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.

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.