A inteligência artificial consegue identificar a tuberculose a partir de gravações de áudio de tosses com maior precisão do que os clínicos humanos ?

A tuberculose continua a ser um dos principais assassinos infecciosos em todo o mundo, sendo o diagnóstico precoce fundamental para o sucesso do tratamento. Os sons da tosse contêm assinaturas acústicas únicas de condições respiratórias. Estão a ser desenvolvidos modelos de IA para analisar gravações de tosses em busca de biomarcadores específicos de infeção por tuberculose. Estes sistemas poderiam permitir a triagem remota e de baixo custo em contextos com recursos limitados. Estas ferramentas devem ser rigorosamente validadas em populações diversas para garantir a sua fiabilidade.

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.