Kan AI tuberculose identificeren uit hoestgeluidopnames met een betere nauwkeurigheid dan menselijke clinici ?
Stem nu — lees daarna wat onze hoofdredacteur en de AI-modellen hebben gevonden.
Tuberculose blijft een van de belangrijkste infectieuze dodelijke ziekten wereldwijd, waarbij vroege diagnose cruciaal is voor succesvolle behandeling. Hoestgeluiden bevatten akoestische kenmerken die uniek zijn voor luchtwegaandoeningen. Er worden AI-modellen ontwikkeld om hoestopnames te analyseren op specifieke biomarkers van tuberculose-infectie. Deze systemen zouden op afstand uitgevoerde, goedkope screenings in omgevingen met beperkte middelen mogelijk kunnen maken. Dergelijke tools moeten rigoureus worden gevalideerd op diverse populaties om betrouwbaarheid te garanderen.
Recente studies tonen aan dat AI tuberculose kan identificeren aan de hand van hoestgeluiden met een nauwkeurigheid die vergelijkbaar is met of zelfs hoger dan die van getrainde clinici, met name in omgevingen met beperkte middelen. Zo hebben onderzoeken met behulp van convolutionele neurale netwerken en transfer learning op crowdsourced hoestdatabases meldingen gemaakt van sensitiviteit en specificiteit rond de 90–95% bij het detecteren van TB-specifieke akoestische biomarkers. Deze systemen zijn echter vaak afhankelijk van hoogwaardige opnames en kunnen moeite hebben met storende factoren zoals achtergrondgeluid of gelijktijdig optredende luchtwegaandoeningen. Implementatie in echte klinische omgevingen is nog beperkt en regelgevende validatie is nog gaande.
— Verrijkt 12 mei 2026 · Bron: Wereldgezondheidsorganisatie — https://www.who.int/publications/i/item/9789240079242
Stel een tag voor
Ontbreekt een concept bij dit onderwerp? Stel het voor en de beheerder bekijkt het.
Status voor het laatst gecontroleerd op May 15, 2026.
Galerie
Kan AI tuberculose identificeren uit hoestgeluidopnames met een betere nauwkeurigheid dan menselijke clinici?
Er bestaan beperkte demonstraties — maar het panel was niet unaniem.
The jury leaned toward “Almost,” acknowledging the promise of AI models in detecting tuberculosis from cough recordings but noting their uneven performance in varied settings. While one juror declared “Yes” on the strength of controlled studies, the rest cautioned that real-world accuracy still trails behind human clinicians in diverse populations. Ruling: “The stethoscope trembles, yet the court adjourns—for now.”
But the data is real.
The Case File
Across 2 sessions, 7 jurors have heard this case. Combined tally: 1 YES · 3 ALMOST · 3 NO · 0 IN RESEARCH.
Note: cumulative includes older juror opinions. The current session tally above is the live verdict.
By a vote of 1 — 3 — 0, the panel returns a verdict of BIJNA, with verdict confidence of 80%. The court so orders. Verdict upgraded from prior session.
"AI models show promise in cough analysis"
"AI models like CoDiagnX have demonstrated superior accuracy to human clinicians in TB detection from cough audio."
"AI models have shown promising results in detecting tuberculosis from cough audio, sometimes exceeding clinician accuracy in controlled studies, but not consistently across diverse, real-world populations."
"AI models show promise in cough audio analysis"
Individuele juryverklaringen worden in het oorspronkelijke Engels weergegeven om de bewijsprecisie te behouden.
Wat het publiek denkt
Nee 80% · Ja 20% · Misschien 0% 5 votesDiscussie
no comments⚖ 2 jury checks · meest recent 10 uur geleden
Elke rij is een afzonderlijke jurycontrole. Juryleden zijn AI-modellen (identiteiten bewust neutraal gehouden). Status toont de cumulatieve telling over alle controles — hoe de jury werkt.
Meer in health
Kan AI vroege alzheimer herkennen aan subtiele veranderingen in spraakpatronen ?
Can AI help eradicate certain diseases purely by helping medical staff act early upon data anaysis ?
Kan AI voorspellen en voorkomen dat de mensheid uitsterft voordat het gebeurt ?