubercolare. Questi sistemi potrebbero consentire screening remoti e a basso costo in contesti con risorse limitate. Tali strumenti devono essere rigorosamente validati su popolazioni diverse per garantirne l'affidabilità.

Background

Tuberculosis (TB) is a leading infectious cause of death globally, with early diagnosis critical for successful treatment. Cough acoustics contain unique biomarkers that may reflect underlying pulmonary pathology, including TB-specific signatures. AI models—particularly convolutional neural networks leveraging transfer learning—have been trained on crowdsourced cough datasets to detect TB with reported sensitivities and specificities of approximately 90–95%. Such systems aim to enable remote, low-cost screening in resource-limited settings, addressing gaps where access to clinical expertise or laboratory diagnostics is constrained. However, performance heavily relies on high-quality audio recordings; real-world deployment faces challenges from ambient noise, variability in recording equipment, and overlapping respiratory conditions. Current validation remains largely dataset-dependent, and broader clinical implementation awaits real-world trials and regulatory clearance. WHO emphasizes that rigorous validation across diverse populations is essential to ensure equitable and reliable diagnostic performance.