Poate AI identifica tuberculoza din înregistrări audio de tuse cu o precizie mai bună decât clinicienii umani ?

Tuberculoza rămâne un principal ucigaș infecțios la nivel mondial, diagnosticul precoce fiind crucial pentru succesul tratamentului. Sunetele tusei conțin semnături acustice unice pentru afecțiunile respiratorii. Modelele de inteligență artificială sunt dezvoltate pentru a analiza înregistrările de tuse în vederea identificării unor biomarkeri specifici ai infecției cu tuberculoză. Aceste sisteme ar putea permite screening-ul la distanță și cu costuri reduse în medii cu resurse limitate. Astfel de instrumente trebuie validate riguros pe diverse populații pentru a asigura fiabilitatea.

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.