Kan AI tuberculose identificeren uit hoestgeluidopnames met een betere nauwkeurigheid dan menselijke clinici ?

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